BioinformaticsAndMe

[R] Function (사용자 정의 함수) Start

BioinformaticsAndMe

R function

: 프로그래밍 언어에서 함수(Function)는 반복적으로 사용될 수 있는 문장 블록의 형태

: R은 여러 내장 함수(Built-In function)을 제공하며, 사용자가 직접 자신의 함수(User defined function)를 정의할 수 있음

1. 함수 생성 및 실행

# function 커맨드를 사용하여, 새로운 함수(myfunc)를 생성
myfunc <- function() {
print('Hello, World!')
}

# 정의된 함수(myfunc)를 실행
myfunc()
[1] "Hello, World!"

2. 함수에 특정 인수값 전달하기

: 사용자는 인수(Argument)를 통해, 특정 값을 함수에 전달할 수 있음

: 인수는 function 커맨드 다음에 있는 괄호 안에서 선언됨

*쉼표로 구분하여 지정된 개수만큼 인수 전달 가능

# x, y 인수를 갖는 함수 생성
sum <- function(x, y) {
    x + y
}

# sum 함수에 특정 인수값을 전달하여 실행
sum(2, 3)
[1] 5

3. 기본값(Default value) 지정하기

: 함수에서 인수는 기본값을 지정할 수 있음

: 사용자가 인수 입력없이 함수를 호출하면 기본값이 사용됨

# 인수 y에 기본값 3을 지정
pow <- function(x, y=3) {
    x ^ y
}

# y 인수값이 입력되지 않았으므로, 기본값 'y=3'이 사용됨
pow(2)
[1] 8

# y 인수값이 입력됐으므로, 'y=4'이 사용됨
pow(2, 4)
[1] 16

4. 함수값 반환하기

# return 커맨드를 사용하여, 함수값 반환
sum <- function(x, y) {
    return(x + y)
}

sum(2, 3)
[1] 5

# 결과를 벡터(or 리스트)에 저장하여, 여러 값을 동시에 반환할 수 있음
math <- function(x, y) {
    add <- x + y
    sub <- x - y
    mul <- x * y
    div <- x / y
    c(addition = add, subtraction = sub, multiplication = mul, division = div)
}

math(6, 3)
      addition    subtraction multiplication       division 
             9              3             18              2 

5. 인수의 개수가 가변적인 상황

# 아래 myfunc 함수는 생략부호(...)를 사용하여 , 모든 인수를 수용할 수 있음
myfunc <- function(x, ...) {
print(x)
summary(...)
}
v <- 1:10

myfunc("Summary of v:", v)
[1] "Summary of v:"
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00    3.25    5.50    5.50    7.75   10.00 

#Reference

1) https://www.learnbyexample.org/r-functions/

[R] Function (사용자 정의 함수) End

BioinformaticsAndMe

[SK 바이오팜] 분야별 경력사원 모집

• 직무 - 신약개발/Digital Healthcare 분야 빅데이터 플랫폼

  [수행업무] 
  - 신약개발 및 Digital Healthcare 분야 빅데이터 플랫폼 개발 
  - 다양한 형태의 제약/헬스케어 (화합물 및 유전체 데이터) 관련 빅데이터 수집, 정제, 연구용 데이터베이스 관련 플랫폼 개발 
  - 빅데이터 플랫폼 활용 및 분자 모델링, 인공지능, 생물정보학 기능과 협업하여 신약개발 및 Digital Healthcare 연구 과제 수행 
   
  [자격요건] 
  - 신약개발 화합물 및 유전체 빅데이터 플랫폼 개발 및 운영 경험 보유 
  - 분자 모델링, 전산/컴퓨터 공학, 인공지능, 생물정보학, 시스템 생물학 등 유관 전공 분야와 실무 혹은 협업 경험 보유 
  - 빅데이터 플랫폼 시스템 및 개발 (DBMS, 분산 테이터 처리, 알고리즘 관련 전문지식 보유)  
  - 우대 : 신약개발, 유전체 분석, 의료 정보 관련 빅데이터 분야 연구과제 진행 경험자 
   
  [근무지] 판교

#SK바이오팜 채용 홈페이지

https://www.skcareers.com/POS/TRM2102.aspx?PosCD=P2001D120008&rURL=/POS/TRM2101.aspx

소화기관 (Digestive organ) Start

BioinformaticsAndMe

소화기관 (Digestive organ)

: 소화기관은 소화를 담당하는 기관

*소화 - 섭취한 음식의 영양분 흡수를 위해, 체내의 물리화학적 작용으로 음식물을 섞거나 분해하는 과정

: 구강/식도/위/간/쓸개(담낭)/췌장(이자)/소장/십이지장/대장/항문 모두가 소화계에 속하는 기관

: 소화계가 음식물 소화에 걸리는 시간은 보통 1-2시간

*소화계는 신체 에너지의 약 50~80%를 소모함

: 수술 시에는 마취로 인해 소화기능이 정지하므로, 위의 음식물의 상할 수 있음 (금식 필요)

: 칼슘/마그네슘/아연 등의 흡수를 촉진함

#소화계 소개 영상

#Reference

1) https://www.britannica.com/science/human-digestive-system

2) https://www.innerbody.com/image/digeov.html

3) https://namu.wiki/w/%EC%86%8C%ED%99%94%20%EA%B8%B0%EA%B4%80?from=%EC%86%8C%ED%99%94%EA%B3%84

4) https://courses.lumenlearning.com/wm-biology2/chapter/parts-of-the-digestive-system/

5) https://terms.naver.com/entry.nhn?docId=1119915&cid=40942&categoryId=32319

6) https://www.youtube.com/watch?v=Og5xAdC8EUI

소화기관 (Digestive organ) End

BioinformaticsAndMe

딥러닝 서버 PC 구축 Start

BioinformaticsAndMe

딥러닝 서버 컴퓨터 구축

#Reference

1) https://towardsdatascience.com/building-your-own-deep-learning-computer-and-saving-money-on-cloud-services-c9797261077d

2) https://pcpartpicker.com/

3) http://shop.danawa.com/shopmain/?logger_kw=TOP_dnwpc_main

딥러닝 서버 PC 구축 End

BioinformaticsAndMe

[R] Logistic regression (로지스틱 회귀분석) Start

BioinformaticsAndMe

Logistic regression (로지스틱 회귀분석)

: 로지스턱 회귀분석은 종속변수(반응변수)가 범주형 데이터인 경우에 사용되는 회귀 분석법

: 종속변수 y는 '성공(1) 및 실패(0)'의 두 가지 값(이항변수)을 갖음

*환자사망여부/전염병발병여부/교통사고발생여부 등

: 로지스티 회귀분석은 지도 학습으로 분류되며, 특정 결과의 분류 및 예측을 위해 사용됨

일반화선형모형 (Generalized linear model)

: 일반화선형모형은 정규분포를 따르지 않는 종속변수의 선형 모형 확장으로, 로지스틱회귀 또는 포아송회귀에 사용됨

: 일반화선형모형은 R의 내장함수인 glm()함수를 사용

: 로지스틱 회귀분석에서는 glm()함수에 'family=binomial' 인수를 지정해야함

1. 실습 대장암 데이터 로딩

# survival 패키지의 1858명 colon 데이터
install.packages(“survival”)
library(survival)
str(colon)
'data.frame':   1858 obs. of  16 variables:
 $ id      : num  1 1 2 2 3 3 4 4 5 5 ...
 $ study   : num  1 1 1 1 1 1 1 1 1 1 ...
 $ rx      : Factor w/ 3 levels "Obs","Lev","Lev+5FU": 3 3 3 3 1 1 3 3 1 1 ...
 $ sex     : num  1 1 1 1 0 0 0 0 1 1 ...
 $ age     : num  43 43 63 63 71 71 66 66 69 69 ...
 $ obstruct: num  0 0 0 0 0 0 1 1 0 0 ...
 $ perfor  : num  0 0 0 0 0 0 0 0 0 0 ...
 $ adhere  : num  0 0 0 0 1 1 0 0 0 0 ...
 $ nodes   : num  5 5 1 1 7 7 6 6 22 22 ...
 $ status  : num  1 1 0 0 1 1 1 1 1 1 ...
 $ differ  : num  2 2 2 2 2 2 2 2 2 2 ...
 $ extent  : num  3 3 3 3 2 2 3 3 3 3 ...
 $ surg    : num  0 0 0 0 0 0 1 1 1 1 ...
 $ node4   : num  1 1 0 0 1 1 1 1 1 1 ...
 $ time    : num  1521 968 3087 3087 963 ...
 $ etype   : num  2 1 2 1 2 1 2 1 2 1 ...

2. 로지스틱 회귀분석 수행

■반응변수 - status(대장암 재발 또는 사망인 경우 1)

■예측변수 

- obstruct : 종양에 의한 장의 폐쇄 (obstruction)

- perfor : 장의 천공 (perforation)

- adhere : 인접장기와의 유착 (adherence)

- nodes : 암세포가 확인된 림프절 수

- differ : 암세포의 조직학적 분화 정도 (1=well, 2=moderate, 3=poor)

- extent : 암세포가 침습한 깊이 (1=submucosa, 2=muscle, 3=serosa, 4=인접장기)

- surg : 수술 후 등록까지의 시간 (0=short, 1=long)

# 로지스틱 회귀분석에서 'family=binomial'로 지정
colon1<-na.omit(colon)
result<-glm(status ~ sex+age+obstruct+perfor+adhere+nodes+differ+extent+surg, family=binomial, data=colon1)
summary(result)
Call:
glm(formula = status ~ rx + sex + age + obstruct + perfor + adhere + 
    nodes + differ + extent + surg, family = binomial, data = colon1)

Deviance Residuals: 
   Min      1Q  Median      3Q     Max  
-2.575  -1.046  -0.584   1.119   2.070  

Coefficients:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.430926   0.478301  -5.082 3.73e-07 ***
rxLev       -0.069553   0.122490  -0.568 0.570156    
rxLev+5FU   -0.585606   0.124579  -4.701 2.59e-06 ***
sex         -0.086161   0.101614  -0.848 0.396481    
age          0.001896   0.004322   0.439 0.660933    
obstruct     0.219995   0.128234   1.716 0.086240 .  
perfor       0.085831   0.298339   0.288 0.773578    
adhere       0.373527   0.147164   2.538 0.011144 *  
nodes        0.185245   0.018873   9.815  < 2e-16 ***
differ       0.031839   0.100757   0.316 0.752003    
extent       0.563617   0.116837   4.824 1.41e-06 ***
surg         0.388068   0.113840   3.409 0.000652 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2461.7  on 1775  degrees of freedom
Residual deviance: 2240.4  on 1764  degrees of freedom
AIC: 2264.4

Number of Fisher Scoring iterations: 4

3. 유의한 변수 선택

: backward elimination방법으로 stepwise logistic regression 수행

*backward elimination 참고 - https://bioinformaticsandme.tistory.com/290

# 유의하지 않은 변수를 누락하고 로지스틱 회귀모형을 새롭게 정의
reduced.model=step(result, direction = "backward")
summary(reduced.model)
Call:
glm(formula = status ~ rx + obstruct + adhere + nodes + extent + 
    surg, family = binomial, data = colon1)

Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-2.5583  -1.0490  -0.5884   1.1213   2.0393  

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.30406    0.35138  -6.557 5.49e-11 ***
rxLev       -0.07214    0.12221  -0.590 0.554978    
rxLev+5FU   -0.57807    0.12428  -4.651 3.30e-06 ***
obstruct     0.22148    0.12700   1.744 0.081179 .  
adhere       0.38929    0.14498   2.685 0.007251 ** 
nodes        0.18556    0.01850  10.030  < 2e-16 ***
extent       0.56510    0.11643   4.854 1.21e-06 ***
surg         0.38989    0.11371   3.429 0.000606 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2461.7  on 1775  degrees of freedom
Residual deviance: 2241.5  on 1768  degrees of freedom
AIC: 2257.5

Number of Fisher Scoring iterations: 4

4. 예측 인자들의 Odds ratio 구하기

# 오즈비 출력 함수 정의
ORtable=function(x,digits=2){
    suppressMessages(a<-confint(x))
    result=data.frame(exp(coef(x)),exp(a))
    result=round(result,digits)
    result=cbind(result,round(summary(x)$coefficient[,4],3))
    colnames(result)=c("OR","2.5%","97.5%","p")
    result
}

ORtable(reduced.model)
              OR 2.5% 97.5%     p
(Intercept) 0.10 0.05  0.20 0.000
rxLev       0.93 0.73  1.18 0.555
rxLev+5FU   0.56 0.44  0.72 0.000
obstruct    1.25 0.97  1.60 0.081
adhere      1.48 1.11  1.96 0.007
nodes       1.20 1.16  1.25 0.000
extent      1.76 1.41  2.22 0.000
surg        1.48 1.18  1.85 0.001

# Odds ratio 시각화
install.packages(“moonBook”)
library(moonBook)
odds_ratio = ORtable(reduced.model)
odds_ratio = odds_ratio[2:nrow(odds_ratio),]
HRplot(odds_ratio, type=2, show.CI=TRUE, cex=2)

#Reference

1) https://www.tech-quantum.com/classification-logistic-regression/

2) https://rstudio-pubs-static.s3.amazonaws.com/41074_62aa52bdc9ff48a2ba3fb0f468e19118.html

3) http://www.dodomira.com/2016/02/12/logistic-regression-in-r/

4) https://link.springer.com/chapter/10.1007/978-1-4842-4470-8_20

[R] Logistic regression (로지스틱 회귀분석) End

BioinformaticsAndMe

Necrosis vs Apoptosis Start

BioinformaticsAndMe

Necrosis(세포괴사) vs Apoptosis(세포자살)

#Reference

1) https://www.diffen.com/difference/Apoptosis_vs_Necrosis

2) https://www.researchgate.net/figure/Structural-changes-during-apoptosis-compared-to-the-necrosis_fig1_315763939

3) https://www.youtube.com/watch?v=1vaEVcMfa1E

Necrosis vs Apoptosis End

BioinformaticsAndMe

건강 관리 인공지능 Start

BioinformaticsAndMe

: https://www.lifedojo.com/

#Reference

1) https://cardiogram.com/

2) http://it.chosun.com/news/article.html?no=2842601

3) https://nakedlabs.com/

건강 관리 인공지능 End

BioinformaticsAndMe

신장 (콩팥, Kidney) Start

BioinformaticsAndMe

신장 (Kidney)

: 신장(콩팥)은 횡격막아래/복강뒤에 위치하며, 어린아이 주먹만한 콩 모양의 배설 기관

*신장은 오른쪽이 왼쪽보다 아래에 위치함

: 우리 몸의 노폐물을 여과하여 체내 수분/염분/미네랄/산염기 정도를 균형있게 조절함

: 신동맥(Renal artery)을 통해 혈액이 신장으로 들어오고, 신정맥(Renal vein)을 통해 혈액이 신장에서 나옴

: 신동맥으로 들어온 혈액은 네프론(Nephron)으로 흘러 들어가, 보우만주머니로 여과됨

*네프론 = 사구체(Glomerulus) + 보우만주머니(Bowman capsule) + 세뇨관(Renal tubule)

: 신장 내부에는 약 100만개 이상의 네프론으로 구성됨

#Reference

1) http://m.amc.seoul.kr/asan/mobile/healthinfo/body/bodyDetail.do?bodyId=39&partId=B000006

2) https://ko.wikipedia.org/wiki/%EC%BD%A9%ED%8C%A5

3) https://www.aboutkidshealth.ca/article?contentid=2523&language=english

4) https://m.gettyimagesbank.com/view/kidney-nephron-anatomy-vector-illustration-diagram-scheme/907993796

5) https://courses.lumenlearning.com/boundless-ap/chapter/physiology-of-the-kidneys/

6) http://study.zum.com/book/13271

7) https://www.indiamart.com/proddetail/kidney-transplantation-18748562012.html

8) https://terms.naver.com/entry.nhn?docId=927792&cid=51007&categoryId=51007

신장 (콩팥, Kidney) End

BioinformaticsAndMe

[Python] PyMongo collection 만들기 Start

BioinformaticsAndMe

MongoDB Collection 생성

: MongoDB 콜렉션(Collection)을 생성하기 위해, 데이터베이스 오브젝트를 사용하여 만들고자 하는 콜렉션 이름을 지정

: MongoDB는 지정된 콜렉션 이름이 존재하지 않았다면, 바로 콜렉션을 생성함

# 'customers'라 불리는 콜렉션 생성
import pymongo
myclient = pymongo.MongoClient('mongodb://localhost:27017/')
mydb = myclient['mydatabase']
mycol = mydb["customers"]

: MongoDB 콜렉션은 SQL database인 RDBMS의 Table의 위치에 있음

Collection 존재 확인

: MongoDB에서 콜렉션은 Content를 얻을 때까지 생성되지 않음

: 따라서, Document를 먼저 생성해야지만, 콜렉션의 존재를 확인할 수 있음

# 데이터베이스에 포함된 모든 콜렉션 출력
import pymongo
myclient = pymongo.MongoClient('mongodb://localhost:27017/')
mydb = myclient['mydatabase']
mycol = mydb["customers"]
print(mydb.list_collection_names())
['customers']

# 특정 콜렉션이 존재하는지 확인 (앞서 생성한 'customers')
import pymongo
myclient = pymongo.MongoClient('mongodb://localhost:27017/')
mydb = myclient['mydatabase']
collist = mydb.list_collection_names()
if "customers" in collist:
  print("The collection exists.")
The collection exists.

#Reference

1) https://www.w3schools.com/python/python_mongodb_getstarted.asp

2) https://www.educba.com/what-is-mongodb/

[Python] PyMongo collection 만들기 End

BioinformaticsAndMe