BioinformaticsAndMe

체온조절 (Thermoregulation) Start

BioinformaticsAndMe

1. 체온조절 (Thermoregulation)

: 유기체가 주위 온도에 상관없이, 특정 범위 내에서 자신의 체온을 보존하는 능력 (항상성)

: 물질대사로 얻은 열을 이용해서 체온을 안정적으로 평형상태로 유지함

: 사람의 평균 온도는 37°C ~ 37.8°C이며, 이 사이를 벗어나면 저체온증/뇌손상이 발생함

2. 설정점 (Set point)

: 피부 온도가 높으면 시상하부 설정점 온도를 낮추고, 피부 온도가 낮으면 설정점 온도를 높임

*시상하부(Hypothalamus) - 온도 조절을 제어하는 ​​뇌의 부분

: 시상하부 수용기를 통해, 몸 내부의 온도를 감지하고 설정점 온도 값과 비교함

: 내부 온도가 너무 높음/낮음을 감지하면, 근육/장기/땀샘/신경계에 신호를 전달

→정상 온도로 되돌리도록 다양한 방식으로 반응

#동물의 체온조절 영상

#Reference

1) https://ko.wikipedia.org/wiki/%EC%B2%B4%EC%98%A8%EC%A1%B0%EC%A0%88

2) https://www.healthline.com/health/thermoregulation#takeaway

3) https://courses.lumenlearning.com/wm-nmbiology2/chapter/thermoregulation/

4) https://www.slideshare.net/ngibellini/peter-shepherd-thermoregulation

5) https://www.youtube.com/watch?v=NJEBfl_LKno#action=share

체온조절 (Thermoregulation) End

BioinformaticsAndMe

진핵세포 구조 (Eukaryote structure) Start

BioinformaticsAndMe

1. Nucleus (핵)

: 진핵세포의 핵은 유전물질인 DNA로 구성되어 세포의 기능을 제어함

*전사, 번역 등을 조절

: 이중층의 이중막인 핵막(Nuclear envelope)으로 세포질과의 경계를 구분함

: 핵막은 핵공(Nuclear pores)으로 미세한 물질들을 통과시팀

2. Endoplasmic reticulum (ER;소포체)

: 소포체는 막이 여럿이 겹처진 주름 구조로, 단백질을 가공하여 세포 곳곳으로 전달함

ㄱ) 조면소포체 (거친면소포체;rough ER;rER)

- 소포체 표면에 부착된 리보솜으로 번역되는 폴리펩티드가 소포체 내강으로 들어옴

- 들어온 폴리펩티드에 여러 가공이 수행됨

→ 신호서열절단/당첨가/이황화결합형성

ㄴ) 활면소포체 (매끈면소포체;smooth ER;sER)

- 표면에 리보솜이 붙어 있지 않은 막 구조물

- 조면 소포체에 연결되어 있음

- 지질합성/독성해독/칼슘저장/탄수화물대사 등이 수행됨

3. Golgi apparatus (골지체)

: 여러 개의 납작한 막주머니(Cisterna)로 이루어진 구조

: 조면소포체에 가공한 폴리펩티드를 받아 당 일부를 제거

: 특정한 작용기를 붙여 단백질의 수송 경로 표지

: 식물에서 발견되는 골지체는 딕티오솜(Dictyosome)이라 불림

4. Mitochondria (미토콘드리아)

: 진핵세포에서 가장 큰 소기관으로 세포호흡을 수행

*산화적 인산화로 O2를 소모하며 ATP를 합성

: 미토콘드리아 세포호흡의 과정은 '해당작용/시트르산회로/산화적인산화'의 3단계로 이루어짐

: 미토콘드리아는 고유의 DNA, RNA를 보유

5. Chloroplast (엽록체)

: 식물 진핵세포에서 빛 에너지로 광합성을 수행

: 엽록체는 미토콘드리아와 함께 대표적인 세포내 공생체

: 틸라코이드(Thylakoid), 그라나(Grana]), 스트로마(Stroma) 구조를 가짐

: 리소좀은 자가포식소체(Autophagosome)에 융합하여 오래된 세포 소기관을 파괴함

: 리소좀 내 가수분해효소가 결핍되면, 분해되지 않고 쌓이는 저장병 발생 (테이삭스병;Tay-Sachs disease)

8. Peroxisome (퍼옥시좀)

: 퍼옥시좀은 지방산 β-산화로 생긴 과산화수소를 해독

*세포 내 물질들을 산화시켜 파괴

: 과산화수소를 분해하는 카탈라아제(Catalase) 효소를 보유

: 식물의 글리옥시좀(Glyoxysome)은 광합성이 진행되면, 퍼옥시좀으로 바뀜

#Reference

1) https://www.researchgate.net/figure/Structure-of-eukaryote-cells-1_fig1_241825789

2) https://courses.lumenlearning.com/boundless-biology/chapter/eukaryotic-cells/

3) https://namu.wiki/w/%EC%A7%84%ED%95%B5%EC%83%9D%EB%AC%BC

4) https://biologywise.com/eukaryotic-cell-structure

5) https://biologyeducare.com/difference-between-mitochondria-and-chloroplast/

6) https://ko.wikipedia.org/wiki/%EC%97%BD%EB%A1%9D%EC%B2%B4

7) https://diffzi.com/plant-vacuole-vs-animal-vacuole/

8) https://www.differencebetween.com/difference-between-glyoxysomes-and-peroxisomes/

진핵세포 구조 (Eukaryote structure) End

BioinformaticsAndMe

#BIML 등록 한국생명정보학회 홈페이지

http://www.ksbi.or.kr/workshop/ConfInfo.asp?idx=2

[Python] File Handling Start

BioinformaticsAndMe

File handling

: 파이썬 파일 처리에는 파일 생성/읽기/업데이트/삭제 등의 여러 기능이 존재

: 파일처리를 위해선 2가지 매개변수(파일명, 모드)를 갖는 'open() 함수'를 사용

: 파일 open에는 6가지 모드(mode)가 존재

1) "r" - Read - 파일 읽기(기본값)

2) "a" - Append - 파일 덧붙이기

3) "w" - Write - 파일 쓰기

4) "x" - Create - 특정 파일 생성

5) "t" - Text - 텍스트 모드(기본값)

6) "b" - Binary - 바이너리 모드(이미지 등)

# 파이썬 파일 읽기 예제
f = open("demofile.txt")

# 위 코드와 같음 (기본값이라 생략됨)
f = open("demofile.txt", "rt")

1. 파이썬 Read

demofile.txt

# demofile.txt 파일 읽기
f = open("demofile.txt", "r")
print(f.read())
Hello! Welcome to demofile.txt
This file is for testing purposes.
Good Luck!

# read(숫자)로 반환되는 문자수를 지정할 수 있음
f = open("demofile.txt", "r")
print(f.read(5))
Hello

# readline() 메소드를 통해, 파일의 한 줄만을 반환 
f = open("demofile.txt", "r")
print(f.readline())
Hello! Welcome to demofile.txt

# 파일 처리가 끝난 뒤, 반드시 close() 메소드를 사용함
f = open("demofile.txt", "r")
print(f.readline())
f.close()
Hello! Welcome to demofile.txt

2. 파이썬 Append

# 파일 끝에 덧붙이기
f = open("demofile2.txt", "a")
f.write("Now the file has more content!")
f.close()

# 덧붙여진 파일을 다시 읽고, 결과 확인
f = open("demofile2.txt", "r")
print(f.read())
Hello! Welcome to demofile2.txt
This file is for testing purposes.
Good Luck!Now the file has more content!

3. 파이썬 Write

# 파일 생성하고 쓰기
f = open("demofile3.txt", "w")
f.write("Woops! I have deleted the content!")
f.close()

# 쓰여진 파일을 읽고, 결과 확인
f = open("demofile3.txt", "r")
print(f.read())
Woops! I have deleted the content!

#Reference

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

2) https://data-flair.training/blogs/file-handling-in-python/

[Python] File Handling End

BioinformaticsAndMe

신뢰구간 (Confidence Interval) Start

BioinformaticsAndMe

1. 신뢰 구간(Confidence Interval;CI)

: 신뢰구간은 모수가 실제로 포함될 것으로 예측되는 범위 (Lower limit ~ Upper limit)

: 집단 전체를 연구하는 것은 불가능하므로, 샘플링된 데이터를 기반으로 모수의 범위를 추정하기 위해 사용됨

→ 따라서, 신뢰 구간은 샘플링된 표본이 연구중인 모집단을 얼마나 잘 대표하는지 측정하는 방법

: 신뢰구간(CI)에 모집단 실제 평균값이 포함될 확률을 'CI의 신뢰수준(Confidence Level)'이라함

→ 일반적으로 95% 신뢰수준이 사용됨

2. 신뢰 구간 계산하기

1) 관측개수, 평균, 표준편차 구하기

관측개수:  n = 40

평균:  X = 175

표준편차:  s = 20

*모표준편차를 모르기에, 관측된 샘플의 표준편차를 사용 (n≥30 이상의 충분한 관측개수)

2) 신뢰 수준에 대한 Z-Score 이용

일반적으로 95% 또는 99%에 해당되는 Z-Score가 사용됨

95%(0.95)의 Z-Score 값 = 1.96

3) 공식을 사용하여, Confidence Interval 계산

따라서, 우리는 모집단의 평균이 168.8cm ~ 181.2cm의 신뢰할수 있는 구간에 있을 것이라 추정

'± 이후의 값은 오차 한계(Margin of error) → 여기서 오차 한계는 6.20'

3. 신뢰 구간 특성

: 신뢰구간(CI)가 좁을수록, 모집단 평균 추정치가 정확해짐

: 일반적으로 관측개수(표본크기;Sample size)가 클수록, 신뢰구간이 좁아짐

→ 따라서, 표본이 클수록 더 정확하게 모집단 평균을 추정할 수 있음

4. 신뢰 구간 계산기 (Confidence Interval Calculator)

: https://www.mathsisfun.com/data/confidence-interval-calculator.html

#Reference

1) https://www.simplypsychology.org/confidence-interval.html

2) https://www.mathsisfun.com/data/confidence-interval.html

3) https://ko.wikipedia.org/wiki/%EC%8B%A0%EB%A2%B0_%EA%B5%AC%EA%B0%84

4) https://namu.wiki/w/%ED%86%B5%EA%B3%84%EC%A0%81%20%EC%B6%94%EB%A1%A0

5) https://www.whatissixsigma.net/confidence-level-confidence-interval/

6) https://www.mathsisfun.com/data/confidence-interval-calculator.html

신뢰구간 (Confidence Interval) End

BioinformaticsAndMe

[R] ggplot2 Start

BioinformaticsAndMe

ggplot2

: ggplot2은 그래픽 문법에 기반한 R plotting 패키지로, 복잡한 그래픽을 쉽게 표현할 수 있는 강력한 툴

: 뉴질랜드 통계학자 Hadley Wickham이 개발

*Hadley는 강연의 참석자로부터 'R basic graphic에서 ggplot2으로 바꿔야 하나?'라는 질문을 받고,

'R basic graphic은 그림 그리기에 유리한 툴이지만, ggplot2은 그려진 데이터를 쉽게 이해할 수 있는 훌륭한 시각화 툴이다'라고 답함

: ggplot2 패키지는 R뿐만 아니라, Python에서도 plotnine 패키지를 통해 ggplot2 사용 가능

: ggplot2의 시각화 작업은 손으로 직접 그래프를 그리는 과정과 흡사

1) ggplot() 메소드로 축을 그림

2) geom_boxplot()/geom_bar() 등의 메소드로 그래프를 그림

3) xlabs()/ylabs() 등의 메소드로 기타 옵션을 조절

R ggplot2 예제

1. 산점도(Scatterplot)
# install.packages("ggplot2")                #ggplot2가 설치되지 않았다면, '#'을 지우고 설치
options(scipen=999)                           # 1e+48'과 같은 과학적 기수법을 사용하지 않음
library(ggplot2)                             
theme_set(theme_bw())                       #bw theme를 사전 설정
data("midwest", package = "ggplot2")    #'midwest' 데이터 로딩

#ggplot2 시작 (Scatterplot)
gg <- ggplot(midwest, aes(x=area, y=poptotal)) + 
  geom_point(aes(col=state, size=popdensity)) + 
  geom_smooth(method="loess", se=F) + 
  xlim(c(0, 0.1)) + 
  ylim(c(0, 500000)) + 
  labs(subtitle="Area Vs Population", 
       y="Population", 
       x="Area", 
       title="Scatterplot", 
       caption = "Source: midwest")

plot(gg)

2. 분기막대(Diverging bars)
library(ggplot2)
theme_set(theme_bw())  

data("mtcars")                                        #'mtcars' 데이터 로딩
mtcars$`car name` <- rownames(mtcars)      #'car names'의 새로운컬럼 생성 
mtcars$mpg_z <- round((mtcars$mpg - mean(mtcars$mpg))/sd(mtcars$mpg), 2)        #표준화 작업
mtcars$mpg_type <- ifelse(mtcars$mpg_z < 0, "below", "above")
mtcars <- mtcars[order(mtcars$mpg_z), ]  # sort
mtcars$`car name` <- factor(mtcars$`car name`, levels = mtcars$`car name`)               #플로팅에 나타날 정렬화 작업

#ggplot2 시작 (Diverging bars)
ggplot(mtcars, aes(x=`car name`, y=mpg_z, label=mpg_z)) + 
  geom_bar(stat='identity', aes(fill=mpg_type), width=.5)  +
  scale_fill_manual(name="Mileage", 
                    labels = c("Above Average", "Below Average"), 
                    values = c("above"="#00ba38", "below"="#f8766d")) + 
  labs(subtitle="Normalised mileage from 'mtcars'", 
       title= "Diverging Bars") + 
  coord_flip()

#아래 링크에서 ggplot2으로 그리는 50가지 종류의 R 소스코드 제공

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html

1. Correlation

   • Scatterplot
   • Scatterplot With Encircling
   • Jitter Plot
   • Counts Chart
   • Bubble Plot
   • Animated Bubble Plot
   • Marginal Histogram / Boxplot
   • Correlogram

2. Deviation

   • Diverging Bars
   • Diverging Lollipop Chart
   • Diverging Dot Plot
   • Area Chart

3. Ranking

   • Ordered Bar Chart
   • Lollipop Chart
   • Dot Plot
   • Slope Chart
   • Dumbbell Plot

4. Distribution

   • Histogram
   • Density Plot
   • Box Plot
   • Dot + Box Plot
   • Tufte Boxplot
   • Violin Plot
   • Population Pyramid

5. Composition

   • Waffle Chart
   • Pie Chart
   • Treemap
   • Bar Chart

6. Change

   • Time Series Plots

     • From a Data Frame
     • Format to Monthly X Axis
     • Format to Yearly X Axis
     • From Long Data Format
     • From Wide Data Format
   • Stacked Area Chart
   • Calendar Heat Map
   • Slope Chart
   • Seasonal Plot

7. Groups

   • Dendrogram
   • Clusters

8. Spatial

   • Open Street Map
   • Google Road Map
   • Google Hybrid Map

#Reference

1) http://freesearch.pe.kr/archives/3134

2) https://wikidocs.net/33913

3) http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html

[R] ggplot2 End

BioinformaticsAndMe

[Chromatography] 크로마토그래피 Start

BioinformaticsAndMe

크로마토그래피 (Chromatography)

: 혼합물을 이동상(Mobile phase)에 녹여 고정상(Stationary phase;정지상)에 흘렸을 때, 고정상과 상호작용하는 힘으로 혼합물을 분리하는 기술

: 각 물질의 이동 능력은 고유한 분배 계수(Partition coefficient) 차이로 설명 가능함

: 물질분리/과학수사/도핑테스트/원산지추적/질병조기진단 등 여러 분야에서 사용됨

: 이동상 또는 고정상의 특성에 따라 다양한 종류의 크로마토그래피들이 존재함

1) 컬럼 크로마토그래피 (Column Chromatography)

2) 겔 여과 크로마토그래피 (Gel-filtration chromatography)

3) 이온 교환 크로마토그래피 (Ion-exchange chromatography)

4) 친화성 크로마토그래피 (Affinity Chromatography)

5) 박층 크로마토그래피 (Thin-layer Chromatography)

1. 컬럼 크로마토그래피 (Column Chromatography)

: 컬럼(관) 크로마토그래피는 고정상 용기가 관모양인 크로마토그래피 기법

: 특정한 고정상을 긴 Column에 채우고[, 이 안으로 이동상을 밀어넣는 방식을 취함

: 고정상을 채운 관을 이동상이 내려가는 정도를 계산하여 각 물질을 분류

: 이동상과 고정상의 상호 친화도에 따라 분류 속도가 결정

2. 겔 여과 크로마토그래피 (Gel-filtration chromatography)

: 겔 여과 크로마토그래피(=크기 배제 크로마토그래피;Size-exclusion chromatography)는 물질 크기에 따른 컬럼 통과 속도를 이용한 크로마토그래피

[Chromatography] 크로마토그래피 End

BioinformaticsAndMe

폐쇄성 폐질환 vs 제한성 폐질환

 Start

BioinformaticsAndMe

1. 폐쇄성 폐질환 (Obstruction Pulmonary Disease)

: 폐쇄성 폐질환은 기도가 막혀 흡기보다 호기가 어려워진 상태로, 기능적 잔기용량과 잔기용적이 커짐

: 만성폐쇄성폐질환/천식/기관지확장증/낭성섬유증/폐쇄성세기관지염 등이 있음

ㄱ) 만성폐쇄성폐질환(Chronic Obstructive Pulmonary Disease;COPD)

- 만성염증에 의한 기도 및 폐조직 손상으로, 공기 흐름이 비가역적으로 제한되는 폐질환

- 만성기관지염(Chronic Bronchitis) + 폐기종(Emphysema)의 증상을 보이는 호흡기 질환

- COPD는 가벼운 호흡곤란과 기침으로 시작되며, 병이 진행될수록 심각한 호흡곤란 및 감소된 심장기능을 보임

- 흡연/직업성분진/화학물질/대기오염/만성기관지염/호흡기감염 등이 주요 유발 인자

ㄴ) 천식(Asthma)

- 알레르기 반응으로 분비된 히스타민이 염증/점액분비/기관지협착을 유발해, 세기관지의 공기 흐름을 폐쇄

- 쌕쌕거림(Wheezing)/기침/가슴답답함(Chest tightness)/호흡곤란의 증상을 보이며, 일반적으로 밤에 악화됨

- 흡연/실내오염/대기오염/식품첨가제/황사/스트레스 등이 주요 유발 인자

2. 제한성 폐질환 (Restrictive Pulmonary Disease)

: 제한성 폐질환은 폐의 신전성 감소로 인해, 총 폐용량/흡기용량/폐활량이 작아짐

: 폐가 만성적으로 저팽창되어 영구적인 폐 제한이 발생할 수 있음

: 폐섬유증/루게릭병/신생아호흡장애증후군/척수성근위축증 등이 있음

ㄱ) 폐섬유증(Pulmonary fibrosis)

- 폐렴/결핵/분진으로 손상된 폐조직을 결합 조직이 대체하면서 딱딱해지는 질환

- 폐조직이 굳어서 심각한 호흡장애를 유발하는 호흡기 질환

ㄴ) 루게릭병(A

myotrophic lateral sclerosis;

근위축성 측삭 경화증)

- 수의근을 제어하는 신경세포 소멸로 근육이 딱딱해지고, 경련을 일으키며, 점차적으로 약해져 크기가 감소

- 손/손가락/다리 근육이 가늘어지며, 말하기가 어려워 음식물을 삼키기 어려워짐

#Reference

1) https://www.icthealth.nl/nieuws/app-voor-copd-patienten-wint-ureka-mega-challenge-2017/

2) https://www.cmcvincent.or.kr/page/department/B/1158/1

3) http://m.amc.seoul.kr/asan/mobile/healthinfo/disease/diseaseDetail.do?contentId=31528&diseaseKindId=C000019

4) https://www.nationaljewish.org/conditions/copd-chronic-obstructive-pulmonary-disease/overview

5) https://annapolispulmonary.com/services/asthma/

6) https://namu.wiki/w/%EC%B2%9C%EC%8B%9D

7) https://ko.wikipedia.org/wiki/%EA%B7%BC%EC%9C%84%EC%B6%95%EC%84%B1_%EC%B8%A1%EC%83%89_%EA%B2%BD%ED%99%94%EC%A6%9D

8) https://www.mayoclinic.org/diseases-conditions/pulmonary-fibrosis/symptoms-causes/syc-20353690

폐쇄성 폐질환 vs 제한성 폐질환

 End

BioinformaticsAndMe

중환자실 인공지능 솔루션 Start

BioinformaticsAndMe

#Reference

1) https://blogs.nvidia.com/blog/2017/10/02/the-ai-will-icu-now-deep-learning-helps-guide-decisions-in-intensive-care/

2) http://www.docdocdoc.co.kr/news/articleView.html?idxno=236684

3) https://ehrintelligence.com/news/google-study-uses-entire-patient-ehr-for-predictive-analytics

7) https://irishtechnews.ie/infant-research-identifies-biomarkers-to-detect-brain-injury-in-newborns/

중환자실 인공지능 솔루션 End

BioinformaticsAndMe