부록 E09: 통계분석 코드

이 장에서 배울 것

이번 장에서는 통계분석을 코드로 실행하는 방법을 배웁니다. 수학 부록에서 평균, p-value, 회귀, 다중검정을 배웠다면, 여기서는 그 생각을 파이썬 코드로 옮깁니다.

핵심 용어를 먼저 정리하겠습니다.

• 사이파이(scipy): 과학 계산과 통계 검정을 위한 파이썬 라이브러리입니다.
• 통계량(statistic): 검정에서 계산되는 숫자입니다. 예를 들어 t-test의 t값이 있습니다.
• p값(p-value): 관찰한 차이가 우연으로도 나올 수 있는 정도를 나타내는 값입니다. 앞으로는 p-value라고도 쓰겠습니다.
• t검정(t-test): 두 그룹 평균이 다른지 살펴보는 대표적인 검정입니다.
• 상관분석(correlation analysis): 두 숫자 변수가 함께 움직이는 경향을 보는 분석입니다.
• 회귀분석(regression analysis): 한 값이 다른 값과 어떻게 관련되는지 모델로 설명하는 분석입니다.
• 다중검정 보정(multiple testing correction): 검정을 많이 할 때 거짓 양성을 줄이기 위한 보정입니다.

가장 쉬운 비유: 계산기 대신 검정 도구 쓰기

암 그룹과 정상 그룹의 유전자 발현량이 다르게 보인다고 합시다. 눈으로만 보면 “다른 것 같다”고 느낄 수 있습니다. 하지만 연구에서는 “얼마나 그럴듯한 차이인지”를 숫자로 확인해야 합니다.

파이썬 통계 코드는 이 질문을 던지는 도구입니다.

두 그룹이 정말 다른가?
이 관계가 우연일 가능성은 어느 정도인가?
너무 많은 검정을 해서 우연한 발견을 진짜처럼 보고 있지는 않은가?

t검정 실행하기

두 그룹 평균을 비교하는 가장 단순한 예를 봅시다.

from scipy.stats import ttest_ind

cancer = [10.2, 11.5, 9.8, 12.1]
normal = [5.2, 6.1, 4.9, 5.8]

stat, p = ttest_ind(cancer, normal)
print(stat)
print(p)

ttest_ind는 서로 독립인 두 그룹의 평균을 비교합니다. 결과로 통계량과 p-value가 나옵니다.

중요한 것은 p-value가 “차이의 크기”가 아니라는 점입니다. p-value는 “차이가 없다는 가정 아래에서 이런 결과가 얼마나 이상한가”를 보는 숫자입니다.

평균도 함께 확인하기

검정을 하기 전후에는 평균도 같이 봐야 합니다.

import numpy as np

print(np.mean(cancer))
print(np.mean(normal))

예를 들어 암 그룹 평균이 10.9이고 정상 그룹 평균이 5.5라면, 차이의 방향과 크기를 대략 볼 수 있습니다. p-value만 보고 해석하면 위험합니다.

상관분석 코드

두 숫자 변수가 함께 커지는지 보고 싶을 때 상관분석을 씁니다.

from scipy.stats import pearsonr

gene_a = [1, 2, 3, 4]
gene_b = [2, 4, 6, 8]

r, p = pearsonr(gene_a, gene_b)
print(r)
print(p)

r은 상관계수입니다. r이 1에 가까우면 두 값이 함께 커지는 경향이 강합니다. 그러나 상관관계는 원인관계를 뜻하지 않습니다.

간단한 회귀분석

회귀분석은 입력값으로 출력값을 설명하거나 예측하는 방법입니다. 여기서는 가장 간단한 선형회귀 느낌만 봅니다.

from scipy.stats import linregress

x = [1, 2, 3, 4]
y = [2, 4, 6, 8]

result = linregress(x, y)
print(result.slope)
print(result.intercept)

slope는 기울기입니다. 위 예시에서는 x가 1 증가할 때 y가 2 증가하므로 기울기는 2에 가깝습니다.

여러 유전자를 검정할 때

유전자 하나만 검정하면 문제가 단순합니다. 하지만 RNA-seq에서는 유전자 수천 개를 한 번에 검정합니다. 그러면 우연히 작게 나온 p-value가 섞일 수 있습니다.

그래서 다중검정 보정을 합니다.

from statsmodels.stats.multitest import multipletests

p_values = [0.001, 0.02, 0.20, 0.04]
reject, q_values, _, _ = multipletests(p_values, method="fdr_bh")

print(reject)
print(q_values)

여기서 q_values는 FDR 방식으로 보정한 값이라고 생각하면 됩니다. FDR은 거짓 발견 비율을 조절하는 방법입니다.

표 데이터와 함께 쓰기

실제 분석에서는 리스트만 쓰지 않고 판다스 표와 함께 사용합니다.

import pandas as pd
from scipy.stats import ttest_ind

df = pd.read_csv("expression.csv")

cancer = df[df["group"] == "cancer"]["expression"]
normal = df[df["group"] == "normal"]["expression"]

stat, p = ttest_ind(cancer, normal)
print(p)

이 코드는 표에서 암 그룹과 정상 그룹을 나눈 뒤 t검정을 실행합니다.

생물정보학에서 왜 중요한가

차등발현 분석, 변이 연관성 분석, 임상 변수 비교, 모델 성능 평가에는 통계 코드가 계속 등장합니다. 통계 코드를 쓸 때는 함수 이름만 외우면 안 됩니다. 어떤 질문에 어떤 검정을 쓰는지, 결과 숫자가 무엇을 뜻하는지 함께 이해해야 합니다.

계산 감각: p-value와 효과 크기를 함께 보기

통계 코드는 숫자를 내지만, 숫자 하나만으로 결론을 내리면 위험합니다. 예를 들어 암 그룹 평균이 10.8이고 정상 그룹 평균이 10.1인데 p-value가 작을 수 있습니다. 샘플 수가 매우 크면 작은 차이도 통계적으로 유의하게 나올 수 있기 때문입니다.

따라서 최소한 세 가지를 함께 봐야 합니다.

• 평균 차이가 어느 방향인가
• 차이의 크기가 생물학적으로 의미 있는가
• 여러 유전자를 동시에 검정했다면 보정 후에도 남는가

RNA-seq에서는 유전자 수천 개를 동시에 검정하므로 우연히 작은 p-value가 많이 생깁니다. 그래서 FDR이나 q-value 같은 다중검정 보정 개념이 중요합니다.

초보자가 자주 하는 오해는 p-value를 “효과가 큰 정도”라고 생각하는 것입니다. p-value는 귀무가설 아래에서 현재처럼 극단적인 결과가 나올 가능성과 관련된 값이지, 유전자 발현 차이의 크기를 직접 말해주는 값이 아닙니다.

어려운 개념 보강: p-value, 효과크기, FDR을 한꺼번에 오해하지 않기

통계 코드에서 가장 위험한 습관은 p < 0.05만 보고 결과를 끝내는 것입니다. p-value는 중요하지만, p-value 하나가 생물학적 의미를 전부 말해 주지는 않습니다.

p-value는 다음 질문에 대한 답에 가깝습니다.

“두 그룹에 실제 차이가 없다고 가정했을 때,
지금 관찰한 정도의 차이 또는 그보다 더 극단적인 차이가 나올 가능성이 얼마나 되는가?”

여기서 중요한 기호와 말은 다음과 같습니다.

• “차이가 없다고 가정”: 귀무가설이라고 부릅니다.
• “관찰한 차이”: 실제 데이터에서 계산한 평균 차이, t값, 상관계수 같은 값입니다.
• “더 극단적인 차이”: 우연만으로 보기 어려운 방향의 결과입니다.

p-value는 “이 유전자가 진짜 원인일 확률”이 아닙니다. p-value가 작다는 것은 “차이가 없다는 가정과 현재 데이터가 잘 맞지 않는다”는 뜻입니다.

그래서 평균 차이 또는 효과크기(effect size)를 같이 봐야 합니다. 예를 들어 두 유전자가 모두 p-value가 작더라도 실제 차이의 크기는 다를 수 있습니다.

import numpy as np

normal = np.array([10, 11, 9, 10])
cancer = np.array([20, 21, 19, 20])

mean_diff = np.mean(cancer) - np.mean(normal)
print(mean_diff)  # 10.0

위 예시에서 평균 차이는 10입니다. 이 값은 방향과 크기를 알려 줍니다. p-value는 우연 가능성의 신호이고, 평균 차이는 실제 변화량의 감각입니다. 둘을 같이 봐야 합니다.

유전자 수천 개를 한꺼번에 검정하면 더 큰 문제가 생깁니다. 검정을 많이 할수록 우연히 작게 나온 p-value가 섞입니다. 그래서 다중검정 보정이 필요합니다. FDR(false discovery rate)은 “발견했다고 부른 것들 중 거짓 발견의 비율을 조절하려는 기준”입니다.

Benjamini-Hochberg 방식의 아주 단순한 감각은 다음과 같습니다.

보정 p-value의 감각 ≈ 원래 p-value × 전체 검정 수 / 순위

예를 들어 1000개 유전자를 검정했고, 어떤 유전자의 p-value가 0.001이며 작은 순서로 10번째라면 다음처럼 생각할 수 있습니다.

0.001 × 1000 / 10 = 0.1

이 계산은 실제 구현의 모든 세부 규칙을 다 담지는 않지만, 왜 보정 후 p-value가 원래 p-value보다 커질 수 있는지 직관을 줍니다. 생물정보학에서는 “유전자 하나”보다 “유전자 수천 개”를 동시에 보는 일이 많으므로, 원래 p-value와 FDR을 구분해야 합니다.

흔한 오해는 세 가지입니다. 첫째, p-value는 효과크기가 아닙니다. 둘째, p-value가 작다고 생물학적으로 반드시 중요하다는 뜻은 아닙니다. 셋째, FDR 보정 없이 수천 개 결과에서 마음에 드는 유전자만 고르면 우연한 발견을 진짜처럼 해석할 위험이 큽니다.

미니 실습 블록: p-value와 효과크기를 함께 보기

이 실습은 p-value와 효과크기를 함께 보기를 직접 손으로 확인하는 연습입니다. 왜 필요한가 하면, 통계적으로 유의해도 변화가 너무 작거나, 변화가 커도 불확실하면 해석이 달라지기 때문입니다.

import pandas as pd

result = pd.DataFrame({
    "gene": ["A", "B", "C"],
    "log2FC": [2.0, 0.1, -1.5],
    "padj": [0.001, 0.0001, 0.20]
})

selected = result[(result["padj"] < 0.05) & (result["log2FC"].abs() >= 1)]
print(selected)

각 코드 요소의 의미를 풀어보면 다음과 같습니다. &는 두 조건을 모두 만족한다는 뜻이고, abs()는 절댓값입니다. gene A만 통계 신호와 변화 크기를 함께 만족합니다.

생물정보학/계산생물학에서 쓰이는 장면은 분명합니다. RNA-seq 차등발현 결과에서 후보 유전자를 고를 때 씁니다.

흔한 오해 또는 주의점도 있습니다. p-value가 작다고 바로 원인 유전자라고 말하면 안 됩니다. 통계적 연관은 원인 증명과 다릅니다.

핵심 정리

통계분석 코드는 생물학적 질문을 숫자로 확인하는 도구입니다. ttest_ind는 두 그룹 평균 비교, pearsonr은 상관분석, linregress는 간단한 선형회귀, multipletests는 다중검정 보정에 사용됩니다. p-value는 차이의 크기가 아니므로 평균, 효과 크기, 생물학적 의미를 함께 봐야 합니다.

문제 풀이

통계분석 코드

0 / 40

Gemini AI 채점

주관식 답안은 Gemini API로 채점합니다. API 키는 이 브라우저에만 저장됩니다.

API KEY 미등록

1. 1. [쉬움] 객관식

   scipy의 역할로 가장 적절한 것은?

   선택지

   과학 계산과 통계 검정을 위한 파이썬 라이브러리입니다. 파일만 압축하는 리눅스 명령입니다. R 전용 그래프 패키지입니다. 유전체 브라우저입니다.
2. 2. [코드] 객관식

   from scipy.stats import ttest_ind는 무엇을 가져오는 코드인가?

   선택지

   CSV 읽기 함수를 가져옵니다. 두 독립 그룹 평균 비교에 쓰는 t검정 함수를 가져옵니다. BAM 정렬 함수를 가져옵니다. 폴더 삭제 함수를 가져옵니다.
3. 3. [보통] 객관식

   t검정(t-test)의 주된 용도는?

   선택지

   FASTA 이름을 바꾸는 것입니다. 그래프를 저장하는 것입니다. 두 그룹 평균이 다른지 살펴보는 것입니다. 터미널 현재 위치를 출력하는 것입니다.
4. 4. [보통] 객관식

   p-value의 설명으로 적절한 것은?

   선택지

   차이의 크기 그 자체입니다. 항상 유전자 길이를 뜻합니다. 파일 압축률입니다. 차이가 없다는 가정 아래에서 관찰한 결과가 얼마나 이상한지 보는 숫자입니다.
5. 5. [코드] 객관식

   np.mean(cancer)는 무엇을 계산하는가?

   선택지

   cancer 값들의 평균입니다. cancer 파일의 확장자입니다. cancer 그룹의 p-value만 계산합니다. cancer 문자열을 삭제합니다.
6. 6. [코드] 객관식

   pearsonr(gene_a, gene_b)는 무엇을 계산하는가?

   선택지

   두 파일을 병합합니다. 두 숫자 변수의 상관계수와 p-value를 계산합니다. BAM을 정렬합니다. 그래프 제목을 붙입니다.
7. 7. [보통] 객관식

   상관계수 r이 1에 가까울 때 의미로 적절한 것은?

   선택지

   두 값이 아무 관련 없다는 뜻입니다. 원인관계가 무조건 증명됩니다. 두 값이 함께 커지는 경향이 강합니다. 파일이 비어 있다는 뜻입니다.
8. 8. [보통] 객관식

   linregress(x, y)에서 slope는 무엇인가?

   선택지

   p-value를 모두 1로 바꾸는 값입니다. 파일 경로입니다. 그래프 색입니다. x가 1 증가할 때 y가 얼마나 변하는지 나타내는 기울기입니다.
9. 9. [계산] 객관식

   x=[1,2,3,4], y=[2,4,6,8]의 선형 관계에서 기울기는?

   선택지

   2 1 4 8
10. 10. [코드] 객관식

    multipletests(p_values, method="fdr_bh")의 역할로 적절한 것은?

    선택지

    read를 기준 유전체에 정렬합니다. 여러 p-value에 대해 FDR 방식의 다중검정 보정을 합니다. 그래프를 PNG로 저장합니다. 파일을 gzip으로 압축합니다.
11. 11. [보통] 객관식

    다중검정 보정이 필요한 이유는?

    선택지

    검정을 많이 하면 컴퓨터가 반드시 꺼지기 때문입니다. p-value가 파일 이름이 되기 때문입니다. 검정을 많이 하면 우연히 작게 나온 p-value가 생길 수 있기 때문입니다. 모든 평균이 같아지기 때문입니다.
12. 12. [코드] 객관식

    df[df["group"] == "cancer"]["expression"]의 의미는?

    선택지

    group 열을 삭제합니다. 모든 행을 normal로 바꿉니다. expression 파일을 압축합니다. group이 cancer인 행의 expression 열을 고릅니다.
13. 13. [보통] 객관식

    p-value만 보고 해석하면 위험한 이유는?

    선택지

    차이의 크기와 생물학적 의미를 함께 보여주지 않기 때문입니다. p-value는 항상 문자열이기 때문입니다. p-value는 절대 출력할 수 없기 때문입니다. p-value는 그래프 제목만 뜻하기 때문입니다.
14. 14. [계산] 객관식

    두 그룹 평균이 cancer=10.9, normal=5.5라면 평균 차이는?

    선택지

    16.4 5.4 2.0 0.5
15. 15. [코드] 객관식

    stat, p = ttest_ind(cancer, normal)에서 p에는 무엇이 들어가는가?

    선택지

    파일 경로가 들어갑니다. 그래프 객체가 들어갑니다. p-value가 들어갑니다. 유전자 이름만 들어갑니다.
16. 16. [보통] 객관식

    상관관계 해석에서 조심해야 할 점은?

    선택지

    상관계수는 항상 10보다 큽니다. 상관분석에는 숫자가 필요 없습니다. 상관분석은 그래프를 금지합니다. 상관관계가 곧 원인관계를 뜻하지는 않습니다.
17. 17. [쉬움] 객관식

    p_values=[0.001,0.02,0.20,0.04]는 무엇을 담은 리스트인가?

    선택지

    여러 검정에서 나온 p-value 목록입니다. 유전자 서열입니다. BAM 파일 목록입니다. 색상 이름 목록입니다.
18. 18. [보통] 객관식

    통계분석 코드에서 그룹을 먼저 나누는 이유는?

    선택지

    파일 이름을 짧게 만들기 위해서입니다. 비교할 대상들을 분리해야 검정이나 평균 비교를 할 수 있기 때문입니다. 그래프를 항상 빨간색으로 만들기 위해서입니다. 리눅스 권한을 바꾸기 위해서입니다.
19. 19. [보통] 객관식

    reject가 다중검정 결과에서 보통 뜻하는 것은?

    선택지

    파일 삭제 여부입니다. 축 이름입니다. 보정 후 유의하다고 판단할지 여부입니다. 배열의 행 수입니다.
20. 20. [보통] 객관식

    통계 코드가 생물정보학에서 중요한 이유는?

    선택지

    모든 실험 장비를 직접 제어하기 때문입니다. DNA를 눈으로 관찰하기 때문입니다. 운영체제를 설치하기 때문입니다. 차등발현, 연관성, 임상 변수 비교 같은 질문을 숫자로 검토해야 하기 때문입니다.
21. 21. [중간] 객관식

    암 그룹 평균이 12, 정상 그룹 평균이 7이면 평균 차이(cancer-normal)는?

    선택지

    5 19 0.58 -5
22. 22. [중간] 객관식

    p-value 해석으로 가장 적절한 것은?

    선택지

    효과 크기 그 자체입니다. 통계적 근거를 판단하는 값 중 하나이며 효과 크기와 함께 봐야 합니다. 항상 생물학적 중요성을 보장합니다. 유전자 이름을 뜻합니다.
23. 23. [중간] 객관식

    RNA-seq에서 수천 개 유전자를 동시에 검정할 때 필요한 절차는?

    선택지

    파일 삭제 확장자 제거 다중검정 보정 그래프 색상 변경
24. 24. [중간] 객관식

    상관계수 r이 1에 가까울 때 의미로 가장 적절한 것은?

    선택지

    두 값이 반대로 움직이는 경향이 강하다. 두 값이 아무 관계 없다. 한 값이 다른 값을 원인으로 만든 것이 확정된다. 두 값이 함께 증가하는 선형 경향이 강하다.
25. 25. [중간] 객관식

    선형회귀에서 기울기 slope가 2라는 말의 의미로 가장 적절한 것은?

    선택지

    x가 1 증가할 때 y가 약 2 증가한다. y가 항상 2로 고정된다. p-value가 2라는 뜻이다. 샘플 수가 2개라는 뜻이다.
26. 26. [중간] 객관식

    p-values [0.001, 0.02, 0.20, 0.04]에서 가장 작은 p-value는?

    선택지

    0.20 0.001 0.04 0.02
27. 27. [중간] 객관식

    통계적으로 유의하지만 생물학적으로 중요하지 않을 수 있는 이유로 맞는 것은?

    선택지

    파일이 항상 압축되어서 그래프가 없어서 효과 크기가 너무 작을 수 있어서 유전자 이름이 짧아서
28. 28. [중간] 객관식

    두 그룹 평균 비교에 흔히 쓰이는 scipy 함수는?

    선택지

    pearsonr linregress multipletests ttest_ind
29. 29. [실전] 객관식

    padj < 0.05와 abs(log2FC) >= 1을 함께 쓰는 이유는?

    선택지

    통계적 신호와 변화 크기를 함께 고려하기 위해서다. 원본 데이터를 덮어써서 파일 수를 줄이는 것이다. 분석 결과를 해석 없이 바로 생물학적 결론으로 확정하는 것이다. 샘플 ID와 파일명을 일부러 무작위로 바꾸는 것이다.
30. 30. [실전] 객관식

    log2FC = -1은 대략 어떤 의미인가?

    선택지

    원본 데이터를 덮어써서 파일 수를 줄이는 것이다. 처리군 발현이 대조군보다 약 절반 수준이라는 뜻이다. 분석 결과를 해석 없이 바로 생물학적 결론으로 확정하는 것이다. 샘플 ID와 파일명을 일부러 무작위로 바꾸는 것이다.
31. 주관식 31. [실습] 주관식 · Gemini 채점

    두 리스트 cancer, normal에 대해 t검정을 실행하고 p-value를 출력하는 코드를 작성하라.
32. 주관식 32. [실습] 주관식 · Gemini 채점

    두 리스트의 평균을 각각 출력하는 코드를 작성하라.
33. 주관식 33. [실습] 주관식 · Gemini 채점

    pearsonr(gene_a, gene_b) 결과의 r과 p가 각각 무엇을 뜻하는지 설명하라.
34. 주관식 34. [실습] 주관식 · Gemini 채점

    다중검정 보정이 왜 필요한지 RNA-seq 예시로 설명하라.
35. 주관식 35. [실습] 주관식 · Gemini 채점

    판다스 데이터프레임에서 cancer 그룹과 normal 그룹의 expression을 나누는 코드를 작성하라.
36. 주관식 36. [실습] 주관식 · Gemini 채점

    p-value만으로 결론 내리면 안 되는 이유를 설명하라.
37. 주관식 37. [실습] 주관식 · Gemini 채점

    p-value, 평균 차이, 다중검정 보정을 함께 봐야 하는 이유를 RNA-seq 예시로 설명하라.
38. 주관식 38. [실습] 주관식 · Gemini 채점

    두 그룹 리스트 cancer=[10,12,14], normal=[4,5,6]의 평균 차이를 계산하는 간단한 파이썬 코드를 작성하라.
39. 주관식 39. [실습] 주관식 · Gemini 채점

    result DataFrame에서 padj < 0.05인 행만 고르는 코드를 작성하라.
40. 주관식 40. [실습] 주관식 · Gemini 채점

    log2FC = 2와 log2FC = -2를 배수 변화로 해석하라.