""" generate_sample_data.py — GlucoClampTracer 합성 샘플 데이터 생성기 ==================================================================== 하이퍼인슐린혈성-정상혈당 클램프 실험의 현실적인 마우스 데이터를 합성한다. 외부 네트워크/API 없이 완전 오프라인으로 동작한다(numpy 난수만 사용). 생성 파일 (data/ 하위): - clamp_timeseries.csv : 펌프 GIR / 혈당 / 체중 시계열 - tracer_enrichment.csv : [3-3H]glucose / [6,6-2H2]glucose 트레이서 데이터 - tissue_2dg.csv : 조직 특이적 2-DG-6-P 측정값 3개 그룹 x 6마리 = 18마리 (Control, DIO, db/db). 재현: `python3 generate_sample_data.py` (data/ 폴더에 CSV 3종 생성) """ from __future__ import annotations import os import numpy as np import pandas as pd RNG = np.random.default_rng(20260518) # 재현성을 위한 고정 시드 DATA_DIR = os.path.join(os.path.dirname(os.path.abspath(__file__)), "data") # 그룹 정의: (그룹명, 마우스모델, n, 전형 GIR mg/kg/min, HGP억제%, 체중 g) GROUPS = [ ("Control", "C57BL/6", 6, 42.0, 88.0, 27.0), ("DIO", "DIO", 6, 16.0, 50.0, 44.0), ("dbdb", "db/db", 6, 6.0, 22.0, 48.0), ] # 클램프 프로토콜: -120~0분 기저, 0~120분 클램프, 10분 간격 샘플 TIME_BASAL = np.arange(-30, 1, 10) # 기저 트레이서 평형 TIME_CLAMP = np.arange(0, 121, 10) # 클램프 ALL_TIME = np.concatenate([TIME_BASAL[:-1], TIME_CLAMP]) TISSUES = [ "gastrocnemius", "soleus", "EDL", "tibialis", "heart", "BAT", "WAT", "liver", ] # 조직별 상대 흡수 가중치(정상 마우스 기준 근사) — 적색근 > 백색근 > 지방 TISSUE_WEIGHT = { "gastrocnemius": 1.0, "soleus": 2.4, "EDL": 0.7, "tibialis": 0.9, "heart": 3.0, "BAT": 4.5, "WAT": 0.35, "liver": 0.5, } def _animal_ids(): ids = [] for gname, _model, n, *_ in GROUPS: for i in range(1, n + 1): ids.append((f"{gname}_{i:02d}", gname)) return ids def make_timeseries(): """펌프 GIR / 혈당 / 체중 시계열 CSV 데이터프레임 생성.""" rows = [] for gname, model, n, gir_target, _hgp, bw_mean in GROUPS: for i in range(1, n + 1): aid = f"{gname}_{i:02d}" bw = float(np.round(RNG.normal(bw_mean, bw_mean * 0.06), 1)) lean = float(np.round(bw * RNG.uniform(0.62, 0.72), 1)) # 개체별 정상상태 GIR (mg/kg/min) -> mL/h 펌프 단위로 환산 gir_ss_mgkgmin = max(RNG.normal(gir_target, gir_target * 0.18), 0.5) # mg/kg/min -> mg/min -> uL/min(0.2 mg/uL) -> mL/h mg_per_min = gir_ss_mgkgmin * (bw / 1000.0) uL_per_min = mg_per_min / 0.2 gir_ss_mL_h = uL_per_min * 60.0 / 1000.0 for t in ALL_TIME: if t <= 0: gir = 0.0 # 기저에는 포도당 주입 없음 # 기저 혈당: 모델별 — db/db는 고혈당 base_g = {"C57BL/6": 150, "DIO": 175, "db/db": 320}[model] glucose = RNG.normal(base_g, base_g * 0.05) else: # 클램프 진입: GIR이 0->정상상태로 ramp-up (지수 접근) ramp = 1.0 - np.exp(-t / 25.0) gir = gir_ss_mL_h * ramp * RNG.normal(1.0, 0.04) # 혈당을 목표 150으로 수렴 (초기 transient 후 안정) target = 150.0 if t < 40: glucose = RNG.normal(target + (40 - t) * 1.1, 12) else: glucose = RNG.normal(target, 6.5) rows.append({ "animal_id": aid, "group": gname, "model": model, "time_min": int(t), "gir_mL_per_h": round(max(gir, 0.0), 4), "glucose_mg_dL": round(float(glucose), 1), "body_weight_g": bw, "lean_mass_g": lean, }) return pd.DataFrame(rows) def make_tracer(): """[3-3H]glucose / [6,6-2H2]glucose 트레이서 enrichment CSV 생성. - tracer_3h_infusion_dpm_min : 트레이서 주입율(dpm/min) - plasma_3h_sa_dpm_per_mg : 혈장 3H 비방사능 (dpm/mg glucose) - plasma_2h2_enrichment_pct : 혈장 [6,6-2H2]glucose enrichment (MPE %) - basal vs clamp 각각 기록 """ rows = [] # 트레이서 주입율은 동물 공통(프라이밍 후 일정) tir_3h = 1.10e6 # dpm/min for gname, model, n, gir_target, hgp_supp, bw_mean in GROUPS: for i in range(1, n + 1): aid = f"{gname}_{i:02d}" # 기저 HGP (mg/kg/min) — 모델별 hgp_basal = {"C57BL/6": 22.0, "DIO": 28.0, "db/db": 38.0}[model] hgp_basal *= RNG.normal(1.0, 0.12) # 비방사능 SA = TIR / Ra (기저: Ra = HGP_basal) # 단위 일치를 위해 SA 스케일은 임의 일관 단위로 둔다. sa_basal = tir_3h / max(hgp_basal, 1.0) # 클램프: Rd 증가 -> SA 하락. HGP 억제율 반영. hgp_clamp = hgp_basal * (1.0 - hgp_supp / 100.0 * RNG.normal(1.0, 0.1)) gir_ss = max(RNG.normal(gir_target, gir_target * 0.18), 0.5) ra_clamp = hgp_clamp + gir_ss sa_clamp = tir_3h / max(ra_clamp, 1.0) # 안정동위원소 enrichment(%) — SA와 반비례 경향, 별도 트레이서 enr_basal = 2.6 * (22.0 / max(hgp_basal, 1.0)) * RNG.normal(1.0, 0.08) enr_clamp = enr_basal * (hgp_basal / max(ra_clamp, 1.0)) * RNG.normal(1.0, 0.08) for state, sa, enr in ( ("basal", sa_basal, enr_basal), ("clamp", sa_clamp, enr_clamp), ): rows.append({ "animal_id": aid, "group": gname, "model": model, "state": state, "tracer_3h_infusion_dpm_min": round(tir_3h, 1), "plasma_3h_sa_dpm_per_mg": round(float(sa) * RNG.normal(1.0, 0.05), 2), "plasma_2h2_enrichment_pct": round(float(enr) * RNG.normal(1.0, 0.05), 4), "plasma_glucose_mg_dL": round( 150.0 if state == "clamp" else {"C57BL/6": 150, "DIO": 175, "db/db": 320}[model] * RNG.normal(1.0, 0.04), 1), "hot_ginf_dpm_min": 0.0, # 본 데이터셋은 cold GINF 사용 }) return pd.DataFrame(rows) def make_tissue_2dg(): """조직 특이적 2-DG-6-P 측정값 CSV 생성. - tissue_2dg6p_dpm_per_g : 조직 인산화 2-DG-6-P (dpm/g) - plasma_2dg_auc_dpm_min_per_mL : 혈장 2-DG 소실곡선 AUC - mean_plasma_glucose_mg_per_mL : 클램프 평균 혈장 포도당 """ rows = [] for gname, model, n, gir_target, _hgp, _bw in GROUPS: # 모델별 전신 인슐린 감수성 스케일 (Control 1.0 기준) sens = {"C57BL/6": 1.0, "DIO": 0.45, "db/db": 0.18}[model] for i in range(1, n + 1): aid = f"{gname}_{i:02d}" plasma_auc = float(RNG.normal(3.4e6, 3.0e5)) mean_glc = round(150.0 / 100.0 * RNG.normal(1.0, 0.03), 4) # mg/mL for tissue in TISSUES: base = 9.0e4 * TISSUE_WEIGHT[tissue] val = base * sens * RNG.normal(1.0, 0.16) rows.append({ "animal_id": aid, "group": gname, "model": model, "tissue": tissue, "tissue_2dg6p_dpm_per_g": round(max(val, 0.0), 1), "plasma_2dg_auc_dpm_min_per_mL": round(plasma_auc, 1), "mean_plasma_glucose_mg_per_mL": mean_glc, }) return pd.DataFrame(rows) def main(): os.makedirs(DATA_DIR, exist_ok=True) ts = make_timeseries() tr = make_tracer() tg = make_tissue_2dg() ts_path = os.path.join(DATA_DIR, "clamp_timeseries.csv") tr_path = os.path.join(DATA_DIR, "tracer_enrichment.csv") tg_path = os.path.join(DATA_DIR, "tissue_2dg.csv") ts.to_csv(ts_path, index=False) tr.to_csv(tr_path, index=False) tg.to_csv(tg_path, index=False) print(f"[OK] {ts_path} ({len(ts)} rows, {ts['animal_id'].nunique()} animals)") print(f"[OK] {tr_path} ({len(tr)} rows)") print(f"[OK] {tg_path} ({len(tg)} rows, {len(TISSUES)} tissues)") print("합성 데이터 생성 완료.") if __name__ == "__main__": main()