data lake 의 DepMap 데이터에서 의존성이 가장 큰 유전자 10개를 표로 보여 줘.
K
완료
실행 과정 10단계 · 36초
-
진행에이전트를 준비하고 있습니다.
-
진행질문에 맞는 도구와 데이터를 고르고 있습니다.
-
진행도구 1개, 데이터 4개, 라이브러리 2개를 골랐습니다.
-
계획요청을 “DepMap CRISPR gene-effect 데이터에서 여러 세포주에 걸쳐 평균적으로 가장 강한 의존성(더 음수인 gene effect)을 보이는 유전자 10개”로 해석하겠습니다. 데이터의 열 구조와 결측치 처리 방식을 먼저 확인한 뒤, 유전자별 평균 gene effect를 산출해 순위를 만들겠습니다. 1. [ ] DepMap CRISPR gene-effect 파일의 구조와 값의 방향(의존성 해석)을 확인한다. 2. [ ] 유전자별 세포주 평균 gene effect를 계산하고, 가장 낮은(가장 강한 의존성) 10개 유전자를 추린다. 3. [ ] 결과 표를 저장하고, 해석 기준과 함께 제시한다.1. [✓] DepMap CRISPR gene-effect 파일의 구조와 값의 방향(의존성 해석)을 확인한다. 2. [ ] 유전자별 세포주 평균 gene effect를 계산하고, 가장 낮은(가장 강한 의존성) 10개 유전자를 추린다. 3. [ ] 결과 표를 저장하고, 해석 기준과 함께 제시한다.
-
코드 pythonpython
from biomni.tool.support_tools import run_python_repl result = run_python_repl(""" import os import pandas as pd path = '/work/biomni_data/data_lake/DepMap_CRISPRGeneEffect.csv' print("File exists:", os.path.exists(path)) df = pd.read_csv(path, nrows=5) print("Preview shape:", df.shape) print("First columns:", df.columns[:12].tolist()) print(df.iloc[:3, :6].to_string(index=False)) """) print(result) -
실행 결과
실행 결과 보기
File exists: True Preview shape: (5, 17917) First columns: ['Unnamed: 0', 'A1BG (1)', 'A1CF (29974)', 'A2M (2)', 'A2ML1 (144568)', 'A3GALT2 (127550)', 'A4GALT (53947)', 'A4GNT (51146)', 'AAAS (8086)', 'AACS (65985)', 'AADAC (13)', 'AADACL2 (344752)'] Unnamed: 0 A1BG (1) A1CF (29974) A2M (2) A2ML1 (144568) A3GALT2 (127550) ACH-000001 -0.111951 0.045589 0.026057 -0.108973 -0.031450 ACH-000004 0.005506 -0.069734 -0.098829 -0.018614 -0.044184 ACH-000005 -0.112103 0.008739 0.157658 0.106528 -0.151444
-
계획파일은 세포주가 행, 유전자(기호와 Entrez ID)가 열인 형식이며, 첫 열은 DepMap 모델 ID입니다. 이제 전체 세포주에서 각 유전자의 평균 CRISPR gene effect를 계산하겠습니다. 평균값이 더 음수일수록 해당 유전자의 공통 의존성이 강한 것으로 순위화합니다. 1. [✓] DepMap CRISPR gene-effect 파일의 구조와 값의 방향(의존성 해석)을 확인한다. 2. [ ] 유전자별 세포주 평균 gene effect를 계산하고, 가장 낮은(가장 강한 의존성) 10개 유전자를 추린다. 3. [ ] 결과 표를 저장하고, 해석 기준과 함께 제시한다.
-
코드 pythonpython
from biomni.tool.support_tools import run_python_repl result = run_python_repl(""" import os import re import pandas as pd input_path = '/work/biomni_data/data_lake/DepMap_CRISPRGeneEffect.csv' output_path = 'depmap_top10_strongest_gene_dependencies.csv' df = pd.read_csv(input_path) gene_effects = df.iloc[:, 1:].apply(pd.to_numeric, errors='coerce') summary = pd.DataFrame({ 'gene_column': gene_effects.columns, 'mean_gene_effect': gene_effects.mean(axis=0, skipna=True), 'median_gene_effect': gene_effects.median(axis=0, skipna=True), 'n_cell_lines': gene_effects.notna().sum(axis=0), }) summary[['gene_symbol', 'entrez_gene_id']] = summary['gene_column'].str.extract(r'^(.*) \\((\\d+)\\)$') top10 = summary.sort_values('mean_gene_effect', ascending=True).head(10) top10.insert(1, 'rank', range(1, len(top10) + 1)) top10 = top10[['rank', 'gene_symbol', 'entrez_gene_id', 'mean_gene_effect', 'median_gene_effect', 'n_cell_lines']] top10.to_csv(output_path, index=False) print(f"Input: {df.shape[0]:,} cell lines × {gene_effects.shape[1]:,} genes") print("Top 10 by lowest mean gene effect:") print(top10.to_string(index=False, float_format=lambda x: f'{x:.4f}')) print(f"Saved: {os.path.abspath(output_path)}") """) print(result) -
실행 결과
실행 결과 보기
Input: 1,183 cell lines × 17,916 genes Top 10 by lowest mean gene effect: rank gene_symbol entrez_gene_id mean_gene_effect median_gene_effect n_cell_lines 1 SNRPD3 6634 -4.2299 -4.3327 351 2 RAN 5901 -3.9243 -3.9111 1183 3 HSPE1 3336 -3.3767 -3.4084 1165 4 RPL17 6139 -3.0470 -3.0619 1183 5 RPS8 6202 -2.9016 -2.9450 1183 6 SNRPF 6636 -2.8875 -2.9104 1183 7 RRM1 6240 -2.8775 -2.9390 1183 8 SNRPA1 6627 -2.8471 -2.8511 1183 9 PSMA6 5687 -2.8313 -2.8440 1183 10 RPS29 6235 -2.8117 -2.8275 1183 Saved: /work/sessions/example/depmap_top10_strongest_gene_dependencies.csv -
파일depmap_top10_strongest_gene_dependencies.csv
DepMap CRISPR Gene Effect 데이터(1,183개 세포주, 17,916개 유전자)에서 유전자별 평균 gene effect가 가장 낮은 순서로 정렬한 결과입니다. **값이 더 음수일수록 knockout 시 세포 성장/생존 저해가 커서 의존성이 강함**을 의미합니다.
| 순위 | 유전자 | Entrez ID | 평균 gene effect | 중앙값 gene effect | 측정 세포주 수 |
|---:|---|---:|---:|---:|---:|
| 1 | SNRPD3 | 6634 | -4.2299 | -4.3327 | 351 |
| 2 | RAN | 5901 | -3.9243 | -3.9111 | 1,183 |
| 3 | HSPE1 | 3336 | -3.3767 | -3.4084 | 1,165 |
| 4 | RPL17 | 6139 | -3.0470 | -3.0619 | 1,183 |
| 5 | RPS8 | 6202 | -2.9016 | -2.9450 | 1,183 |
| 6 | SNRPF | 6636 | -2.8875 | -2.9104 | 1,183 |
| 7 | RRM1 | 6240 | -2.8775 | -2.9390 | 1,183 |
| 8 | SNRPA1 | 6627 | -2.8471 | -2.8511 | 1,183 |
| 9 | PSMA6 | 5687 | -2.8313 | -2.8440 | 1,183 |
| 10 | RPS29 | 6235 | -2.8117 | -2.8275 | 1,183 |
유의사항: 1위 **SNRPD3**는 351개 세포주에서만 값이 있어, 나머지 유전자보다 측정 범위가 좁습니다. 반면 **RAN, RPL17, RPS8, SNRPF, RRM1, SNRPA1, PSMA6, RPS29**는 전체 1,183개 세포주에서 일관되게 강한 의존성을 보입니다.
결과 파일: `depmap_top10_strongest_gene_dependencies.csv`