차등 발현 분석 결과를 빠르게 훑어보고, 중요한 후보 유전자를 직관적으로 찾고 싶다면 volcano plot은 거의 가장 먼저 떠올려야 할 시각화 방법입니다. 특히 RNA-Seq, 마이크로어레이, 단백질체, 대사체처럼 비교 대상이 많고 변수 수가 큰 데이터에서는 변화의 크기와 통계적 유의성을 동시에 보여준다는 점에서 매우 강력합니다.
이 글에서는 volcano plot의 개념, 읽는 법, 해석 기준부터 시작해, 실제로 Excel·R·Python·웹툴로 만드는 방법을 비교하고, 마지막에는 어떤 상황에서 어떤 도구를 선택하면 좋은지까지 실무 기준으로 정리해보겠습니다.
volcano plot은 기본적으로 산점도입니다. 다만 일반 산점도와 달리, 두 축에 분석에서 가장 많이 보는 핵심 값이 들어갑니다.
log2 fold change-log10(p-value) 또는 -log10(adjusted p-value)즉, 한 점은 하나의 유전자나 단백질, 대사체를 의미하고, 그 점의 위치는 다음 두 가지를 동시에 말해줍니다.
그래서 volcano plot은 차등 발현 분석에서 “눈에 띄는 후보”를 빠르게 찾는 데 최적화되어 있습니다. 좌우로 멀리 떨어질수록 변화량이 크고, 위로 올라갈수록 유의성이 높습니다. 결과적으로 그래프의 좌상단과 우상단에 위치한 점들이 보통 가장 주목받는 후보가 됩니다.
차등 발현 분석에서 이 그래프가 특히 유용한 이유는 표 형태 결과보다 훨씬 빠르게 패턴을 파악할 수 있기 때문입니다. 예를 들어 수천 개 유전자 결과를 엑셀 표로 보면 어떤 유전자가 중요한지 즉시 감이 오지 않지만, volcano plot으로 바꾸면 전체 분포와 극단값이 한눈에 보입니다.
축의 의미를 해석하면 점의 위치가 말해주는 내용도 명확해집니다.
또한 volcano plot은 MA plot과 자주 비교됩니다. 두 그래프 모두 차등 발현 결과를 보여주지만, 용도가 조금 다릅니다.
실무에서는 후보 유전자 선별 단계에서는 volcano plot이 더 직관적이고, 저발현 영역의 왜곡이나 intensity bias를 점검할 때는 MA plot이 더 유용한 경우가 많습니다. 즉, “무엇이 많이 달라졌나”를 빠르게 보고 싶다면 volcano plot이 더 바로 와닿습니다.
volcano plot의 x축은 보통 log2 fold change입니다. 이는 두 조건 간 발현량 비율을 로그 변환한 값입니다.
예를 들면:
이렇게 변환하면 증가와 감소가 0을 중심으로 좌우 대칭에 가깝게 표현됩니다. 그래서 volcano plot에서 오른쪽은 상향 조절, 왼쪽은 하향 조절을 의미합니다.
y축은 보통 -log10(p-value)입니다. p-value가 작을수록 더 유의한 결과인데, 원래 값 그대로 쓰면 작은 수라 직관성이 떨어집니다. 그래서 음의 로그를 취해 작은 p-value일수록 위쪽에 위치하도록 만듭니다.
예를 들면:
즉, volcano plot에서 점이 높이 올라갈수록 통계적 유의성이 강하다고 이해하면 됩니다.
이 두 축을 함께 보면 기본 원리가 단순해집니다.
실제로 많은 분석에서는 색으로 그룹을 나누어 표현합니다.
이 색 구분만 잘해도 volcano plot의 해석 속도가 훨씬 빨라집니다.
좋은 volcano plot은 단순히 점만 찍은 그래프가 아니라, 어떤 기준으로 의미 있는 결과를 골랐는지가 명확해야 합니다. 이때 핵심이 되는 것이 임계값 설정입니다.
보통 다음 세 가지를 함께 봅니다.
가장 흔한 기준 예시는 다음과 같습니다.
adjusted p-value < 0.05|log2 fold change| > 1이는 대략 “통계적으로 유의하고, 2배 이상 변화한 항목만 보겠다”는 뜻입니다. 다만 이 기준은 절대 규칙이 아니라 데이터 특성, 표본 수, 연구 목적에 따라 달라질 수 있습니다.
특히 다중 검정 문제가 있는 오믹스 데이터에서는 단순 p-value보다 **adjusted p-value(FDR)**를 우선 보는 것이 일반적입니다. 유전자 수가 수천 개 이상이면 우연히 유의해 보이는 항목이 많이 생기기 때문입니다. 따라서 volcano plot에 무엇을 y축으로 썼는지, p-value인지 adjusted p-value인지 반드시 구분해야 합니다.
임계값을 정할 때 자주 생기는 문제는 두 가지입니다.
1. 기준이 지나치게 엄격한 경우
2. 기준이 지나치게 느슨한 경우
따라서 volcano plot의 기준선은 예쁘게 그리기 위한 장식이 아니라, 해석 정책 자체를 보여주는 핵심 요소입니다. 가능하면 그래프 안에 수평선과 수직선을 함께 넣어 어떤 cutoff를 썼는지 분명하게 드러내는 것이 좋습니다.
volcano plot은 직관적이지만, 그만큼 성급하게 해석하기도 쉽습니다. 아래 실수는 매우 흔합니다.
그래프에 점이 빽빽하게 많다고 해서 중요한 결과가 많다는 뜻은 아닙니다. 오믹스 데이터는 원래 변수 수가 많기 때문에 점 자체는 많을 수밖에 없습니다. 중요한 것은 어디에 분포하는지, 그리고 설정한 기준을 만족하는 점이 얼마나 일관되게 나오는지입니다.
아주 작은 p-value를 가진 점은 통계적으로는 강해 보이지만, fold change가 작으면 실제 생물학적 의미가 크지 않을 수도 있습니다. 반대로 fold change가 매우 큰데 p-value가 경계선 근처라면 표본 수 부족 때문일 수 있습니다. 그래서 volcano plot은 항상 두 축을 같이 봐야 합니다.
표본 수가 많아지면 작은 차이도 유의해질 가능성이 커집니다. 그러면 volcano plot에서 중앙 근처의 점들까지 위로 많이 올라갈 수 있습니다. 반대로 표본 수가 적으면 변화량이 커도 p-value가 충분히 낮아지지 않아 위쪽으로 못 올라가는 경우가 많습니다.
즉, volcano plot은 데이터 자체의 생물학적 차이뿐 아니라 실험 설계와 통계력의 영향을 크게 받습니다.
RNA-Seq에서는 count normalization, batch correction, low-count filtering 같은 전처리가 결과에 큰 영향을 줍니다. 정규화가 불안정하면 volcano plot의 전체 분포가 비정상적으로 치우치거나, 의미 없는 점들이 양쪽 끝으로 튈 수 있습니다. 따라서 시각화 이전 단계의 품질 관리가 매우 중요합니다.
Excel은 코딩 없이 volcano plot을 가장 빨리 그릴 수 있는 도구 중 하나입니다. 특히 소규모 데이터이거나, 개념을 익히기 위한 첫 연습 단계에서는 꽤 유용합니다.
기본 흐름은 단순합니다.
데이터 표 준비
필요한 계산 열 추가
log2FC = LOG(fold_change, 2) 또는 이미 계산된 값 사용-log10(p) = -LOG10(p-value)산점도 삽입
색상 구분용 열을 추가하거나 점을 수동 선택해 색 변경
기준선은 보조 데이터 시리즈로 추가하거나 도형 선으로 표시
Excel의 장점은 분명합니다.
하지만 volcano plot을 Excel로 만드는 데는 명확한 한계도 있습니다.
특히 같은 그래프를 다시 만들어야 하거나, 샘플 비교가 여러 개 있는 프로젝트에서는 Excel 방식이 금방 비효율적이 됩니다. 누가 어떤 필터를 적용했는지 기록도 남기기 어렵습니다. 따라서 Excel은 **학습용, 소규모, 일회성 시각화**에는 적합하지만, 반복 분석 중심의 연구에는 한계가 있습니다.
R은 생물정보학에서 volcano plot 제작의 사실상 표준에 가깝습니다. 특히 RNA-Seq 차등 발현 분석과 자연스럽게 연결된다는 점이 강점입니다.
가장 흔한 흐름은 다음과 같습니다.
log2FoldChange, pvalue, padj 추출대표적으로 많이 쓰는 조합은 다음과 같습니다.
R이 강력한 이유는 분석과 시각화를 하나의 흐름으로 연결하기 쉽기 때문입니다. 예를 들어 DESeq2 결과 객체에서 바로 필요한 컬럼을 꺼내고, 같은 스크립트에서 필터링, 라벨링, 저장까지 한 번에 처리할 수 있습니다.
예를 들어 R에서는 다음 같은 작업이 쉽습니다.
또한 volcano plot을 논문용 수준으로 다듬기 좋습니다.
R의 단점은 진입장벽입니다.
그럼에도 불구하고, 반복 분석이 많거나 결과의 재현성이 중요한 연구 환경이라면 volcano plot은 R로 만드는 것이 가장 안정적인 선택인 경우가 많습니다.
Python은 최근 연구 자동화와 데이터 파이프라인 구축 측면에서 volcano plot 제작 도구로 빠르게 중요해지고 있습니다. 특히 이미 Python으로 전처리, 통계, 머신러닝, 보고서 자동화를 하고 있다면 매우 자연스럽게 연결됩니다.
보통 다음 조합이 많이 쓰입니다.
기본 흐름은 R과 비슷합니다.
log2FC, -log10(padj) 계산Python의 가장 큰 장점은 확장성입니다. 단순히 volcano plot 하나 그리는 데서 끝나지 않고, 그 앞뒤 작업을 모두 자동화하기 쉽습니다.
예를 들면:
또한 Python은 데이터 전처리에 강합니다. 결측값 처리, 열 이름 정리, 필터링 규칙 적용, 라벨 대상 자동 선별 등을 코드로 일관되게 관리할 수 있어 협업에 유리합니다.
단점도 있습니다.
그래도 이미 Python 중심으로 일하는 팀이라면 volcano plot은 충분히 효율적으로 구현할 수 있고, 특히 반복 업무 자동화에서는 큰 장점을 발휘합니다.
설치 없이 빠르게 volcano plot을 확인하고 싶다면 웹툴은 매우 편리합니다. CSV나 엑셀 파일만 업로드하면 곧바로 시각화되는 서비스들이 많고, 일부는 라벨링과 threshold 조정, 이미지 다운로드까지 지원합니다.
웹툴의 대표 장점은 다음과 같습니다.
이런 도구는 특히 다음 상황에서 유용합니다.
다만 volcano plot 웹툴은 편리한 만큼 한계도 명확합니다.
따라서 웹툴은 빠른 확인과 탐색에는 훌륭하지만, 장기적 재현성이나 자동화가 필요한 프로젝트에서는 R이나 Python을 병행하는 것이 좋습니다.
어떤 volcano plot 도구가 가장 좋은지는 절대적으로 정해져 있지 않습니다. 사용자의 숙련도와 목적에 따라 달라집니다.
가장 쉬운 시작은 웹툴 또는 Excel입니다.
다만 학습이 끝난 뒤에도 같은 방식만 고수하면 작업이 점점 비효율적이 됩니다. 따라서 입문자는 웹툴로 개념을 익히고, 이후 R 또는 Python으로 넘어가는 전략이 좋습니다.
반복 분석이 많고, 실험 조건이 자주 추가되며, 이전 결과를 다시 재현해야 한다면 R 또는 Python이 적합합니다.
특히 RNA-Seq처럼 DESeq2 기반 분석이 이미 돌아가고 있다면 R이 가장 자연스럽습니다.
이런 경우는 거의 항상 코드 기반 도구가 유리합니다.
이 조건에서는 R이 매우 강력합니다. DESeq2, limma, edgeR와의 연결성이 좋고, 결과 객체 구조를 그대로 활용할 수 있기 때문입니다. 반면 실험실 전체 자동화 파이프라인을 Python으로 관리하고 있다면, 후처리와 시각화는 Python이 더 잘 맞을 수도 있습니다.
그래프 목적에 따라 volcano plot 도구의 우선순위도 달라집니다.
내부 검토용
발표용
논문용
정리하면 다음과 같습니다.
좋은 volcano plot은 화려한 그래프가 아니라, **빠르게 읽히는 그래프**입니다. 다음 원칙을 지키면 품질이 크게 올라갑니다.
보통 세 그룹이면 충분합니다.
색이 너무 많으면 오히려 핵심이 흐려집니다. volcano plot은 분류보다 대비가 중요한 그래프입니다.
모든 점에 라벨을 붙이면 읽을 수 없습니다. 다음 중 하나를 추천합니다.
수평선과 수직선을 넣어 cutoff를 표시하면 해석이 빨라집니다.
점선이나 연한 색으로 처리하면 본문 점들을 방해하지 않습니다.
범례가 꼭 필요하지 않다면 제거해도 됩니다. 색 의미가 명확하면 생략이 더 깔끔할 수 있습니다.
volcano plot은 그래프 한 장으로 끝나지 않습니다. 누가, 어떤 기준으로, 어떤 데이터에서 만들었는지가 남아야 가치가 있습니다.
R이나 Python으로 만들면 다음이 남습니다.
이 기록은 나중에 결과를 다시 설명할 때 매우 중요합니다. 논문 수정, 공동저자 피드백, 실험 재현 단계에서 큰 차이를 만듭니다.
같은 volcano plot이라도 데이터 버전이 바뀌면 결과가 달라질 수 있습니다. 따라서 최소한 다음은 구분해 두는 것이 좋습니다.
Git 같은 버전 관리 도구를 쓰면 특히 협업 시 유리합니다.
실무에서는 다음 항목을 함께 정리해 두면 좋습니다.
이런 정보가 정리되어 있으면 나중에 같은 volcano plot을 다시 만드는 시간이 크게 줄어듭니다.
실전에서 volcano plot을 잘 만들려면 단순 코드 예제보다도, 배경 통계와 도구별 관행을 함께 익히는 것이 좋습니다.
다음 개념은 꼭 이해하고 넘어가는 것이 좋습니다.
이 개념이 부족하면 volcano plot은 예쁘게 그려도 해석이 흔들리기 쉽습니다.
실무적으로는 다음 방식이 효율적입니다.
예제를 볼 때는 단순히 “그림이 예쁜가”보다 아래를 먼저 보세요.
volcano plot은 차등 발현 분석 결과를 빠르게 이해하고, 후속 검증 후보를 선별하는 데 매우 강력한 시각화입니다. 하지만 그래프 자체보다 더 중요한 것은 어떤 데이터와 기준으로 만들었는지, 그리고 누가 다시 봐도 같은 결과를 재현할 수 있는지입니다.
도구 선택은 이렇게 정리할 수 있습니다.
결국 최고의 선택은 “가장 유명한 도구”가 아니라 내 분석 흐름과 팀 협업 방식에 가장 잘 맞는 도구입니다.
처음에는 간단하게 시작하더라도, 반복 분석이 늘어난다면 반드시 코드 기반 방식으로 옮겨가는 것이 좋습니다. 그래야 volcano plot이 단순한 그림을 넘어, 신뢰할 수 있는 분석 결과물로 기능하게 됩니다.
주로 RNA-Seq, 마이크로어레이, 단백질체, 대사체처럼 변수 수가 많은 차등 분석에서 많이 사용됩니다. 변화량과 통계적 유의성을 한 번에 보여줘 후보를 빠르게 찾는 데 적합합니다.
일반적으로 좌상단과 우상단에 있는 점을 먼저 봅니다. 이 영역은 변화 크기도 크고 통계적으로도 유의한 항목일 가능성이 높습니다.
오믹스 데이터처럼 다중 검정이 많은 경우에는 adjusted p-value를 우선 보는 것이 보통 더 안전합니다. 그래프를 해석할 때 y축이 어떤 값으로 그려졌는지 먼저 확인해야 합니다.
빠른 초안이나 학습용이면 Excel이나 웹툴이 편하고, 반복 분석과 재현성이 중요하면 R이나 Python이 더 적합합니다. 특히 RNA-Seq 실무에서는 분석 파이프라인과 연결하기 쉬운 R이 많이 쓰입니다.
Volcano plot은 크게 변하고 유의한 후보를 빠르게 찾는 데 강합니다. 반면 MA plot은 평균 발현량에 따른 편향이나 저발현 구간의 패턴을 점검할 때 더 유용합니다.
작성자
Seongbin
FanRuan에서 재직하는 고급 데이터 분석가
관련 기사
바차트란 무엇인가? 막대그래프와 주식 바차트 차이까지 10분 만에 이해하기
‘ 바차트 ’라는 말을 들으면 많은 사람이 먼저 $1 를 떠올립니다. 실제로 $1에서는 바차트가 곧 $1를 뜻하는 경우가 많습니다. 하지만 주식이나 금융 시장에서는 같은 단어가 전혀 다른 방식의 가격 차트 를 의미하기도 합니다. 바로 하나의 선과 짧은 눈금으로 시가, 고가, 저가, 종가 를 표시하는 금융용 바차트입니다. 초보자가 가장 많이 헷갈리는 지점도 여기입니다. “바차트 = $1 아닌가
Seongbin
2026년 4월 14일
엑셀 원형 차트 만들기 전에 꼭 알아야 할 7가지 데이터 준비 원칙
엑셀에서 원형 차트 를 만드는 일 자체는 어렵지 않습니다. 몇 번만 클릭하면 금방 완성되죠. 하지만 문제는 “만들 수 있느냐”가 아니라 제대로 해석되는 차트를 만들 수 있느냐 입니다. 같은 데이터라도 준비 방식이 조금만 어긋나면, 보는 사람은 비율을 잘못 이해하거나 중요하지 않은 항목을 더 크게 받아들일 수 있습니다. 특히 원형 차트는 단순해 보이지만, 사실은 데이터 구조가 명확할 때만 효과
Seongbin
2026년 4월 14일
차트 그리는 사이트 추천 2026: 무료·설치 없는 웹 도구 7가지 비교
데이터를 빠르게 정리해 보여줘야 하는 순간, 가장 먼저 찾게 되는 것이 바로 차트 그리는 사이트 입니다. 예전에는 엑셀이나 전문 프로그램을 설치해야만 $1를 만들 수 있다는 인식이 강했지만, 2026년에는 브라우저만 열면 바로 사용할 수 있는 무료 웹 도구가 훨씬 많아졌습니다. 과제용 $1부터 마케팅용 인포그래픽, 간단한 통계 $1까지 대부분 웹에서 해결할 수 있습니다. 특히 요즘은 설치 없
Seongbin
2026년 4월 14일
