단일세포 RNA-seq 분석 실전 가이드: Seurat vs Scanpy, 어떤 걸 써야 할까?

왜 단일세포 RNA-seq인가?

벌크 RNA-seq으로는 도저히 보이지 않던 세포 이질성(heterogeneity)이 단일세포 수준에서 드러나기 시작하면서, scRNA-seq는 이제 거의 모든 생물학 연구의 기본 도구가 됐습니다. 저도 처음에는 "굳이 단일세포까지?"라고 생각했는데, 실제로 종양 미세환경 데이터를 분석해보니 벌크에서는 하나로 뭉쳐 보이던 T세포가 완전히 다른 5개 이상의 하위 집단으로 나뉘더라고요.

Seurat: R 기반의 절대 강자

Seurat은 R 생태계에서 scRNA-seq 분석의 사실상 표준입니다. 2026년 현재 v5까지 나오면서 멀티모달 데이터 통합, 대용량 데이터 처리 성능이 확 좋아졌어요.

제가 실제로 사용하면서 느낀 Seurat의 장점은 이렇습니다:

• 직관적인 워크플로우 — CreateSeuratObject부터 FindClusters까지 파이프라인이 매끄럽습니다

• 시각화가 예쁨 — ggplot2 기반이라 논문용 figure 바로 뽑기 좋습니다

• 방대한 vignette — 공식 튜토리얼만 따라해도 웬만한 분석은 끝납니다

• 통합 분석(Integration) — 배치 효과 보정이 정말 잘 됩니다

단점이라면 메모리 사용량이 좀 과하다는 거죠. 10만 셀 넘어가면 32GB RAM으로도 버거울 때가 있습니다.

Scanpy: Python 유저의 대안 그 이상

Python 환경에서 일하는 분이라면 Scanpy가 훨씬 자연스럽습니다. AnnData 구조를 쓰기 때문에 pandas, numpy와의 호환성이 뛰어나고, 대규모 데이터에서 Seurat보다 메모리 효율이 좋습니다.

특히 딥러닝 기반 도구(scVI, CellTypist 등)와 연계할 때 Scanpy가 압도적으로 편합니다. 요즘 트렌드가 foundation model 기반 셀 어노테이션 쪽으로 가고 있어서, Python 생태계의 이점이 점점 커지고 있어요.

다만 시각화 쪽은 솔직히 Seurat에 비하면 좀 아쉽습니다. matplotlib 기반이라 커스터마이징은 가능하지만 기본 출력이 덜 세련됐달까요.

실전에서의 선택 기준

결론부터 말하면, 둘 다 할 줄 아는 게 최고입니다. 하지만 하나만 골라야 한다면:

• 연구실에서 R을 주로 쓰고, 논문 figure가 중요하다면 → Seurat

• 머신러닝/딥러닝 파이프라인과 연결해야 한다면 → Scanpy

• 10만 셀 이상의 대규모 atlas 데이터를 다룬다면 → Scanpy

• 배치 통합이 핵심이라면 → Seurat v5의 bridge integration

실전 팁 몇 가지

분석하면서 삽질한 경험을 바탕으로 팁 몇 개 남깁니다:

• QC 기준을 논문에서 베끼지 마세요 — 조직마다, 프로토콜마다 적정 nFeature, percent.mt 기준이 다릅니다. 분포를 직접 보고 결정하세요.

• **DoubletFinder(R) 또는 Scrublet(Python)**은 꼭 돌리세요. doublet이 클러스터 하나를 통째로 만들어내는 경우가 생각보다 많습니다.

• resolution 파라미터에 너무 집착하지 마세요. 0.5든 1.0이든, 생물학적으로 의미 있는 마커가 나오는지가 핵심입니다.

scRNA-seq 분석은 도구보다 생물학적 해석 능력이 더 중요합니다. 어떤 도구를 쓰든, 결국 "이 클러스터가 생물학적으로 뭘 의미하는가"에 답할 수 있어야 하니까요.

📚 참고 데이터베이스: PubMed | Nature

---

관련 읽을거리

• 💊 비타민D 부족이 만성피로의 원인? 혈액검사로 확인하세요 — Genobalance
• 🧠 AI가 뇌 영상을 분석하는 시대: 신경과학에서의 딥러닝 — K-Brain Map
• 💻 AI 기술 동향: 핫 스타트업부터 윤리적 논쟁까지 — BRIC