BioinformaticsAndMe

KEGG pathway Start

BioinformaticsAndMe

KEGG(Kyoto Encyclopedia of Genes and Genomes)?

: KEGG pathway는 일본에서 만들어진 생화학 패스웨이 데이터베이스 (1995)

: 생물학 연구 분야에서 가장 많이 인용되는 DB 중 하나로 아래의 정보들에 기반을 둠

ㄱ) Systems information - 생화학 정보들 사이의 네트워크 상호작용 정보

ㄴ) Genomic information - 유전자 및 단백질 수준의 분자 단위 정보

ㄷ) Health information - 생체계에 영향을 주는 질병 및 약물 정보

ㄹ) Chemical information - 화학 물질 수준의 분자 단위 정보

: https://www.genome.jp/kegg/pathway.html

#Reference

1) https://www.genome.jp/kegg/pathway.html

2) https://ko.wikipedia.org/wiki/KEGG

3) https://www.genome.jp/kegg/tool/map_pathway2.html

KEGG pathway End

BioinformaticsAndMe

[Cloning] 생명 복제 Start

BioinformaticsAndMe

생명 복제 (Cloning)

: 생명 복제란 생식세포복제 또는 체세포복제 등의 방법으로 유전 정보가 같은 생명체를 복제하는 것

*생식세포복제 - 수정란 분할을 이용한 복제

*체세포복제 - 성체 체세포에서 핵을 떼어 이를 착상

: 영국의 월머트 박사는 체세포 복제술을 이용해 복제양 '돌리'를 탄생시킴 (1996)

1. 생식세포복제 (Germ cell cloning)

: 생식세포복제란 난자와 정자가 결합한 수정란의 분할과정에 있는 난세포(할구)를 공여핵 세포로 이용하는 것

2. 체세포복제 (Somatic cell nuclear transfer;SCNT)

: 체세포복제는 체세포핵치환이라 불리며, 생식세포복제와 다르게 정자와 난자의 결합 과정이 없음

: 핵을 제거한 난자에 몸에서 떼어 낸 세포를 집어 넣어 동물을 복제하는 행위

: 포배기까지 키운 뒤 대리모의 자궁에 착상함

→태어난 개체는 핵을 공여한 개체와 모든 유전자가 동일

→체세포복제로 태어난 개체의 염색체는 텔로미어 길이가 정상에 비해 매우 짧음

[Cloning] 생명 복제 End

BioinformaticsAndMe

조직 (Tissue) Start

BioinformaticsAndMe

조직(Tissue)?

: 비슷한 형태나 기능을 가진 세포의 모임 (같은 종류의 세포집단)

: 생물체 내에서 분화의 방향이 같음

: 인체는 크게 4가지의 기본조직으로 구성됨

1) 상피조직

2) 결합조직

3) 근육조직

4) 신경조직

1. 상피조직 (Epithelial tissue)

: 세포가 밀착해서 배열되어, 몸의 표면을 덮거나 기관 내벽을 이룸

: 주변 환경으로부터 물리적, 화학적 방어/흡수/분비를 수행

: 상피조직은 층의 형태를 근거해 4개로 분류

ㄱ) 단층상피(Simple epithelium) - 1겹의 세포로 이루어진 얇은 층(폐포, 모세혈관)

ㄴ) 중층상피(Stratified epithelium) - 여러겹의 세포로 이루어진 두꺼운 층(피부 표피)

ㄷ) 다열상피(Pseudostratified epithelium) - 중층상피처럼 보이나 실제로 단층상피(기도 점막)

ㄹ) 이행상피(Transitional epithelium) - 층에 따라 세포의 모양이 달라짐(방광)

: 상피조직은 세포 모양을 근거해 3개로 분류

ㄱ) 비늘모양(Squamous)

ㄴ) 정육면체(Cuboidal)

ㄷ) 직육면체(Columnar)

2. 결합조직 (Connective tissue)

: 다른 조직을 연결하고 지지하는 역할

: 여러 기관들의 틈을 메우고 서로 연결시켜 내부 장기를 보호함

: 대부분의 결합조직은 콜라겐(Collagen)과 엘라스틴(Elastin)으로 구성

: 결합조직은 성긴결합조직/치밀결합조직/뼈/지방조직/연골/혈액으로 분류

ㄱ) 성긴결합조직(Loose connective tissue)

- 섬유아세포와 콜라겐, 엘라스틴 등이 풍부한 탄력 조직으로 기관들을 보호하고 피하조직을 이룸

ㄴ) 치밀 결합조직(Dense connective tissue)

- 콜라겐 섬유가 치밀하게 연결된 조직으로 힘줄/인대/안구공막을 이룸

ㄷ) 뼈(Bone)

- 골아세포가 콜라겐과 수산화인희석을 분비해서 단단한 조직을 이룸

ㄹ) 지방조직(Adipose tissue)

- 지방세포들이 성기게 결합해서 피하 지방을 이룸

ㅁ) 연골(Cartilage)

- 연골세포가 콜라겐/콘드로이틴황산염/엘라스틴 등을 분비해서 뼈의 완충작용을 하는 조직을 이룸

ㅂ) 혈액(Blood)

- 물/이온/피브리노겐/알부민 등의 수용성 단백질들과 혈구 세포 등이 약하게 결합한 조직을 이룸

3. 근육조직 (Muscular tissue)

: 근육은 동물의 신체 운동에 관여하는 조직으로 수축능력이 있는 근세포로 이루어짐

: 근육조직은 3가지로 분류

ㄱ) 골격근육(skeletal muscle)

ㄴ) 민무늬근육(smooth muscle)

ㄷ) 심장근육(cardiac muscle)

4. 신경조직 (Nervous tissue)

: 몸 곳곳에 자극에 대한 감각/통합/반응에 관여

: 항상성 조절을 하기 위해, 전기적 신호를 단기적으로 전달

#Reference

1) https://terms.naver.com/entry.nhn?docId=1142126&cid=40942&categoryId=32319

2) https://namu.wiki/w/%EC%A1%B0%EC%A7%81%ED%95%99

3) http://contents.kocw.or.kr/KOCW/document/2014/gacheon/chohwiyoung2/3.pdf

4) https://owlcation.com/stem/epithelial-tissue

5) https://www.coursehero.com/sg/anatomy-and-physiology/connective-tissues/

6) https://360fitnesszone.com/2019/07/14/types-of-muscle-tissue-information-of-muscle/

7) https://toxtutor.nlm.nih.gov/08-004.html

조직 (Tissue) End

BioinformaticsAndMe

[TensorFlow1.0] Multiple Linear Regression Start

BioinformaticsAndMe

[TensorFlow] Multiple Linear Regression(MLR)?

# '__future__' : python 2에서 python 3 문법 사용 가능
from __future__ import absolute_import, division, print_function

# 텐서플로우 라이브러리 임포트
import tensorflow as tf

# 예제 데이터
x_data = [[65., 90., 85.],
          [80., 88., 92.],
          [70., 75., 95.],
          [75., 85., 65.],
          [90., 85., 85.]]
y_data = [[240.],
          [260.],
          [240.],
          [225.],
          [260.]]

# 프로그램 실행 순간에 변수값을 입력하기 위해 placedholder 함수 사용
X = tf.placeholder(tf.float32, shape=[None, 3])
Y = tf.placeholder(tf.float32, shape=[None, 1])

# 텐서플로우에서 학습될 W(Weight) 및 b(bias) 값을 변수(Variable) 노드로 정의
# W와 b 값의 초기값 정보가 없기에 랜덤하게 값을 설정
W = tf.Variable(tf.random_normal([3,1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

# 다중회귀모형 가설 정의 (matmul 함수로 행렬곱 수행)
hypothesis = tf.matmul(X, W) + b

# cost function 정의 (reduce_mean 함수로 평균 계산)
cost = tf.reduce_mean(tf.square(hypothesis - Y))

# 최적화를 위한 경사하강법 정의
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1e-5)

# minimize 함수를 사용해 cost 함수의 최소값을 얻음
train = optimizer.minimize(cost)

# 세션을 생성하고 그래프의 모든 전역변수를 초기화
sess = tf.Session()
sess.run(tf.global_variables_initializer())

# 그래프를 실행하고 feed_dict를 통해 실행 초기값을 입력함
for step in range(1001):
  cost_val, hy_val, _ = sess.run(
      [cost, hypothesis, train], feed_dict={X: x_data, Y: y_data}
  )
  if step%200==0:
    print(step, "Cost: ", cost_val, "\nPrediction:\n", hy_val)
0 Cost:  8397.166 
Prediction:
 [[169.02368]
 [165.52513]
 [160.76976]
 [130.99226]
 [146.38747]]
200 Cost:  93.65354 
Prediction:
 [[254.29305]
 [260.94043]
 [245.62996]
 [218.28816]
 [246.3491 ]]
400 Cost:  53.146355 
Prediction:
 [[251.37286]
 [260.50125]
 [243.09482]
 [221.05096]
 [249.46597]]
600 Cost:  31.487442 
Prediction:
 [[249.10394]
 [260.2357 ]
 [241.52197]
 [222.79031]
 [251.7963 ]]
800 Cost:  19.353357 
Prediction:
 [[247.3255 ]
 [260.0807 ]
 [240.56805]
 [223.86734]
 [253.5586 ]]
1000 Cost:  12.246923 
Prediction:
 [[245.92062]
 [259.99527]
 [240.00885]
 [224.5187 ]
 [254.90598]]

#Reference

1) https://github.com/aymericdamien/TensorFlow-Examples/tree/master/tensorflow_v2

2) https://medium.com/@manjabogicevic/multiple-linear-regression-using-python-b99754591ac0

3) http://contents.kocw.net/document/ch5_6.pdf

[TensorFlow1.0] Multiple Linear Regression End

BioinformaticsAndMe

CGI (Cancer Genome Interpreter) Start

BioinformaticsAndMe

CGI (Cancer Genome Interpreter)?

: CGI는 이미 검증된 암 변이 정보를 제공하고, 알려지지 않은 변이들의 Driver 가능성을 예측해주는 데이터베이스

: 다양한 임상 정보를 근거하여, 약물 반응성 유전체 바이오마커 정보를 제공

: 스페인 'IRB Barcelona'에서 관리

: https://www.cancergenomeinterpreter.org/home

#Reference

1) https://www.cancergenomeinterpreter.org/home

2) https://cancervariants.org/assets/docs/tutorials/CGI.pdf

3) https://blogs.biomedcentral.com/on-medicine/2018/03/29/introducing-the-cancer-genome-interpreter/

CGI (Cancer Genome Interpreter) End

BioinformaticsAndMe

원핵세포 구조 (Prokaryote structure) Start

BioinformaticsAndMe

1. Nucleoid (핵양체;핵상체)

: 원핵세포는 핵이 없으나, 유전물질인 DNA를 담고 있는 불규칙한 모양의 핵양체 부위 존재

: 원핵생물의 염색체는 일반적으로 원형의 Haploid(반수체) 형태를 보임

: 원핵생물 DNA는 NAPs(Nucleoid-associated proteins)과 함께 상호작용

*NAPs - 염색체의 조성 및 패키징에 관여하는 단백질

2. Plasmid (플라스미드)

: 세균의 유전체와 독립적으로 존재하는 원형의 DNA

: 성장에 필수적이지 않지만, 세균에 이점을 제공하는 유전자들이 존재

*일부 플라스미드는 항생제 내성을 갖는 유전자를 가짐

: 세포 내 오직 한개 사본만 있는 것부터, 수십개 사본으로 복제되는 것까지 다양함

3. Ribosome (리보솜)

: 단백질을 합성하는 리보솜은 'rRNA + 단백질'로 구성됨

*세포질에 존재는 리보솜 - 세포질 내에서 사용될 단백질 합성

*세포막에 부착된 리보솜 - 세포 밖으로 분비할 단백질 합성

: 원핵생물 → 30S + 50S = 70S

: 진핵생물 → 40S + 60S = 80S

*S - Svedberg unit, 침강 계수

4. Endospore (내생포자)

: 일부 세균은 불리한 환경을 견디도록 내생포자를 형성함

*열, 방사선 등에 내성

: 물질대사는 거의 일어나지 않음

: 고온 처리 시, 휴먼 상태의 내생포자가 발아

5. Plasma membrane (세포막;Cell membrane)

: 세포막은 세포질을 둘러싸고, 세포 내/외부 물질 흐름을 조절

: 인지질 이중층 또는 인지질 단일층 구조가 관찰됨

7. Capsule (협막)

: 원핵세포의 세포벽 밖에 위치한 다당류 성분으로 이루어진 보호층

: 조밀하게 짜여져 쉽게 씻겨나가지 않으며, 여러 질병의 원인이 됨

8. Pili (선모)

: 다른 박테리아 세포에 부착되는 세포 표면의 털 같은 구조

ㄱ. Fimbria(핌브리아) - 숙주 감염, 생물막 또는 콜로니 형성에서 부착에 사용

ㄴ. Sex pili(성선모) - 성선모로 다른 세균에 세포질 다리를 형성해, F플라스미드 사본을 전달함

9. Flagellum (편모)

: 편모는 세포벽을 뚫고 나온 길고 채찍 모양의 돌기

: 운동 부속 기관 역할로 세포 운동을 도움

*수소 농도 기울기를 통해, 프로펠러 회전 운동 수행

#Reference

1) https://courses.lumenlearning.com/microbiology/chapter/unique-characteristics-of-prokaryotic-cells/

2) https://www.thoughtco.com/prokaryotes-meaning-373369

원핵세포 구조 (Prokaryote structure) End

BioinformaticsAndMe

[R] Excel 읽기/쓰기 Start

BioinformaticsAndMe

1. R xlsx 패키지 설치

: R에서 엑셀 데이터의 읽기/처리/쓰기 작업을 위해, 'xlsx' 패키지 설치

*참고로 엑셀 데이터를 처리하는 여러 R 패키지들이 존재 (xlsx, readxl, XLConnect 등)

# xlsx 패키지
install.packages("xlsx")
library("xlsx")

2. Read an Excel file

: read.xlsx 함수를 사용하여, 엑셀 데이터 로딩

Expression_example.xlsx

# 예제 파일 경로 지정 후, 데이터 로딩
file <- 'Expression_example.xlsx'
res <- read.xlsx(file, 1)       # 첫번째 시트 읽기
res

3. Write data to an Excel file

: write.xlsx 함수를 사용하여, 엑셀 데이터 생성

# R 예제 데이터를 엑셀 형태로 파일 생성
write.xlsx(USArrests, file="myworkbook.xlsx",sheetName="USA Arrests")

#Reference

1) http://www.sthda.com/english/wiki/r-xlsx-package-a-quick-start-guide-to-manipulate-excel-files-in-r

[R] Excel 읽기/쓰기 End

BioinformaticsAndMe

한국생명공학연구원은 2019년 7월 “차세대 한국인 유전체 분석지원센터 구축” 사업을 시작하고 유전체 정보 생산 기반과 더불어 방대한 유전체 정보를 분석하고 활용하는 시스템을 구축하고 있습니다. 이러한 유전체 정보 생산 및 분석 기반 구축과 더불어 국내 연구자들이 다양한 유전체 정보들을 잘 활용할 수 있도록 유전체 정보 분석 이론 및 실습을 위한 교육을 마련하였습니다. 본 교육은 1년에 2회 이상 이루어지며, 전장유전체, 전사체, 후성유전체, 단일세포 유전체, pathway 분석 등 다양한 오믹스 정보 분석에 꼭 필요한 최신 이론과 실습들을 포함하고 있습니다. 아무쪼록 본 교육을 통해 다양한 종류의 유전체 데이터에 대한 이해를 높이고 또 실습을 통해 분석 능력을 향상시키기를 기대하며, 관심 있는 분들의 많은 참여 부탁드립니다.

감사합니다.

2019년 11월 25일

한국생명공학연구원

차세대 한국인 유전체분석지원센터

교육 일정

09:00 – 09:30 프로그램 설치 및 실습 기본 사항 안내

09:30 – 11:30 ChiP-seq 데이터 분석 이론 및 실습(박종열 박사)

11:30 – 13:00 점심 식사

13:00 – 15:00 단일세포 오믹스 분석 이론 및 실습(김종환 박사)

15:00 – 15:30 휴식

15:30 – 17:30 Gene-set 및 Pathway 데이터 분석 이론 및 실습(김선규 박사)

장소: 대전광역시 유성구 과학로 125 한국생명공학연구원 KOBIC동 3층 교육실

시간: 11월 25일(월) 오전 9시00분부터 오후 5시30분까지

등록(무료): 이메일 신청 (prosium@kribb.re.kr, 선착순 50명)

준비물: 노트북 및 관련 프로그램 설치(별도 안내)

문의: 박승진(prosium@kribb.re.kr) 혹은 김선영(kimsy@kribb.re.kr)