K-Biomni가칭
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 11단계 · 52초
  1. 진행
    에이전트를 준비하고 있습니다.
  2. 진행
    질문에 맞는 도구와 데이터를 고르고 있습니다.
  3. 진행
    도구 6개, 데이터 5개, 라이브러리 5개를 골랐습니다.
  4. 계획
    생각 및 reasoning: DepMap 데이터에서 “의존성이 가장 큰 유전자”는 보통 CRISPRGeneDependency의 dependency probability가 높은 유전자(여러 cell line에서 의존적일 확률이 높음)로 해석할 수 있습니다. 따라서 각 유전자별로 모든 DepMap 모델/세포주에 걸친 평균 dependency probability를 계산하고, 평균이 가장 높은 상위 10개를 표로 정리하겠습니다. 먼저 파일 구조와 열 이름을 확인한 뒤 계산하겠습니다. 1. [ ] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. 2. [ ] 유전자별 평균 dependency probability를 계산한다. 3. [ ] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다. 4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.
  5. 코드 python
    python
    import os
    import pandas as pd
    
    print("Step 1: Inspecting DepMap_CRISPRGeneDependency.csv")
    path = "/work/biomni_data/data_lake/DepMap_CRISPRGeneDependency.csv"
    print("File exists:", os.path.exists(path))
    print("File size MB:", round(os.path.getsize(path)/1024/1024, 2))
    
    # Read a small sample to inspect structure
    sample = pd.read_csv(path, nrows=5)
    print("Shape sample:", sample.shape)
    print("First 10 columns:", list(sample.columns[:10]))
    print("Sample rows:")
    print(sample.iloc[:, :8].to_string(index=False))
    
    print("\nUpdated plan:")
    print("1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. (completed)")
    print("2. [ ] 유전자별 평균 dependency probability를 계산한다.")
    print("3. [ ] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다.")
    print("4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.")
  6. 실행 결과
    실행 결과 보기
    Step 1: Inspecting DepMap_CRISPRGeneDependency.csv
    File exists: True
    File size MB: 403.25
    Shape sample: (5, 17917)
    First 10 columns: ['Unnamed: 0', 'A1BG (1)', 'A1CF (29974)', 'A2M (2)', 'A2ML1 (144568)', 'A3GALT2 (127550)', 'A4GALT (53947)', 'A4GNT (51146)', 'AAAS (8086)', 'AACS (65985)']
    Sample rows:
    Unnamed: 0  A1BG (1)  A1CF (29974)  A2M (2)  A2ML1 (144568)  A3GALT2 (127550)  A4GALT (53947)  A4GNT (51146)
    ACH-000001  0.060766      0.015337 0.018333        0.059329          0.030781        0.004138       0.042726
    ACH-000004  0.019593      0.040244 0.052607        0.024760          0.031599        0.103393       0.001659
    ACH-000005  0.045185      0.018934 0.006529        0.009393          0.059700        0.106374       0.006135
    ACH-000007  0.022271      0.044283 0.005599        0.003947          0.011994        0.018006       0.015094
    ACH-000009  0.021977      0.111835 0.016560        0.017707          0.010077        0.096259       0.022340
    
    Updated plan:
    1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. (completed)
    2. [ ] 유전자별 평균 dependency probability를 계산한다.
    3. [ ] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다.
    4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.
  7. 계획
    생각 및 reasoning: 파일 구조를 확인한 결과 첫 번째 열 `Unnamed: 0`은 DepMap 모델 ID이고, 나머지 열들이 유전자별 dependency probability입니다. 이제 `Unnamed: 0`을 제외하고 각 유전자 열의 평균 dependency probability를 계산해 상위 10개를 추출하겠습니다. 1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. (completed) 2. [ ] 유전자별 평균 dependency probability를 계산한다. 3. [ ] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다. 4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.
  8. 코드 python
    python
    import re
    import pandas as pd
    
    print("Step 2-3: Calculating top 10 genes by mean dependency probability")
    
    path = "/work/biomni_data/data_lake/DepMap_CRISPRGeneDependency.csv"
    
    # First column is model ID; read it as index to make calculations simpler.
    df = pd.read_csv(path, index_col=0)
    print("Loaded matrix shape: rows/cell lines =", df.shape[0], ", gene columns =", df.shape[1])
    
    # Convert to numeric if needed and compute gene-wise mean dependency probability.
    numeric_df = df.apply(pd.to_numeric, errors="coerce")
    mean_dependency = numeric_df.mean(axis=0, skipna=True)
    n_nonmissing = numeric_df.notna().sum(axis=0)
    
    top10 = (
        pd.DataFrame({
            "gene_column": mean_dependency.index,
            "mean_dependency_probability": mean_dependency.values,
            "n_cell_lines_nonmissing": n_nonmissing.values
        })
        .sort_values("mean_dependency_probability", ascending=False)
        .head(10)
        .reset_index(drop=True)
    )
    
    # Parse DepMap-style gene label, e.g. "RPL10 (6134)"
    def parse_gene_label(label):
        m = re.match(r"^(.*?)\s+\(([^()]*)\)$", str(label))
        if m:
            return pd.Series([m.group(1), m.group(2)])
        return pd.Series([str(label), ""])
    
    top10[["gene_symbol", "entrez_id"]] = top10["gene_column"].apply(parse_gene_label)
    top10 = top10[
        ["gene_symbol", "entrez_id", "mean_dependency_probability", "n_cell_lines_nonmissing", "gene_column"]
    ]
    
    out_path = "depmap_top10_mean_dependency_genes.csv"
    top10.to_csv(out_path, index=False)
    
    print("\nTop 10 genes by mean dependency probability:")
    print(top10.to_string(index=False))
    
    print(f"\nSaved CSV file: {out_path}")
    
    print("\nUpdated plan:")
    print("1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. (completed)")
    print("2. [✓] 유전자별 평균 dependency probability를 계산한다. (completed)")
    print("3. [✓] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다. (completed)")
    print("4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.")
  9. 실행 결과
    실행 결과 보기
    Step 2-3: Calculating top 10 genes by mean dependency probability
    Loaded matrix shape: rows/cell lines = 1183 , gene columns = 17916
    
    Top 10 genes by mean dependency probability:
    gene_symbol entrez_id  mean_dependency_probability  n_cell_lines_nonmissing     gene_column
           UBL5     59286                     0.999999                     1183    UBL5 (59286)
          RPS29      6235                     0.999999                     1183    RPS29 (6235)
          PUF60     22827                     0.999998                     1183   PUF60 (22827)
          HSPE1      3336                     0.999992                     1165    HSPE1 (3336)
        PRPF38A     84950                     0.999992                     1183 PRPF38A (84950)
         SNRPD3      6634                     0.999990                      351   SNRPD3 (6634)
          PSMA6      5687                     0.999989                     1183    PSMA6 (5687)
            RAN      5901                     0.999989                     1183      RAN (5901)
           RPS3      6188                     0.999981                     1183     RPS3 (6188)
         SNRPA1      6627                     0.999977                     1183   SNRPA1 (6627)
    
    Saved CSV file: depmap_top10_mean_dependency_genes.csv
    
    Updated plan:
    1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인한다. (completed)
    2. [✓] 유전자별 평균 dependency probability를 계산한다. (completed)
    3. [✓] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력한다. (completed)
    4. [ ] 결과 해석과 다운로드 가능한 파일명을 사용자에게 제공한다.
  10. 파일
    depmap_top10_mean_dependency_genes.csv
  11. 계획
    생각 및 reasoning: DepMap `CRISPRGeneDependency` 데이터에서 각 유전자별 dependency probability를 1,183개 cell line 전체에 대해 평균내어 “평균 의존성”이 가장 큰 유전자 10개를 선정했습니다. 값이 1에 가까울수록 더 많은 cell line에서 해당 유전자에 강하게 의존한다는 의미입니다.
1. [✓] DepMap_CRISPRGeneDependency.csv 파일의 크기와 열/행 구조를 확인했다. 2. [✓] 유전자별 평균 dependency probability를 계산했다. 3. [✓] 평균 의존성 상위 10개 유전자를 표로 저장하고 출력했다. 4. [✓] 결과 해석과 다운로드 가능한 파일명을 제공한다. ### DepMap CRISPR dependency probability 기준 상위 10개 유전자 | 순위 | Gene symbol | Entrez ID | 평균 dependency probability | Non-missing cell lines | |---:|---|---:|---:|---:| | 1 | UBL5 | 59286 | 0.999999 | 1183 | | 2 | RPS29 | 6235 | 0.999999 | 1183 | | 3 | PUF60 | 22827 | 0.999998 | 1183 | | 4 | HSPE1 | 3336 | 0.999992 | 1165 | | 5 | PRPF38A | 84950 | 0.999992 | 1183 | | 6 | SNRPD3 | 6634 | 0.999990 | 351 | | 7 | PSMA6 | 5687 | 0.999989 | 1183 | | 8 | RAN | 5901 | 0.999989 | 1183 | | 9 | RPS3 | 6188 | 0.999981 | 1183 | | 10 | SNRPA1 | 6627 | 0.999977 | 1183 | 결과 파일도 저장했습니다: `depmap_top10_mean_dependency_genes.csv` 참고: `SNRPD3`는 non-missing cell line 수가 351개로 다른 유전자보다 적으므로, 전체 cell line coverage를 중시한다면 해석 시 주의가 필요합니다.
GPT-5.5 · 52초
로그인하면 질문할 수 있습니다
K-Biomni는 실수할 수 있습니다 · 공개·비민감 자료만 넣어 주세요