1. Genomik Verilerin Kapsamı ve Büyük Ölçekli Genom Projeleri
Bir organizmanın tüm kalıtsal bilgilerini içeren DNA dizisine genom denilmektedir. İnsan genomundaki DNA, yalnızca çıplak DNA hâlinde bulunmayıp histon proteinlerinin aracılık ettiği nükleozomlar ve daha yüksek dereceli yapılar oluşturan kromatin ve kromozomlar şeklinde paketlenmektedir. Genomik ise organizmaların tüm genomlarının incelenmesinin yanı sıra, genom ölçekli verilerin araştırılması yoluyla yeni özelliklerin bulunmasında işlev gören veri odaklı bir bilim alanıdır.
Genomik veriler; antik DNA analizi, hastalık-gen ilişkileri, gelişim biyolojisi ve diğer birçok araştırma alanını kapsamaktadır. Büyük ölçekli genom ve genomik dizileme için gereken maliyet ve zamanın teknolojik gelişmeler sayesinde azalması, genomik verilerin son yıllarda önemli ölçüde artmasını sağlamıştır. Yüksek verimli dizileme teknolojilerindeki gelişmeler de genomik veri üretiminin katlanarak artmasına katkıda bulunmuştur.
Bu veri üretimindeki artış, çeşitli büyük ölçekli genom projelerinin ortaya çıkmasına öncülük etmiştir. Earth BioGenome Project, Darwin Tree of Life Projesi, 5,000 Arthropod Genomes Projesi ve 10,000 Plant Genomes Projesi gibi projelerin yanı sıra European Reference Genome Atlas (ERGA) gibi girişimler, çok sayıda yeni genomun dizilenmesini amaçlayan çalışmalar arasında yer almaktadır. Ayrıca bireysel çalışmalar, metagenomdan elde edilen metagenome-assembled genomes (MAG’ler) dâhil olmak üzere yeni genomik kaynakların oluşturulmasına katkı sağlamaktadır.
2. Genomik Analizlerin Yapılışı ve Zenginleştirme Yaklaşımı
Genomik analiz yöntemlerinde, ifade edilen genler veya bağlanma bölgeleri gibi istenilen biyolojik özelliklerin genom düzeyinde incelenmesi amaçlanmaktadır. Bu analiz yöntemlerinin bazıları, hedeflenen biyolojik özelliğin zenginleştirilmesine dayanmaktadır.
Protein kodlayan genlerin ekspresyonunun ölçülmesi amaçlandığında, RNA dizileme deneylerinde olduğu gibi RNA moleküllerinin elde edilmesi ve dizilenmesi gerekmektedir. Transkripsiyon faktörü bağlanmasının incelenmesinde ise kromatin immünopresipitasyon sekanslama (ChIP-seq) deneylerinde, ilgilenilen protein tarafından bağlanan DNA fragmanları için zenginleştirme uygulanmaktadır. Bu süreçlerde kullanılan nihai ürünler RNA veya DNA parçalarıdır ve analizler mevcut moleküler biyoloji ve kimya tekniklerine dayanmaktadır.
3. Yüksek Verimli Genom Analizlerinin Temel Basamakları ve Kalite Değerlendirmesi
Yüksek verimli genom analizleri temel olarak ekstraksiyon, kütüphane hazırlama, dizileme ve veri analizi basamaklarından oluşmaktadır. Ekstraksiyon aşamasında ilgilenilen genetik materyal olan RNA veya DNA hücreden çıkarılmaktadır. Kütüphane hazırlama veya zenginleştirme aşamasında, ilgilenilen özelliğe bağlı olarak protein bağlanma bölgeleri gibi belirli bölgeler için zenginleştirme gerçekleştirilebilmektedir. Bununla birlikte, tüm genom DNA dizilemesi gibi bazı analizlerde zenginleştirme aşamasına gerek duyulmadan genomik DNA parçaları alınarak dizilenmektedir.
Veri analizi aşamasında dizileme verilerinin kalite kontrolü, hizalanması, nicel analizi ve biyolojik olarak yorumlanması gerçekleştirilebilmektedir. Protokole bağlı olarak kontrol gruplarından elde edilen verilerin de nicelendirilmesi gerekebilmektedir.
Genom veya transkriptom veri setlerinin değerlendirilmesinde Evrensel Tek Kopya Ortologlarının Kıyaslaması (BUSCO) gibi programlardan yararlanılmaktadır. BUSCO yaklaşımında, önceden tanımlanmış ve belirli bir taksonomik grupta korunmuş ortolog gen setleri, analiz edilen genom, transkriptom veya protein setindeki gen modelleri ya da dizilerle karşılaştırılmaktadır. Ölçülen gen bütünlüğü, BUSCO gen setindeki tamamlanmış, parçalanmış veya eksik ortologların oranları üzerinden değerlendirilmekte ve bu nedenle elde edilen sonuçlar kalite göstergesi olarak kullanılmaktadır.
4. Hesaplamalı Biyolojide Kullanılan Programlama Dilleri ve R
Çoğu yüksek performanslı genomik yazılımı uygulamaya özgü olduğundan anlaşılması zor olabilmektedir. Hesaplamalı biyoloji alanında Bioconductor projesi ile R’nin ana paket deposu olan CRAN öne çıkan kaynaklar arasında yer almaktadır. Bunun yanında R-Forge, GitHub ve Bitbucket da hesaplamalı biyoloji için kullanılan kaynaklar arasında bulunmaktadır.
Programlama dilleri arasında geliştirme kolaylığı, performans ve ölçeklenebilirlik açısından farklılıklar bulunmaktadır. Python ve R dilleri kolay geliştirme imkânı sağlarken, C, C++ ve Rust daha yüksek performans sunmakla birlikte geliştirilmesi ve bakımı daha zor yapılar olarak değerlendirilmektedir. Matlab ve Julia gibi bazı çözümler ise sayısal hesaplama ve bilimsel programlama alanlarında da yaygın olarak kullanılmaktadır. Rust-Bio, SeqAn, BioJulia ve Biopython gibi girişimler de biyoinformatik yazılımının geliştirilmesini kolaylaştırmaya yönelik örnekler arasında yer almaktadır.
5. R Programlama Dilinin Genomik Analizlerde Kullanımı
R, ortak platformlar ve işletim sistemlerinde kullanılabilen, yazılım oluşturmak ve veri analizi gerçekleştirmek amacıyla kullanılan ücretsiz bir istatistiksel programlama dilidir. Hızlı grafik oluşturma özellikleri, R’yi keşif amaçlı analizler için kullanışlı hâle getirmektedir. Ayrıca faktörler veya isimlerle indekslenmiş veri yapıları gibi özellikleri farklı analizlerde kullanılabilmektedir.
R’nin modüler yapısı, yeni paketlerin ve iş akışlarının (pipeline) oluşturulmasını ve çeşitli analizlerin gerçekleştirilmesini kolaylaştırmaktadır. R ayrıca C, C++ ve diğer bazı dillerde yazılan kodlarla arayüzlenebilmekte ve R ortamında verimli olmayan hesaplamaların bu dillerde yeniden kodlanmasına olanak sağlamaktadır.
6. Genomikte R ile Veri Analizi ve R Nesnelerinin Kullanımı
Genomik analizlerde R programını uygulamalı olarak kullanabilmek için R’nin kurulması gerekmektedir; RStudio ise R ile çalışmayı kolaylaştıran isteğe bağlı bir geliştirme ortamıdır. Hesaplamalı genomik çalışmalarında Bioconductor paketleri ve çeşitli kaynak dosyalar kullanılmaktadır. BED benzeri dosya biçimleri ve farklı R nesneleri analizlerde girdi olarak kullanılabilmekte; data.frame veya GRanges nesneleri ile BED ve GFF dosyaları rtracklayer paketi aracılığıyla içe ve dışa aktarılabilmektedir.
R nesneleri save() ve saveRDS() komutları kullanılarak doğrudan dosyaya kaydedilebilmekte, load() ve readRDS() komutlarıyla yeniden yüklenebilmektedir. Bu işlevler aracılığıyla, farklı türlerdeki R nesneleri kaydedilebilmektedir. Ayrıca R ile temel grafikler oluşturulabilmekte ve örnek veri setleri için histogram gibi grafikler hazırlanabilmektedir.
7. Genomik Teknolojilerin Biyolojik ve Araştırma Alanlarındaki Kullanımı
Genomik, organizmaların tüm genomlarının incelenmesinin yanı sıra genom ölçekli verilerin araştırılması yoluyla yeni özelliklerin bulunmasını amaçlayan veri odaklı bir bilim alanıdır. Genomik teknolojiler; fenotip ve genotip arasındaki korelasyonların incelenmesi, hastalıkların tanımlanması için biyobelirteçlerin keşfi, gen ekspresyonunun incelenmesi ve transkripsiyonel düzenleyici bölgeler gibi biyokimyasal genomik alanların haritalanmasını kapsamaktadır. Gen fonksiyonu verileri, biyoenformatikteki derin öğrenme uygulamaları için önemli hedeflerden biri olarak ele alınmakta; genomik bilgilere uygulanan derin öğrenmenin genom analizini dönüştürme potansiyeline sahip ve hızla gelişen bir yaklaşım alanı olduğu belirtilmektedir.
8. Genomikte R Çerçeveleri ve Pipeline Uygulamaları
Genomik için R paketleri, iş akışları ve çerçeveleri araştırma bağlamında yaygın olarak kullanılmakta ve çeşitli pipeline uygulamalarının geliştirilmesine olanak sağlamaktadır. Bu araçlar; dizileme okumaları, hizalamalar ve varyantlar gibi birincil veriler üzerinde çalışmakta ve R’nin istatistiksel analiz, makine öğrenimi, grafik oluşturma ve etkileşimli özelliklerinden yararlanılmasını sağlamaktadır.
İyi bir yazılım geliştirmenin zor ve zaman alıcı olması nedeniyle, belirli bir görev için iyi test edilmiş, desteklenen ve uygun lisansa sahip uygulamaların üzerine yeni sistemlerin inşa edilmesi teşvik edilmektedir. R ekosistemindeki CRAN ve Bioconductor depoları, geliştiricilere çok sayıda pakete erişim sağlamaktadır. Bu paketler hızlı geliştirmeyi desteklemekte ve uzun süreli çalışmalar sonucunda oluşan bilgi birikimlerini içerebilmektedir.
Genomikte R kullanımındaki güncel yaklaşımlar, tanımlanan dilbilgisi öğeleri ve tasarım ilkeleri sayesinde genomik verilerin standart R veri yapıları ve Bioconductor sınıfları kullanılarak temsil edilmesini ve farklı analiz araçlarıyla birlikte kullanılabilmesini kolaylaştırmaktadır.
Derleyen: Beray Kalelioğlu
