Optogenetikten Biyoinformatiğe: Araştırmanızda Nerede Kullanabilirsiniz?

Optogenetik benim alanım değilse bu yazı neden önemli?

Optogenetik denildiğinde çoğu kişinin aklına aynı şey gelir:

nöronlar,

fare beyni,

ışık,

davranış deneyleri.

Bu yüzden moleküler biyoloji, veterinerlik, ekoloji, ziraat veya biyoinformatik çalışan biri haklı olarak şöyle düşünebilir:

“İlginç ama bunun benim araştırmamla ne ilgisi var?”

Aslında bu serinin en önemli noktalarından biri burada.

Çünkü optogenetik yalnızca belirli bir teknoloji örneği değildir.

Aynı zamanda modern yaşam bilimlerinde bir araştırma sorusunun farklı veri katmanlarına nasıl ayrılabileceğini çok güzel gösterir.

İlk ayrım: Optogenetik biyoinformatik değildir

Bunu net söylemek gerekir.

Optogenetik, hücrelerin aktivitesini ışığa duyarlı moleküler araçlarla değiştirmeye yarayan deneysel bir yöntemdir.

Biyoinformatik ise biyolojik veriyi:

• bulmak,
• düzenlemek,
• karşılaştırmak,
• analiz etmek,
• yorumlamak

için hesaplamalı yaklaşımlar kullanır.

Yani bunlar aynı şey değildir.

Ama aynı araştırma projesinde birbirlerini tamamlayabilirler.

Soru 1 — Hangi opsini kullanmalıyım?

Channelrhodopsin tek bir protein değildir.

Doğada farklı opsinler bulunur.

Araştırma laboratuvarlarında da farklı özelliklere sahip opsin varyantları kullanılabilir.

Bu durumda araştırmacının sorusu şöyle olabilir:

“Benim deney sistemim için hangi opsin daha uygun?”

Burada biyoinformatik devreye girebilir.

NCBI veya diğer protein veri tabanlarında:

• protein dizilerini bulabilirsiniz,
• benzer dizileri karşılaştırabilirsiniz,
• conserved domain’leri inceleyebilirsiniz,
• farklı organizmalardaki opsinleri araştırabilirsiniz.

BLAST ile belirli bir opsine benzeyen dizileri bulabilirsiniz.

Multiple sequence alignment ile hangi bölgelerin daha korunmuş olduğunu görebilirsiniz.

Ama burada önemli bir sınır vardır:

Sequence similarity tek başına “bu protein kesinlikle aynı işlevi yapar” anlamına gelmez.

Dizi bilgisi adayları karşılaştırmaya yardım eder.

Fonksiyon için deneysel kanıt gerekir.

Soru 2 — Opsinler evrimsel olarak nasıl ilişkili?

Bir başka soru şu olabilir:

Farklı organizmalardaki ışığa duyarlı proteinler birbirleriyle nasıl ilişkili?

Bu noktada filogenetik anlamlı hale gelir.

Basit bir çalışma akışı şöyle olabilir:

opsin dizilerini topla

↓

sequence alignment yap

↓

uygun bölgeleri kontrol et

↓

filogenetik ağaç oluştur

↓

evrimsel ilişki ile protein özelliklerini birlikte yorumla

Burada amaç yalnızca bir ağaç üretmek değildir.

Asıl sorular biyolojik olmalıdır.

Örneğin:

Belirli iyon seçicilikleri belirli protein gruplarında mı yoğunlaşıyor?

Farklı ışık özelliklerine sahip opsinler aynı evrimsel grupta mı?

Belirli amino asit değişimleri fonksiyonel farklarla ilişkili olabilir mi?

Soru 3 — Proteindeki değişiklikler işlevi neden etkileyebilir?

Protein dizisi bize çok şey söyler.

Ama protein üç boyutlu çalışan bir moleküldür.

Channelrhodopsin gibi membran proteinlerinde amino asit değişiklikleri:

• kanalın açılma ve kapanma davranışını,
• iyon seçiciliğini,
• ışığa duyarlılığı,
• spektral özellikleri

etkileyebilir.

Burada yapısal biyoinformatik devreye girer.

Deneysel protein yapıları,

tahmin edilmiş modeller,

korunmuş bölgeler,

literatürde daha önce test edilmiş amino asitler

birlikte değerlendirilebilir.

Ama burada da aynı uyarı geçerli:

Bir yapı modeli tek başına fonksiyonu kanıtlamaz.

Yapı, hipotez üretmeye yardım eder.

Deney, hipotezi sınar.

Soru 4 — Hangi hücreleri hedeflemeliyim?

Modern nörobilimde çok önemli sorulardan biri budur.

Bir beyin bölgesi tek tip hücreden oluşmaz.

Aynı bölgede farklı genleri ifade eden, farklı bağlantılara ve farklı işlevlere sahip hücre popülasyonları bulunabilir.

Bu noktada single-cell RNA-seq gibi yöntemler çok değerlidir.

Single-cell RNA-seq sayesinde araştırmacılar tek tek hücrelerin gen ekspresyon profillerini karşılaştırabilir.

Böylece:

hangi hücrelerde hangi genler daha yüksek ifade ediliyor?

hangi hücre popülasyonları birbirinden ayrılıyor?

hangi marker genler belirli hücre gruplarıyla ilişkili olabilir?

gibi sorular sorulabilir.

Bu bilgi, optogenetik deneyde hangi hücre grubunun hedeflenebileceğine dair hipotez oluşturmaya yardım edebilir.

Ama yine önemli bir sınır var:

UMAP’ta gördüğünüz her cluster otomatik olarak biyolojik bir hücre tipi değildir.

Hücre kimliği:

• marker genler,
• deney bağlamı,
• referans veri,
• biyolojik bilgi,
• gerekirse ek deneysel doğrulama

ile yorumlanmalıdır.

Dolayısıyla:

single-cell RNA-seq → hangi hücre popülasyonlarının bulunduğunu anlamaya yardım eder

optogenetik → seçilen hücre popülasyonunun işlevini deneysel olarak test etmeye yardım edebilir

Bu iki yaklaşım birbirinin yerine geçmez.

Birbirini tamamlar.

Soru 5 — Deneyden sonra hangi veriyi analiz edeceğim?

Optogenetik deneyinin çıktısı yalnızca:

“hayvan hareket etti / etmedi”

olmak zorunda değildir.

Projeye bağlı olarak çok farklı veri türleri üretilebilir:

• davranış ölçümleri,
• elektrofizyolojik kayıtlar,
• görüntüleme verileri,
• zaman serileri,
• gen ekspresyon verileri,
• histolojik sayımlar.

Bu noktada R veya Python gibi analiz ortamları devreye girebilir.

Ama yine araçtan değil sorudan başlamalıyız.

Örneğin:

Işık verilen ve verilmeyen koşullarda davranış değişiyor mu?

Bu bir karşılaştırma problemidir.

Yanıt farklı zaman noktalarında değişiyor mu?

Bu zaman ve deney tasarımı problemidir.

Belirli hücre grubunda gen ekspresyonu değişiyor mu?

Bu transkriptomik analiz problemidir.

Araç, sorudan sonra gelir.

ERES’te öğrendiğimiz beceriler bu zincirin neresinde?

Optogenetik örneği üzerinden düşünürsek:

NCBI ve biyolojik veri tabanları

Gen, protein ve referans kayıtlarını bulmak.

BLAST ve sequence analysis

Benzer proteinleri karşılaştırmak.

Filogenetik

Opsinlerin evrimsel ilişkilerini incelemek.

Yapısal biyoinformatik

Protein yapısı ile fonksiyonel bölgeler arasındaki olası ilişkileri araştırmak.

Single-cell RNA-seq

Hedef hücre popülasyonlarını moleküler özelliklerine göre incelemek.

R

Deneysel veya omik veriyi düzenlemek, karşılaştırmak ve görselleştirmek.

Ama amaç bütün araçları kullanmak değil

Biyoinformatikte sık yapılan hatalardan biri şudur:

Önce araç seçilir.

Sonra o araçla yapılabilecek bir problem aranır.

Daha sağlıklı yaklaşım tersidir.

Önce soru.

Sonra veri.

Sonra araç.

Örneğin sorunuz:

“Benim çalıştığım organizmada ChR2 benzeri proteinler var mı?”

ise başlangıç rotası şöyle olabilir:

NCBI → protein dizisi → BLAST → sequence comparison

Başka bir soru:

“Bu beyin bölgesindeki hangi hücre popülasyonu davranışla ilişkili olabilir?”

ise rota farklıdır:

single-cell veri → marker genler → hücre popülasyonu hipotezi → deneysel test

Başka bir soru:

“Bu opsin varyantındaki amino asit değişikliği kanal davranışını neden etkiliyor olabilir?”

ise:

sequence → structure → literature

birlikte kullanılabilir.

Biyoinformatik beceri:

çok fazla araç bilmek değil, doğru soruyu doğru veriyle eşleştirebilmektir.

Bu yalnızca optogenetik için geçerli değil

Aynı mantık çok farklı yaşam bilimleri alanlarında çalışır.

Bir veteriner araştırmacı:

bir patojen genomundan başlayabilir.

Bir ekolog:

çevresel DNA verisinden başlayabilir.

Bir moleküler biyolog:

gen ekspresyonundaki değişimden başlayabilir.

Bir klinik araştırmacı:

bir varyanttan başlayabilir.

Ama hepsinde aynı soru tekrar karşımıza çıkar:

Hangi veri, hangi biyolojik soruya cevap verebilir?

Optogenetik bu düşünme biçimini çok görünür hale getiren bir örnektir.

Modern yaşam bilimlerinde araştırma böyle birleşiyor

Bir proje içinde:

doğal bir molekül keşfedilebilir

↓

dizisi veri tabanına girer

↓

benzerleri bulunur

↓

yapısı ve fonksiyonu araştırılır

↓

başka hücre sisteminde denenir

↓

yeni deneysel araç haline gelir

↓

ürettiği veri hesaplamalı olarak analiz edilir

Her adım farklı uzmanlık gerektirebilir.

Ama hepsi aynı bilimsel sorunun parçaları olabilir.

Serinin son yazısı

Şimdi teknik kısmı biraz geride bırakacağız.

Çünkü bütün bu hikâyenin arkasında çok güzel bir bilimsel düşünme örneği var:

Bir algin ışığı algılamak için kullandığı proteinin bir gün beynin nasıl çalıştığını anlamak için kullanılacağını kim tahmin edebilirdi?

Serinin son yazısında bunu konuşacağız.

Bir alg proteininden Nobel’e: bilimde hayal etmenin sınırı var mı? →