가온NAIS AI 연구동료가칭
둘러보기 모드 — 예시 대화를 읽기 전용으로 보여 줍니다. 질문 보내기 · 다시 생성 · 파일 첨부처럼 AI 를 부르는 기능은 요금이 나가므로, 관리자가 허가한 계정으로 로그인해야 쓸 수 있습니다.

DepMap 의존성 상위 10개 유전자

data lake 의 DepMap 데이터에서 의존성이 가장 큰 유전자 10개를 표로 보여 줘.
K
실행 과정 10단계 · 36초
  1. 진행
    에이전트를 준비하고 있습니다.
  2. 진행
    질문에 맞는 도구와 데이터를 고르고 있습니다.
  3. 진행
    도구 1개, 데이터 4개, 라이브러리 2개를 골랐습니다.
  4. 계획
    요청을 “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.
  5. 코드 python
    python
    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)
  6. 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
  7. 계획
    파일은 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.
  8. 코드 python
    python
    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)
  9. 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
  10. 파일
    depmap_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`
GPT-5.6 Terra · 36초 · 약 $0.06
로그인하면 질문할 수 있습니다
가온은 실수할 수 있습니다 · 공개·비민감 자료만 넣어 주세요