BioinformaticsAndMe

[R] Circos plot Start

BioinformaticsAndMe

Circos plot

: Circos plot은 보유한 데이터를 종합적으로 보여주기 위한 시각화 방법

: 데이터를 원형 레이아웃으로 시각화하여, 특정 정보 사이의 위치 관계를 탐색하기에 유리함

: R 패키지 'OmicCircos'를 통해, 오믹스 데이터 간의 관계를 Circos plot으로 나타냄

: http://bioconductor.org/packages/release/bioc/html/OmicCircos.html

1. 데이터 준비

1) 패키지 설치 및 데이터 로딩
options(stringsAsFactors = F)
source("https://bioconductor.org/biocLite.R")
biocLite("OmicCircos")
library("OmicCircos")

data("UCSC.hg19.chr")
data("TCGA.BC.gene.exp.2k.60")
dat <- UCSC.hg19.chr

dat$chrom <- gsub("chr", "",dat$chrom)
dat[dat[,1]==1,]

2) 시뮬레이션 데이터 생성
colors <- rainbow(10, alpha = 0.8)    #alpha : 투명도
lab.n <- 50
cnv.n <- 200
arc.n <- 30
fus.n <- 10

arc.d <- c()
for(i in 1:arc.n){
  chr <- sample(1:19, 1)
  chr.i <- which(dat$chrom == chr)
  chr.arc <- dat[chr.i,]
  arc.i <- sample(1:nrow(chr.arc), 2)
  arc.d <- rbind(arc.d, 
                 c(chr.arc[arc.i[1], c(1,2)], 
                   chr.arc[arc.i[2], c(2,4)]))
}
colnames(arc.d) <- c("chr", "start", "end", "value")

2-1) Gene funsion 시뮬레이션 데이터
fus.d <- c()
for(i in 1:fus.n){
  chr1 <- sample(1:19, 1)
  chr2 <- sample(1:19, 1)
  chr1.i <- which(dat$chrom == chr1)
  chr2.i <- which(dat$chrom == chr2)
  chr1.f <- dat[chr1.i,]
  chr2.f <- dat[chr2.i,]
  fus1.i <- sample(1:nrow(chr1.f), 1)
  fus2.i <- sample(1:nrow(chr2.f), 1)
  n1 <- paste0("geneA", i)
  n2 <- paste0("geneB", i)
  fus.d <- rbind(fus.d, c(
    chr1.f[fus1.i, c(1,2)], n1,
    chr2.f[fus2.i, c(1,2)], n2
  ))
}
colnames(fus.d) <- c("chr1","po1","gene1","chr2","po2","gene2")

2-2) Copy number 시뮬레이션 데이터
cnv.i <- sample(1:nrow(dat), cnv.n)
vale <- rnorm(cnv.n)
cnv.d <- data.frame(dat[cnv.i,c(1,2)], value=vale)

2-3) Genomic position 시뮬레이션 데이터
gene.pos <- TCGA.BC.gene.exp.2k.60[,1:3]

2-4) Gene expression 시뮬레이션 데이터
gene.exp <- TCGA.BC.gene.exp.2k.60

2-5) p-value 시뮬레이션 데이터
gene.pos$p <- rnorm(250,0.01,0.001)*
  sample(c(1,0.5,0.01,0.001,0.0001),250,replace=TRUE)

2. Circos plot 그리기

1) 염색체 그리기
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=T, print.chr.lab = T)    #R : 반지름,   W : 원형 너비

2) 같은 높이의 bar chart 그리기
par(mar=c(1,1,1,1))
plot(c(1,800),c(1,800),type="n",axes=FALSE,xlab="",ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=T, print.chr.lab = T)
circos(R=355, cir="hg19", type="b3", W=40, mapping=cnv.d, B=T, col=colors[7])    #b3 : 같은 높이의 형태로 bar chart 생성

3) 고정된 반지름을 점으로 표시
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=TRUE, print.chr.lab=TRUE)
circos(R=355, cir="hg19", type="b3", W=40, mapping=cnv.d, B=TRUE, col=colors[7])
circos(R=355, cir="hg19", type="s2", W=40, mapping=cnv.d, B=FALSE, col=colors[1], cex=0.5)    #s2 : 고정된 반지름 점 표시

4) 고정된 반지름으로 원호 그리기
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=TRUE, print.chr.lab=TRUE, cex=14)
circos(R=355, cir="hg19", type="b3", W=40, mapping=cnv.d, B=TRUE, col=colors[7])
circos(R=355, cir="hg19", type="s2", W=40, mapping=cnv.d, B=FALSE, col=colors[1], cex=0.5)
circos(R=320, cir="hg19", type="arc2", W=35, mapping=arc.d, B=TRUE, col=colors, lwd=10, cutoff=0)
#color는 matrix의 row 순서대로 들어감

5) cutoff value 반대편에 bar chart 그리기
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=TRUE, print.chr.lab=TRUE)
circos(R=355, cir="hg19", type="b3", W=40, mapping=cnv.d, B=TRUE, col=colors[7])
circos(R=355, cir="hg19", type="s2", W=40, mapping=cnv.d, B=FALSE, col=colors[1], cex=0.5)
circos(R=320, cir="hg19", type="arc2", W=35, mapping=arc.d, B=TRUE, col=colors, lwd=10) 
circos(R=280, cir="hg19", type="b2", W=40, mapping=cnv.d, B=TRUE, col=colors[c(5,9)], lwd=2, cutoff=-0.2, col.v=3)
#col.v : 값이 있는 칼럼 위치,    cutoff : +이상값제외/-이하값제외

6) type 파라미터를 계속해서 추가해주면서, Circos plot을 그려나감
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=TRUE, print.chr.lab=TRUE)
circos(R=355, cir="hg19", type="b3", W=40, mapping=cnv.d, B=TRUE, col=colors[7])
circos(R=355, cir="hg19", type="s2", W=40, mapping=cnv.d, B=FALSE, col=colors[1], cex=0.5)
circos(R=320, cir="hg19", type="arc2", W=35, mapping=arc.d, B=TRUE, col=colors, lwd=10, cutoff=0)
circos(R=280, cir="hg19", type="b2", W=40, mapping=cnv.d, B=TRUE, col=colors[c(7,9)], lwd=2, cutoff=-0.2, col.v=3)
circos(R=240, cir="hg19", type="arc", W=40, mapping=arc.d, B=TRUE, col=colors[c(1,7)], lwd=4, scale=TRUE, col.v=4)
circos(R=200, cir="hg19", type="box", W=40, mapping=cnv.d, B=TRUE, col=colors[1], lwd=0.1, scale=TRUE, col.v=3)
circos(R=160, cir="hg19", type="h", W=40, mapping=cnv.d, B=FALSE, col=colors[3], lwd=0.1, col.v=3)
circos(R=120, cir="hg19", type="link", W=10, mapping=fus.d, col=colors[c(1,7,9)], lwd=2)

7) 바깥쪽으로 Label을 두고 그리기
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=300, cir="hg19", type="chr", W=10, scale=FALSE, print.chr.lab=FALSE)
circos(R=310, cir="hg19", type="label", W=40, mapping=gene.pos, col=c("black","blue","red"), cex=0.4, side="out")
circos(R=250, cir="hg19", type="b3", W=40, mapping=cnv.d, B=TRUE, col=colors[7])
circos(R=250, cir="hg19", type="s2", W=40, mapping=cnv.d, B=FALSE, col=colors[1], cex=0.5)
circos(R=220, cir="hg19", type="arc2", W=30, mapping=arc.d, B=TRUE, col=colors, lwd=10, cutoff=0)
circos(R=190, cir="hg19", type="b2", W=30, mapping=cnv.d, B=TRUE, col=colors[c(7,9)], lwd=2, cutoff=-0.2, col.v=3)
circos(R=160, cir="hg19", type="arc", W=30, mapping=arc.d, B=TRUE, col=colors[c(1,7)], lwd=4, scale=TRUE, col.v=4)
circos(R=130, cir="hg19", type="box", W=30, mapping=cnv.d, B=TRUE, col=colors[1], lwd=0.1, scale=TRUE, col.v=3)
circos(R=100, cir="hg19", type="h", W=30, mapping=cnv.d,B=FALSE, col=colors[3], lwd=0.1, col.v=3)
circos(R=90, cir="hg19", type="link", mapping=fus.d, col=colors[c(1,7,9)], lwd=2)

6) Heatmap circos plot 그리기
par(mar=c(1,1,1,1))
plot(c(1,800), c(1,800), type="n", axes=FALSE, xlab="", ylab="")
circos(R=400, cir="hg19", type="chr", W=10, scale=FALSE, print.chr.lab=T)
circos(R=300, cir="hg19", type="heatmap2", W=100, mapping=gene.exp, col.v=4, cluster=F, col.bar=T, lwd=0.1, col="green")
circos(R=200, cir="hg19", type="s", W=100, mapping=gene.pos, col.v=4, col=colors, scale=TRUE, B=TRUE)
sig.gene <- gene.pos[gene.pos$p<0.000001,]
circos(R=190, cir="hg19", type="label", W=40, mapping=sig.gene, col=c("black","blue","red"), cex=0.4, side="in")

#Reference

1) http://circos.ca/

2) Hu, Ying, et al. "OmicCircos: a simple-to-use R package for the circular visualization of multidimensional omics data." Cancer informatics 13 (2014): CIN-S13495.

3) http://felixfan.github.io/circos/

4) http://bioconductor.org/packages/release/bioc/html/OmicCircos.html

[R] Circos plot End

BioinformaticsAndMe

[Real time PCR] 실시간 중합효소연쇄반응 Start

BioinformaticsAndMe

1. Real time PCR (=qPCR;quantitative PCR)

: Real time PCR(실시간 PCR)은 사이클마다 증폭된 산물의 양을 실시간으로 정량 확인하는 실험법

: 일반적으로 유전자 발현을 측정하는 데 사용

: 미세한 발현 변화를 탐지에는 효과적이지만, 대규모 RNA 연구에는 적합하지 않음

→대규모 RNA 연구는 Microarray 또는 RNAseq 추천

: Real time PCR은 타겟하는 유전자 서열이 필요하기에, 알려진 유전자 연구만 가능함

2. Real time PCR 과정

1) 역전사(Reverse transcription)를 통해, RNA를 cDNA(complementary DNA)로 변환

2) 특정 유전자를 증폭하고 탐지하기 위해, Fluorescent reporter 및 PCR 반응을 사용

*Fluorescent reporter

-SYBR Green probe: 형광을 띠는 삽입 물질인 SYBR Green을 넣고 PCR 수행

-Taqman probe: 형광물질과 형광활성억제물질이 끝에 붙은 탐침으로 PCR 수행

3) SYBR Green probe 또는 Taqman probe를 사용하여, 증폭 산물을 실시간으로 정량함

[Real time PCR] 실시간 중합효소연쇄반응 End

BioinformaticsAndMe

줄기세포 (Stem cell) Start

BioinformaticsAndMe

1. 줄기세포 (Stem cell)

: 줄기세포는 신체의 고유한 세포 형태로 발달할 수 있는 세포

: 신체가 성장하면서, 새로운 세포를 제공하고 손상된 세포를 대체함

: 줄기세포는 새로운 세포를 생성하기 위해, 반복적으로 분열함

- 골수/소장 줄기세포는 주기적으로 분열

- 전립선/심장 줄기세포는 특수 상황에서 분열

: 분열을 거듭하면서, 몸을 구성하는 다른 형태의 세포로 전환 가능

2. 줄기세포 종류

: 줄기세포 종류에 따라 특징적인 분화능을 갖음

ㄱ) 전능성(Totipotency) - 배아의 모든 세포 또는 개체를 형성할 수 있는 분화능

ㄴ) 만능성(Pluripotency) - 포배의 Inner cell mass에서 유래하여, 성체의 모든 세포로 가는 분화능 (영양막 제외)

ㄷ) 다분화성(Multipotent) - 몇 종류의 세포로 분화 가능한 성체 줄기세포 (조혈/유방 줄기세포)

ㄹ) 이분화성(Bipotent) - 두 종류의 세포로 분화 가능한 줄기세포

ㅁ) 단일분화성(Unipotent) - 한 종류의 특정 세포로 분화 가능한 줄기세포 (정원세포)

: 줄기세포에는 3가지 종류가 존재함

- 배아를 통해 다양한 종류의 세포로 분화할 수 있는 전분화능 줄기세포(Pluripotent stem cell)

- 포배의 Inner cell mass에서 유래

- 조직 거부 현상 발생

- 배아 사용에 관한 윤리적 문제 존재

- 개체가 자라면서 손상된 세포를 대체하고 새로운 세포를 공급하는 다분화능 줄기세포(Multipotent stem cell)

- 신체 각 조직에 산재되어 소량만이 존재함

- 본인 세포를 이식하기에 조직 거부 X

- 피부줄기세포는 피부, 후각신경세포는 후각신경세포로 분화되도록 정해짐

- 인간 체세포를 배아줄기세포와 같은 줄기세포로 역분화

- ‘유도’란 피부/혈액세포의 성체세포를 취하여, 줄기세포가되도록 재프로그래밍함을 의미함

- 배아줄기세포와 같이 만능이므로 모든 세포 유형으로 발달 가능

- iPSC 생성을 위해서는, 배아줄기세포 특이적으로 발현되는 전사인자들을 사용함(Oct4, Sox2, Klf4, c-Myc)

#Reference

1) https://www.yourgenome.org/facts/what-is-a-stem-cell

2) https://ko.wikipedia.org/wiki/%EC%A4%84%EA%B8%B0%EC%84%B8%ED%8F%AC

3) https://peerj.com/articles/4370/

줄기세포 (Stem cell) End

BioinformaticsAndMe

신경교세포 (Neuroglia cell) Start

BioinformaticsAndMe

신경교세포 (=교세포;신경아교세포;아교세포)

: 신경교세포(Neuroglia;Glial cell)는 중추 신경계 조직을 지탱하는 세포

: 뉴런에 필요한 물질을 조절하며, 적합한 화학적 환경을 위한 항상성 유지

: 정보를 전달하는 뉴런과는 달리, 신경교세포는 정보전달 기능이 없음

: 뉴런과 다르게, 신경교세포는 손실 후 회복 가능 (뇌에 발생하는 암은 뉴런이 아닌, 교세포)

: 신경교세포는 신경계의 약 90%를 구성

1. Neuroglia in the CNS

: 중추 신경계(Central Nervous System)에는 4가지 신경교세포가 존재

ㄱ) 성상세포(Astrocyte)

- 혈액뇌장벽(Blood-Brain Barrier;BBB)을 유지하고 화학적 항상성을 유지

- 혈액에서 포도당을 흡수해 뉴런에 공급

- 뉴런들을 지탱함

ㄴ) 희소돌기세포(Oligodendrocyte)

- 중추 신경계 수초(Myelin sheath)를 형성

- 한 개 세포가 여러 축삭을 감싸고 있음

ㄷ) 뇌실세포(상의세포;Ependymal cell)

- 뇌척수액(Cerebrospinal fluid)을 생산하고, 섬모를 통해 뇌척수액이 흐르게 함

- 신경 줄기세포(Neural stem cell) 역할 수행

ㄹ) 소교세포(Microglia)

- 중추 신경계의 면역 세포 역할을 함

- 식균 작용을 통해, 세포 파편/병원균 제거

2. Neuroglia in the PNS

: 말초 신경계(Peripheral Nervous System)에는 2가지 신경교세포가 존재

ㄱ) 슈반세포(Schwann cell)

- 말초 신경계 수초를 형성함

- 한 개 세포가 한 개 축삭을 감싸고 있음

ㄴ) 위성세포(Satellite cell)

- 신경절(Ganglion)의 신경세포체를 둘러 감싸서 보호

- 뉴런 주변의 영양소 및 신경 전달 물질을 조절

#Reference

1) https://namu.wiki/w/%EA%B5%90%EC%84%B8%ED%8F%AC

2) http://www.aistudy.com/physiology/brain/glia_cell.htm

3) https://www.onlinebiologynotes.com/nervous-tissue-neuron-neuroglia/

4) https://ib.bioninja.com.au/options/option-a-neurobiology-and/a1-neural-development/types-of-neuroglia.html

5) https://www.youtube.com/watch?v=AwES6R1_9PM

신경교세포 (Neuroglia cell) End

BioinformaticsAndMe

2020 한국유전체학회 동계 심포지엄 워크샵 포스터.pdf

#한국유전체학회 동계심포지엄 워크샵 신청 홈페이지

http://kogo.or.kr/Conference/ConferenceRegistration.asp?AC=2&CODE=CI20191101&CpPage=R#CONF

2020년_상반기_질병관리본부_공무직_모집_공고.hwp

2020년_상반기_질병관리본부_공무직_모집_공고.pdf

1. 자격요건, 등급, 수행업무

* ①자격요건과 ②등급에 해당하는 자격기준을 모두 충족하는 경우 지원 가능

< 등급별 자격기준 >

○ 채용 후 3개월간의 시용기간을 두며, 부서평가를 통하여 결격사유 및 평가결과에 따라 계약 종료될 수 있음

○ 월 기본급 한계액(2019년 기준)

○ 신규채용자의 월 기본급은 우선 2019년 하한액(1호봉)으로 하되, 호봉 획정 시 군복무기간 및 유사경력 등을 별도 반영

- 다만, 2020년 임금협상이 진행 중으로 임금이 결정되면, 이에 따라 별도 소급하여 지급 예정

- 기본급과 별도로 정액급식비, 명절상여금 등 내부규정에 의해 별도 지급

- 책임공무직 중 의사에게는 부가연봉 지급 (700,000원/월)

         ○ 상기 자격기준에 해당하는 경력 외 추가 경력에 대한 인정비율은 「질병관리본부 공무직 등 근로자 관리규정」의 유사경력 인정표 준용

2. 제출서류

○ 응시원서 1부(양식 이용, 반명함판 사진부착, 자필작성)

○ 이력서(양식 이용)

○ 자기소개서(양식 이용)

○ 성적증명서(대학원, 학부)

○ 남자의 경우 병역사항이 기재된 주민등록초본 1부

○ 최종학위증명서 또는 졸업증명서

※ 최종학위를 자격기준으로 하지 않을 경우, 자격기준에 해당하는 학위증명서 추가 제출

○ 경력(재직) 증명서(건강보험납입확인서·국민연금가입증명서는 미 인정, 이력서상의 경력일자와 동일, 상근/비상근 여부, 담당업무 및 발급담당자 연락처 기재)

○ 최근연구실적(선택사항, 응시원서 접수 시 논문 초록 또는 요약본만 제출)

○ 등록장애인 및 북한이탈주민 증명서, 국가유공자확인서(해당자에 한함)

○ 개인정보 수집‧이용 동의서 1부

              ※ 사본제출을 명기하지 않은 모든 서류는 원본 제출을 원칙으로 하며, 부득이 사본 제출 시에는 원본을 지참한 경우에 한하여 인정

(우편접수자의 경우 면접 시 원본지참)

3. 채용 시 우대사항(응시원서 내 가산특전해당유무 표시)

○ 등록장애인 및 북한이탈주민

○ 국가유공자(유족포함)

4. 응시원서 및 서류접수 일정

○ 기 간 : 2019. 12. 23.(월) ~ 2020. 1. 6.(월)

○ 접수방법 : 우편(등기) 또는 방문 접수

            - 제출처 : 충청북도 청주시 흥덕구 오송읍 오송생명2로 187 오송보건의료행정타운

                                    질병관리본부 1동 210호 (운영지원팀), 우편번호 : 28159

※ 서류 봉투에 반드시 “공무직 응시원서 재중” 표기

※ 마감시간(2020년 1월 6일 18:00) 도착분에 한하며, E-mail 접수는 받지 않음.

5. 전형일시

○ 서류전형 : 2020. 1. 14. (화) 예정

    - 단, 응시분야별 응시인원이 선발예정인원의 3배수 이상인 때에는 선발예정인원의 3배수를 합격자로 결정, 서류전형 합격자에 대한 개별통지 예정(1.17(금) 예정)

 ○ 면접시험 : 2020. 1. 21. (화) 예정

    - 일시 및 장소 : 서류전형 합격자에 한해 면접시험을 실시하며, 합격자에 대한 개별통지 예정

※ 상기일정은 기관 사정에 따라 변경될 수 있음

6. 합격자 발표

                    ○ 2020. 1. 29.(수)(예정) 질병관리본부 홈페이지(www.cdc.go.kr) 게시 및 개별 통보

※ 최종합격자가 임용을 포기하는 등의 사정으로 결원을 보충할 필요가 있는 때에는 합격자 발표일로부터 3개월 이내에 불합격 기준에 해당하지 아니하는 사람 중에서 면접시험 평정성적 우수자 순으로 추가 합격자를 결정할 수 있음

7. 기타 유의사항

            ○ 제출된 서류는 일체 반환하지 아니하며, 응시원서상의 기재 착오 또는 누락이나 연락불능, 합격자발표

 미확인 등으로 인한 불이익은 응시자의 책임이 되니, 합격자 발표일 등 시험일정과 합격여부는 반드시 확인하시기 바라며, 추후 허위사실이 발견될 때에는 합격 또는 임용을 취소합니다.(제출서류 미비 시 접수 불가)

 ※경력인정 관련사항 : 시간강사 및 산학협력단 등에서 발급된 연구참여실적(연구보조는 해당없음) 경력은 50% 인정,

동일기간에 대해 중복인정 불가

            ○ 시험시행결과 채용계획에 합당한 적격자가 없을 경우에는 선발하지 아니할 수 있으며, 합격자 통지 후라도

 신원조사 및 채용신체검사 등을 통하여 임용하기 부적합한 결격사유가 있을 경우 임용하지 않을 수 있습니다.

              ○ 응시원서는 다른 모집단위에 중복으로 지원 불가합니다. 

  ○ 졸업예정자의 경우 아래 서류 모두 제출 시 원서 접수 가능

① 학위취득예정증명서 또는 졸업예정증명서

② 전체 학기 성적 표시된 성적증명서 

  ○ 우편접수 확인은 우편발송 익일 오후(16:00~18:00)에 ☎043-719-7036로 문의하여 주시고, 해외에서 우편 발송 시 수취인 연락처(043-719-7036) 기재 바랍니다. 

  ○ 기타 문의사항은 질병관리본부 운영지원팀(☎043-719-7036)로 문의하시기 바랍니다.

#질병관리본부 채용 홈페이지

https://www.cdc.go.kr/board/board.es?mid=a20506000000&bid=0018&list_no=365538&act=view

페닐케톤뇨증 (Phenylketonuria) Start

BioinformaticsAndMe

1. 페닐케톤뇨증 (Phenylketonuria;PKU)

: 페닐알라닌 산물이 몸 안에 쌓여. 지능장애/담갈색모발/피부색소결핍을 유발하는 상염색체 열성 질환

#Reference

1) http://www.samsunghospital.com/home/healthInfo/content/contenView.do?CONT_SRC_ID=09a4727a8000f362&CONT_SRC=CMS&CONT_ID=2854&CONT_CLS_CD=001020001015

2) http://www.amc.seoul.kr/asan/healthinfo/disease/diseaseDetail.do?contentId=32402

3) http://www.snuh.org/health/nMedInfo/nView.do?category=DIS&medid=AA000089

4) https://emedicine.medscape.com/article/947781-overview

5) https://ghr.nlm.nih.gov/condition/phenylketonuria

6) https://slideplayer.com/slide/9718930/

페닐케톤뇨증 (Phenylketonuria) End

BioinformaticsAndMe

효소 (Enzyme) Start

BioinformaticsAndMe

1. 효소 (Enzyme)

: 효소는 기질과 복합체(Enzyme Substrate complex)를 형성하여, 활성화에너지를 낮추는 단백질 촉매

*활성화에너지(Activation energy) - 화학반응 발생의 필요한 에너지

*기질과 산물의 에너지 준위는 일정

: 효소는 효율적으로 촉매할 수 있는 고유의 온도와 pH가 있음

: 촉매의 특성을 갖는 효소는 화학 반응 후 효소 자체의 변화는 없음

: 동종효소(Isozyme)는 기질결합부위의 서열은 다르지만, 같은 대사과정에 관여함

2. 효소 종류

1) 산화환원효소(Oxidoreductase) - 산화환원 반응을 촉매

2) 전이효소(Transferase) - 메틸기/인산기와 같은 한 기질 작용기를 다른 기질로 옮기는 반응을 촉매

3) 가수분해효소(Hydrolase) - 물을 첨가하여 기질을 분해하는 반응을 촉매

4) 분해효소(Lyase) - 다양한 화학 결합의 절단 반응을 촉매

5) 이성질화효소(Isomerase) - 단일 분자 내 원자 배열을 바꾸어 이성질체 생성 반응을 촉매

6) 연결효소(Ligase) - 두 개의 기질을 서로 연결시키는 반응을 촉매

#Reference

1) https://ko.wikipedia.org/wiki/%ED%9A%A8%EC%86%8C

2) https://biologydictionary.net/enzyme-substrate-complex/

3) https://namu.wiki/w/%ED%9A%A8%EC%86%8C

4) https://slideplayer.com/slide/9892933/

5) https://study.com/academy/lesson/enzyme-inhibitor-definition-examples-quiz.html

6) https://tuitiontube.com/the-michaelis-menten-equation/

7) http://orgchem.tsu.ru/enzyme/Lineweaver-Burk%20plot.htm

효소 (Enzyme) End

BioinformaticsAndMe

헬스케어 챗봇(ChatBot) Start

BioinformaticsAndMe

: https://www.safeinbreastfeeding.com/safedrugbot-chatbot-medical-assistant/

: https://www.healthtap.com/

5. 핑거앤

: 핑거앤은 당뇨환자들을 위한 혈당관리 도우미 앱으로 혈당측정기 연결이 가능함

: 혈당/복용약/인슐린투여/식사/운동습관을 입력하면, 챗봇이 혈당관리를 조언

: 보험회사는 당뇨발병률 감소를 위해, 핑거앤 사용자에게 보험료 혜택 프로그램 제안

6. Intuition Robotics

: Intuition Robotics는 노인들과 대화하는 챗봇 ‘엘리큐(Elli.Q)’를 개발

: 엘리큐는 사회적 고립감을 느끼지 않도록 노인들과 대화하고, 약 복용을 관리함

: 노인들이 건강한 생활을 유지하도록, 독서/산책/게임 등을 권유하거나 친구/가족에게 전화를 걸도록 제안

#Reference

1) http://www.bioin.or.kr/InnoDS/data/upload/tech/d49fbe8a11c443728f32b9248e655cd9.pdf

2) https://namu.wiki/w/%EC%B1%97%EB%B4%87

3) https://medicalfuturist.com/top-12-health-chatbots/

7) https://www.sensely.com/

8) https://www.youtube.com/watch?v=AU1nGpOmZpQ#action=share

9) www.bioin.or.kr/fileDown.do?seq=31441

10) http://www.fingern.co.kr/

11) http://www.wolyo.co.kr/news/articleView.html?idxno=47595

12) http://www.irobotnews.com/news/articleView.html?idxno=9629

13) https://intuitionrobotics.com/

14) https://www.youtube.com/watch?v=URcuVfzwB4g#action=share

헬스케어 챗봇(ChatBot) End

BioinformaticsAndMe

[TensorFlow] 심장질환 예측 Start

BioinformaticsAndMe

[TensorFlow] 심장질환 예측

# 분석에 필요한 라이브러리 로딩
!pip install tensorflow-gpu==2.0.0-alpha0
import numpy as np
import tensorflow as tf
from tensorflow import keras
import pandas as pd
import seaborn as sns
from pylab import rcParams
import matplotlib.pyplot as plt
from matplotlib import rc
from google.colab import drive
from sklearn.model_selection import train_test_split

%matplotlib inline
sns.set(style='whitegrid', palette='muted', font_scale=1.5)
rcParams['figure.figsize'] = 14, 8
RANDOM_SEED = 42
np.random.seed(RANDOM_SEED)

# 구글드라이브 마운트 및 파일경로 지정
drive.mount("/content/drive")
heart_csv_path = "/content/drive/My Drive/Colab Notebooks/tensorflow-2/data/heart.csv"              

# 데이터 로딩 후, 출력
data = pd.read_csv(heart_csv_path)
data.describe()
#age - 나이
#sex - (1 = 남성; 0 = 여성)
#cp - 가슴 통증 유형(0, 1, 2, 3, 4)
#trestbps - 안정 혈압(병원 입원시 mm Hg)
#chol - 혈청 콜레스테롤(mg/dl)
#fbs - (공복 혈당 > 120 mg/dl)(1 = true; 0 = false)
#restecg - 안정 심전도 결과(0, 1, 2)
#thalach - 최대 심박동수
#exang - 협심증 유발 운동(1 = yes; 0 = no)
#oldpeak - 비교적 안정되기까지 운동으로 유발되는 ST depression
#slope - 최대 운동 ST segment의 기울기
#ca - 형광 투시된 주요 혈관의 수(0-3)
#thal - (3 = 보통; 6 = 해결된 결함; 7 = 해결가능한 결함)
#target - 심장병 진단(1 = true; 0 = false)

# 데이터 구조 확인
data.shape
(303, 14)

# 데이터 변수 확인
data.columns
Index(['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach',
       'exang', 'oldpeak', 'slope', 'ca', 'thal', 'target'],
      dtype='object')

# 303명의 환자에서 심장병 유무를 확인
f = sns.countplot(x='target', data=data)
f.set_title("Heart disease presence distribution")
f.set_xticklabels(['No Heart disease', 'Heart Disease'])
plt.xlabel("")

# 303명의 환자에서 심장병 유무를 남녀로 나누어 확인
f = sns.countplot(x='target', data=data, hue='sex')
plt.legend(['Female', 'Male'])
f.set_title("Heart disease presence by gender")
f.set_xticklabels(['No Heart disease', 'Heart Disease'])
plt.xlabel("");

# 변수(Feature) 사이에서의 상관관계 정도를 Heatmap으로 구현
# +1에 가까울수록, positive correlation
# -1에 가까울수록, negative correlation
heat_map = sns.heatmap(data.corr(method='pearson'), annot=True, fmt='.2f', linewidths=2)
heat_map.set_xticklabels(heat_map.get_xticklabels(), rotation=45);

# feater column은 'raw 데이터'와 '모델링하는 데이터'를 연결짓는 브릿지 역할
feature_columns = []

# 수치형 열(Numeric col)은 실수값을 변형시키지 않고 그대로 전달
for header in ['age', 'trestbps', 'chol', 'thalach', 'oldpeak', 'ca']:
  feature_columns.append(tf.feature_column.numeric_column(header))

# 버킷형 열(Bucketized column)은 수치값을 구간을 나누어 범주형으로 변환
age = tf.feature_column.numeric_column("age")
age_buckets = tf.feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65])
feature_columns.append(age_buckets)

# 범주형 열(Categorical column)은 특정 문자열을 수치형으로 매핑하여 전달
data["thal"] = data["thal"].apply(str)
thal = tf.feature_column.categorical_column_with_vocabulary_list(
      'thal', ['3', '6', '7'])
thal_one_hot = tf.feature_column.indicator_column(thal)
feature_columns.append(thal_one_hot)

data["sex"] = data["sex"].apply(str)
sex = tf.feature_column.categorical_column_with_vocabulary_list(
      'sex', ['0', '1'])
sex_one_hot = tf.feature_column.indicator_column(sex)
feature_columns.append(sex_one_hot)

data["cp"] = data["cp"].apply(str)
cp = tf.feature_column.categorical_column_with_vocabulary_list(
      'cp', ['0', '1', '2', '3'])
cp_one_hot = tf.feature_column.indicator_column(cp)
feature_columns.append(cp_one_hot)

data["slope"] = data["slope"].apply(str)
slope = tf.feature_column.categorical_column_with_vocabulary_list(
      'slope', ['0', '1', '2'])
slope_one_hot = tf.feature_column.indicator_column(slope)
feature_columns.append(slope_one_hot)


# 임베딩 열(Embedding column)은 범주형 열에 가능한 값이 많을 때 사용
thal_embedding = tf.feature_column.embedding_column(thal, dimension=8)
feature_columns.append(thal_embedding)

# 교차특성 열(Crossed column)은 여러 특성을 연결하여 하나의 특성으로 만듦
age_thal_crossed = tf.feature_column.crossed_column([age_buckets, thal], hash_bucket_size=1000)
age_thal_crossed = tf.feature_column.indicator_column(age_thal_crossed)
feature_columns.append(age_thal_crossed)

cp_slope_crossed = tf.feature_column.crossed_column([cp, slope], hash_bucket_size=1000)
cp_slope_crossed = tf.feature_column.indicator_column(cp_slope_crossed)
feature_columns.append(cp_slope_crossed)

# Pandas 데이터프레임 → Tensorlfow 데이터셋
def create_dataset(dataframe, batch_size=32):
  dataframe = dataframe.copy()
  labels = dataframe.pop('target')
  return tf.data.Dataset.from_tensor_slices((dict(dataframe), labels)) \
          .shuffle(buffer_size=len(dataframe)) \
          .batch(batch_size)

# 전체데이터를 Training set과 Test set으로 나누기
train, test = train_test_split(data, test_size=0.2, random_state=RANDOM_SEED)
train_ds = create_dataset(train)
test_ds = create_dataset(test)

# 오버피팅을 줄이기 위해, Dense layer 사이에 Dropout layer 배치
model = tf.keras.models.Sequential([
  tf.keras.layers.DenseFeatures(feature_columns=feature_columns),
  tf.keras.layers.Dense(units=128, activation='relu'),
  tf.keras.layers.Dropout(rate=0.2),
  tf.keras.layers.Dense(units=128, activation='relu'),
  tf.keras.layers.Dense(units=1, activation='sigmoid')
])

# 모델 컴파일 후, 학습되면서 생기는 손실과 정확도 지표 출력
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_ds, validation_data=test_ds, epochs=100, use_multiprocessing=True)

# model.evaludate 함수로 Test set 정확도 평가
model.evaluate(test_ds)
2/2 [==============================] - 0s 23ms/step - loss: 0.3431 - accuracy: 0.8852
[0.3430721387267113, 0.8852459]

# 모델의 정확도 시각화
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.ylim((0, 1))
plt.legend(['train', 'test'], loc='upper left');

# 모델의 손실 시각화
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

# 만들어진 DNN 모델로 심장질환을 예측
# 앞서 얻은 accuracy에 상관없이, precision/recall/f1-score가 높지 않음을 확인
*precision = 정밀도
*recall = 재현율
*f1-score = 정밀도와 재현율의 조화 평균
from sklearn.metrics import classification_report, confusion_matrix
predictions = model.predict(test_ds)
bin_predictions = tf.round(predictions).numpy().flatten()
print(classification_report(y_test.values, bin_predictions))
              precision    recall  f1-score   support

           0       0.59      0.66      0.62        29
           1       0.66      0.59      0.62        32

   micro avg       0.62      0.62      0.62        61
   macro avg       0.62      0.62      0.62        61
weighted avg       0.63      0.62      0.62        61

# Confusion matrix(혼동 행렬)로 결과 시각화
class_names = [0,1]
fig,ax = plt.subplots()
tick_marks = np.arange(len(class_names))
plt.xticks(tick_marks,class_names)
plt.yticks(tick_marks,class_names)

sns.heatmap(pd.DataFrame(cnf_matrix),annot=True,cmap="Blues",fmt="d",cbar=False)
ax.xaxis.set_label_position('top')
plt.tight_layout()
plt.ylabel('Actual label')
plt.xlabel('Predicted label');

#Reference

1) https://towardsdatascience.com/heart-disease-prediction-in-tensorflow-2-tensorflow-for-hackers-part-ii-378eef0400ee

2) https://colab.research.google.com/drive/13EThgYKSRwGBJJn_8iAvg-QWUWjCufB1

3) https://www.kaggle.com/ronitf/heart-disease-uci

4) https://www.tensorflow.org/tutorials/structured_data/feature_columns

5) https://locslab.github.io/Tensorflow-feature-columns(1)/

[TensorFlow] 심장질환 예측 End

BioinformaticsAndMe