Biyolojik veri neden Excel tablosu gibi düşünülmemeli?

Önce satırın ne olduğunu bilin

Bir dosyada şu satırı gördüğünüzü düşünün:

ENSG00000141510 | 128 | 93 | 157 | 81

Bu satır neyi temsil ediyor?

Bir gene mi?

Bir transcript’e mi?

Bir probe’a mı?

Bir genomic region’a mı?

Identifier’ın formatına bakmadan, annotation kaynağını bilmeden veya veri dosyasının nasıl üretildiğini anlamadan yalnız sayılara bakmanız yeterli değildir.

Biyolojik veri analizinde satırın kimliği, downstream analizin anlamını değiştirebilir.

Örneğin gene-level expression ile transcript-level expression aynı temsil seviyesi değildir.

Bir gene birden fazla transcript bağlanabildiği için transcript düzeyindeki satırları gene düzeyindeymiş gibi yorumlamak biyolojik bilgiyi değiştirebilir.

Identifier yalnız satır adı değildir. Hangi biyolojik nesneyi ölçtüğünüzün bir parçasıdır.

Sonra sütunun ne olduğunu bilin

Expression matrix’lerde yaygın yapı:

satırlar = features
sütunlar = samples

şeklindedir.

Modern Bioconductor SummarizedExperiment sınıfı da boyutları bu mantıkla, “features of interest × samples” biçiminde organize eder.

Ama her tablonun bu formatta olacağını varsaymamalısınız.

Örneğin sample metadata’da çoğunlukla:

satır = sample
sütun = sample variable

olabilir.

Dolayısıyla iki dosya yan yana açıldığında aynı satır/sütun mantığını taşımak zorunda değildir.

Analizin ilk görevlerinden biri bu iki veri yapısının nasıl bağlandığını çözmektir.

Observation ve variable kavramları neden yararlı?

“Tidy data” yaklaşımında temel zihinsel model:

• her variable bir sütun,
• her observation bir satır,
• her observational unit türü ayrı tablo

olacak biçimde tanımlanır.

Bu, veri okuryazarlığı için yararlı bir çerçevedir.

Fakat burada önemli bir nüans vardır:

Her omics assay matrisini zorla tek bir tidy tabloya çevirmek analizin ön koşulu değildir.

Gen × sample count matrix gibi matrix tabanlı temsiller biyoinformatik yöntemlerde doğal ve yaygın yapılardır.

Asıl soru şudur:

Bu tabloda observational unit ne? Variable ne? Feature ne? Sample ne?

Bunu bilmiyorsanız bir data frame’in “temiz” görünmesi çok az şey söyler.

Measurement ile metadata aynı şey değildir

Bir RNA-seq count matrix’te:

S1 sample’ındaki bir gene ait count değeri

measurement’dır.

S1 için:

• control,
• lung,
• batch_2,
• day_7

gibi bilgiler ise sample’ı deneysel bağlamına yerleştirir.

Bunlar ölçümün kendisi değildir.

Ama ölçümü yorumlamak için gereklidir.

Bioconductor’ın veri yapılarında bu ayrım özellikle korunur. assay() ölçüm matrisini, colData() sample-level açıklamaları ve rowData() feature-level açıklamaları yönetir.

Bunun pratik sonucu şudur:

Bir expression değeri, hangi sample’a ve hangi koşula ait olduğunu bilmiyorsanız bilimsel anlamının önemli bir bölümünü kaybeder.

Missing value sıfır değildir

Tablolarda kolay karıştırılan başka bir konu da eksik değerlerdir.

Bir hücrede 0 görmek ile değerin NA/missing olması aynı şey değildir.

Sıfır:

kullanılan veri üretim ve preprocessing bağlamına bağlı olarak ölçülen niceliğin sıfır değerini ifade ediyor olabilir.

Missing ise:

değerin mevcut olmadığını, ölçülmediğini, kaybolduğunu veya ilgili işleme göre tanımlanmadığını ifade edebilir.

Bu farkı görmeden:

• missing değerleri sıfıra çevirmek,
• sıfırları missing olarak silmek

analizi değiştirebilir.

Dolayısıyla “boş hücreleri temizlemek” gibi görünen bir işlem de biyolojik ve analitik karar taşıyabilir.

Tablo düzgün görünüyor ama identifier’lar ne?

Şöyle bir tablo düşünün:

Teknik olarak son derece düzenli.

Ama 1001, 1002, 1003 nedir?

Gene ID?

Probe ID?

Transcript ID?

Internal feature number?

Bu bilgiyi bilmeden downstream annotation veya enrichment yapmak risklidir.

Tidy-looking data ≠ biologically interpretable data.

Bu ne anlama geliyor?

Bir biyolojik veri dosyasını açtığınızda analize başlamadan önce şu sorulara cevap verin:

Satır ne?
Gene, transcript, protein, peak, hücre?

Sütun ne?
Sample, hücre, ölçüm değişkeni?

Hücredeki sayı ne?
Raw count, normalized expression, intensity, oran?

Identifier ne?
Hangi database ve hangi biyolojik seviye?

Eksik değer nasıl kodlanmış?

Sample bağlamı nerede?

Bu cevaplar olmadan tabloyu manipüle edebilirsiniz.

Ama henüz veriyi tam olarak okuyor sayılmazsınız.