Ağlar ve Mikroplar… Ne alaka!?

Hayat tanımının en ilginç olanını Amerikalı bir arkadaşımdan, Lauren’dan almıştım. Hayatı iplikçiklerden oluşan bir sicime benzetmişti, sarmal halinde.. Her bir iplikçik bir kişi ile kurduğun ilişki. Her ilişki o sicimi daha da kalınlaştırıyor, hayatını zenginleştiriyor.. Bazı noktalarda sicimden iplikçikler kopuyor, bazı yerlerde inceliyor bazı yerlerde kalınlaşıyor.. Sonuç olarak hayat bir networkler bileşkesi.

Network dilinde, iki şey arasında kurulan herhangi bir ilişki bir bağ oluşturuyor, o bağa isim veriyoruz, yani ilişkiyi tanımlıyoruz. O şeylere de düğüm diyoruz.. Bazen ilişki bir düğümden diğerini takip ederek ilerlerken bazen de sadece birleştiricilik görevi görüyor.

Temel olarak bir ağın iki temel bileşeni vardır.

1- Düğüm

2- Kenar (yani ilişki)

Internet, web sayfaları birer düğüm ve aralanındaki bağlantılar da kenar olacak şekilde kocaman bir ağdır. Ulaşım ağı, her şehir bir düğüm, şehri birbirine bağlayan yollar kenar olacak şekilde bir ağdır. Sosyal ağlar, kişileri ve çeşitlli ilişkileri gözönüne alarak bir ağ oluşturur. Örneğin, fikir alış veriş ağı da bir çeşit sosyal ağdır, fikir değişimi yapılan kişiler düğüm, fikir danışma eylemi ise kenar olarak tanımlanabilir.

Düğüm ve Kenar dışında ilişkiler üzerine değerler, ağırlıklar (weight) konabilir. Değerli ilişkiler yüksek ağırlıklı tanımlanabilir.

İlişkiler yönlü de tanımlanabilir. Örneğin, ulaşım ağında tek yön olan yollar için yönlülük tanımlaması yapılmalıdır. (directed, undirected network)

Benim ilgi alanımın girdiği ağ çeşidi ise Biyolojik Ağlar. Gen ağları, Protein etkileşim ağları, Metabolik ağlar, Sinir ağları gibi biyolojik ağlar tanımlanmış. Benim derdim ise mikroplarla. Çünkü artık mikrop dediğimiz şey bir dna topluluğu yani ATCG’lerden oluşan bir biyolojik data. Bir veri bilimcisi için de data datadır! 🙂

Peki mikroplar için nasıl ilişkiler mevcut olabilir? Mikrobik ilişkiler (Microbial association), mikropların ortamda bulunurluluğu, ne kadar bulunduğu gibi özellikleri ile belirlenmeye çalışılmış. İki farklı mikrobun farklı örnekte birlikte bulunması üç farklı yol düşünülebilir:

1) Benzerlik: Örneklerdeki iki farklı mikrobun dağılımı incelenip, birlikte bulunurlukları üzerine bir ilişki tanımlanabilir. Fakat Gerçek hayatta, bir mikrobun bir ortamda bulunması, farklı diğer mikropların da o ortamda bulunmasına bağlı olabiliyor. Burda 2) regresyon bir çözüm üretebilir. Çünkü regresyon ile bir mikrobun diğerlerine bağlı olarak bulunurluk seviyesi tahmin edilebilir. 3) seçenek ise veri madenciliği tekniklerinden kural çıkarımı (rule mining) tekniği ile mikropların bulunurluluğu üzerine bir kurallar dizisi çıkarılabilir.

Tabi bu tanımlanan ilişkiler bize mikroplar üzerine de ağlar örmemize olanak verir. Her bir mikrop bir düğüm olarak almak mümkün olamaz.. QIIME‘da %97 benzer olan mikroplardan OTU’lar oluşturulur. Referans veritabanı sayesindede otu’lara bir filum, sınıf, takım, aile gibi biyolojik sınıflandırmalar atanır. Bu biyolojik sınıflandırma bir düğüm olarak kullanılabilir. Birlikte bulunurluluk durumu da kenar olarak alınabilir. Kenarlar üzerine bulunuşluk oranları ağırlık olarak verilebilir. Mikropların kendi arasında oluşturduğu bu tarz ağlara “microbial co-occurance network” deniyor ve bu ağları oluşturmak için literatürde 5 farklı yöntem buldum:

  • Correlation and Regression Based
  • Graphical Model Inference
  • Local Similarity Analysis
  • Bayesian Networks
  • Mutual Information

Co-occurrance ağı kurmak istiyorsanız, bunlara detaylı bakabilirsiniz.

Şimdi olaya farklı bir açıdan bakalım….

Araştırmalarda, mikropların kendi içlerindeki ilişkileri dışında, çevreleri ve coğrafik konumları ile de ilişki içerisinde oldukları görüldü. Her yüzeyin kendine has bir mikrobik yapısı olduğu bunun da rastgele oluşmadığı görülmüş. Ayrıca her coğrafik konuma göre mikrobik toplulukların farklılaştığı görülmüş. Dolayısıyla, örnekler ve onların mikropları üzerine bir ilişki tanımlanabilir. Öyleki, İnsan Mikrobiyom Projesi ile görüldü ki insanın deri, ağız, dışkı, mide gibi farklı bölgelerinde karakteristik mikroplar yer almakta. Çevresel Mikrobiyom çalışmaları da çevre ile mikrobiyomu arasındaki ilişkiyi araştırmakta. Şimdi sorumuz şu: Çevresel Mikrobiyomdaki ağ yapısı nasıldır acaba?

776 total views, no views today

Mikrobiyom verileri için UniFrac Metriği

UniFrac filogenetik temelli uzaklık metriğidir.

Bir kişinin bağırsaklarındaki mikrobik canlılar ile başka bir kişinin bağırsaklarındaki mikrobik canlılar birbirinden tamamen farklıdır. Aslında bu canlılar evrimsel açıdan birbirlerine oldukça benzer yapıdadırlar, çünkü hepsi bağırsakta yaşayan bakterilerdir. Böyle bir durumda, bu iki mikrobiyom birbirinden tamamen farklı demek istemiyoruz. Bu açıdan daha duyarlı bir test için UniFrac metriği kullanılır. UniFrac ile beta uzaklık ölçümünde dendrogram ağacının diğer örneklerde var olamayan kısmı yani o ağaca özel olan kısmı hesaplamalarda kullanılır.

unifrac

  1. resimde iki topluluk da aynıdır. Uzaklık 0’dır.
  2. resimde iki topluluk arasında birbirinden biraz farklılık vardır. Farklılık cins ve filum seviyesinde değil, OTU ve ya tür seviyesindedir. Çünkü mor çizgiler iki topluluk için de ortaktır ve bunun anlamı evrimsel geçmiş olarak ortak özelliklere sahiplerdir demektir. D=0.5
  3. resimde iki topluluk birbirinden tamamen farklıdır.  D=1.0

Ağırlıklı Unifrac (Weighted Unifrac) metriği göreceli bolluk miktarını hesaba katar. Böylelikle her dal için hangi türlerin olduğunun yanında ne kadar olduğu bilgisi de vardır. Fazlaca bulunan türleri vurgular.

Ağırlıksız Unifrac (Unweighted Unifrac) yanlıza türlerin varlığı ve yokluğu bilgisini hesaba katar. Örnekler arasında aynı olan türleri vurgular.

QIIME’de toplulular arasındaki Beta uzaklığı hesaplayıp sonra veri PCoA kullanılarak 3 boyutlu bir şekilde görselleştirilir. PCA ile PCoA arasındaki fark, PCA öklit metriği ile yapılır, PCoA daha genel halidir ve istenilen herhangi bir metrik ile yapılır.

betadiv

  1. Tüm örneklerdeki tüm mikropları içeren filogenetik ağaç ile başlıyoruz.
  2. Her iki örnek arasındaki unifrac uzaklığı hesaplanır ve uzaklık matriksi kurulur.
  3. Bu uzaklık matrisi ile PCoA yapılır ve veri görüntülenir.

336 total views, no views today

Alfa – Beta Uzaklık Ölçümleri ve UniFrac

Alfa ve Beta Uzaklık Ölçüleri Mikrobiyom toplulukları içerisinde ve birbirleri arasındaki uzaklığı ölçmek için kullanılan metriklerdir. QIIME prosesinde OTU seçimleri yapıldıktan sonra bu uzaklıklar hesaplanır.

Alfa Uzaklık ölçüsü (Alpha Diversity)

Bir mikrobiyom verisinde hangi tür canlılar vardır ve ne kadardır ı ölçmek için kullanılır. Yani bir örnek kendi içinde ne kadar farklıdır sorusuna cevap verir. Alfa uzaklığı ölçümü için 3 metot tanımlanmıştır.

Metot 1: Canlıların sayılması. Bu süreçte OTU’lar kullanılır. Bu sayma işlemi, cinsler arasındaki ilişkiyi dışarıda bırakır.

Yapılan bir çalışmada, Modern bir toplum olan USA ile Malawians, Amerindians gibi modernleşmemiş toplulukların bağırsaklarından alınan örneklerdeki canlı sayımı yapılmış ve görülmüş ki, modern toplumlarda yaşayan kişilerin bağırsaklarındaki canlı çeşitliliği diğerlerine göre oldukça düşük.

met1

Metot 2: Filogenetik Farklılık. Örnekte görülen canlıların, bilinen yaşam ağacının hangi kısmına düştüğüne göre uzaklıklar belirlenir. Eğer örnekteki canlılar bir dal üzerinde toplanmış ise örnek içindeki uzaklık çok değildir. Eğer görülen canlılar farklı dallara dağılmış ise örnek içindeki uzaklık fazla demektir. Dalların arasındaki uzaklıkların toplamı filogenetik uzaklığı verir.

met2
filogenetikAlfa

Metot 3:Chao1 Yaklaşımı. Verilen sonlu bir örnekteki canlı türlerine bakarak asıl toplulukta kaç tane tür olduğunu tahmin etmeye çalışır.

S1 = Sobs + F12 / 2F

  • Sobs: Gözlemlenen canlılar
  • F1: Yanlızca bir kez görülen canlıların sayısı
  • F2: Yanlızca iki kez görülen canlıların sayısı

Ne yapılabilir?: Bir Mikrobiyom örneğini verisinin alt kümesi alınabilir. Chao1 sayısı hesaplanır ve 1 milyon dizilim ile karşılaştırılır. Örnekteki çeşitliliği ne kadar iyi tahmin ettiği bu şekilde ölçülebilir.

Refraksiyon (Rarefraction): Bir örnekteki tüm çeşitliliği görüp görmediğimize nasıl karar vereceğiz?

Gerçek bir örnekte dizilim sayısı binler milyonlar olur fakat şimdi örnek için diyelim ki 140 dizilim verimiz var. İlk başta 10 taneden başlayarak rastgele alt kümelerini seçelim ve alfa çeşitlilik ölçümünü hesaplayalım. Bunu birçok kez yaparak ortalama ve standart sapmasını hesaplayalım. Daha sonra aynı prosedürü 20 dizilim için, 30 dizilim için … yapalım. Aşağıdaki grafiği elde ederiz.

rerafraction
Refraksyon grafiği

Bu grafiğe göre yeterli kadar dizilim ile çeşitlilik ölçüldüğümü nasıl anlarız? Eğer yeteri kadar dizilim ile çalışlmış ise bu eğri düze çıkmalı. Yani daha fazla dizilim ile de çalışılsa yeni türler görülmüyor demek olur bu da optimum dizilim sayısına karar vermekte yardımcı olur. Eğer eğri hala dik bir şeklide yukarı doğru gidiyor ise henüz tüm çeşitliliği içerecek dizilim sayısına ulaşılmamış demektir.

Beta Uzaklık Ölçüsü

Örneklerin birbirihmpnden ne kadar farklı olduğuna cevap verir. Örnekler arasında karşılaştırma yapar. Örnekteki genel değişimi ölçer.

Yandaki örnekte vücudun farklı parçalarında yaşayan canlıların kümelenmesi gösterilmektedir.

En bilinen uzaklık metriklerinden birisi Öklit uzaklığıdır ve uzaydaki gerçek uzaklığı ölçer. Fakat ekolojik uzaklıkları ölçmek için kullanılması doğrı sonuçlar vermeyebilir. Öklit, KiKare, Bray-Curtis gibi metrikler filogenetik bilgiyi kullanmaz. UniFrac bu boşluğu dolduran bir metriktir. UniFrac ile bu yazıya bakabilirsiniz.

367 total views, 2 views today

Mikrobiyom Verisi Nasıl Elde Edilir? SRA – Okunmuş Dizilim Arşivi

SRA (Sequence Read Archive), Next Generation Sequencing olarak isimlendirilmiş yeni nesil dizileme yöntemi ile elde edilmiş dizilim verilerinin depolandığı bir NCBI veritabanıdır. SRA çeşitli organizmalardan örneklenmiş ham veriyi depolar.

Bu sayfa (http://www.ncbi.nlm.nih.gov/sra) bir arama motorudur ve okunmuş dizilim verilerine buradan ulaşılabilir.

Ben çalışmam için 16s rRNA verisi arıyorum ve Illumina sisteminde elde edilmiş olanlarını istiyorum. Arama alanına “16s rRNA illumina” yazıyorum. (linke tıklayarak arama sayfasına gidebilirsiniz.)

Arama sonunda ilişkili tüm deneyler listelenir. Her deney için bir kod vardır – accession  code – Bu kodu daha sonra veriyi indirmek için kullanacağız. Sonuçlardan birine tıklandığında, deneyle ilgili metadata görülebilir. Çalışmanın tasarımı, kim tarafından veritabanına eklendiği, deneyde toplanan niteliklerin listesi gibi bilgilere erişilir.

Sonuçlarda gelen listeden belli bir organizma içinde olanları filtrelemek için sol menüden “Results by taxon” bölümünden istenilen tür seçilebilir. Ben çevresel mikrobiyom verisi aradığım için “indoor metagenome” seçeneği ile devam ediyorum.

sra2
Arama listesi

Sonuç listedeki ilk linki tıkladığımda kış uykusunda yatan ayıların dışkısından elde edilen dizilim verisi olduğunu görüyorum ki bu aradığım şey değil.

5.sayfaya gidelim ve 81. liste elemanı (Accession:ERX1532372) tıklayalım. “Design: 16S Sequencing of Hospital Surfaces” ifadesini göreceğiz yani buradan itibaren hastane ortamından elde edilmiş verileri bulabiliyoruz. Bu sayfada deneyle ilgili metadata görüntülenir. Çalışmanın tasarımı, kim tarafından veritabanına eklendiği, deneyde toplanan niteliklerin listesi gibi bilgilere erişilir.

Farklı veritabanlarında olan ekstra bilgilere “related information” başlığı altında ulaşılabilir. Örneğin BioSample tıklandığında veya SAMEA ile başlayan koda tıklandığında BioSample veritabanından getirilen veriler görüntülenir. Burada, örneğin hangi çevreden alındığı bilgisi detaylı olarak yer alır. Accession:ERX1532372 olan deneyin verisi soğuk musluk başlığından alınmış örneğin.

sra3
Deney ile ilgili Metadata Sayfası

Bu deney verisini fasta veya fastaq formatında indirmek için şu sayfaya gidelim.  Deney numarasını buraya yazalım ve “show runs” diyelim. Yukarıdaki sayfadaki (Deney ile ilgili Metadata Sayfasındaki) run kodu ile aynı koda ulaştık – ERR14611894. Download Format kısmında FASTQ seçeneğini seçerek download linkine tıklayınız ve verinizi fastq formatında elde ediniz.

sra4
Deney veri indirmek için gidilecek sayfa

FastQ formatı ile ilgili şu yazıya bakabilirsiniz

Az önce indirilen veri yalnızca bir örnek için elde edilen veri idi. Çalışmada toplanan tüm verileri indirmek istiyor isek, deney ile ilgili metadata sayfasında Study kısmındaki “All experiments” linkine tıklayalım. Tüm örnekler ayrı linkler halinde tam olarak 3079 sonuç döndürüldü. Sonuçları tek bbir tabloda görüntülemek için Run Selector aracını kullanabiliriz.Bunun için “Send results to Run selector” linkine tıklayalım. Bu tabloyu aynı zamanda txt dosyası olarak da “RunInfo Table” tuşuna tıklayarak indirebiliriz.

sra6

sra5

Hastaneden elde edilmiş veriler için  qiita_ptid_1499 ve qiita_ptid_1765 olmak üzere iki farklı tarihte çalıştırılmış deney verileri mevcut. Sayfa 5 – 38 ‘de yer alan listedeki 81 ve 394 no’lu sonuçlar qiita_ptid_1765 olan çalışmadan, Sayfa 20-38 ‘de yeralan listedeki 395 ve 745 no’lu sonuçlar qiita_ptid_1499 olan çalışmalardır. qiita_ptid_1499 çalışması 3/1/13’de çalıştırılmıştır. qiita_ptid_1765 çalışması 2/28/09’da çalıştırılmıştır. Yani 1499 nolu çalışmalar daha yenidir.

Biz tüm deney verilerini indirdiğimiz için her iki çalışmadan da veriler mevcut.

 

313 total views, 2 views today

Haberlerde İnsan Mikrobiyomu

Mikrobiyomun hem psikolojik hemde fiziksel olarak sağlıklı yaşam için etkili olduğu ile ilgili çalışmalar yapılmakta. Mikrobiyomdaki bozulmaların psikiyatrik rahatsızlıklara sebep olabileceğine dair de çalışmalar var. Gazetelere ve internetteki bir kaç haber söyle:

mmikrobiyom2

mikrobiyom

 

 

mikrobiyom3_n

 

 

mikrobiyom4_n

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Kaynaklar:

http://www.sabah.com.tr/pazar/2014/10/26/tip-dunyasinda-ezber-bozdu

Bağışıklık Sistemi Kişinin Sosyal Etkileşiminde Rol Oynuyor

http://www.imgrum.net/user/saglikliyasiyoruzcom/1417334033

305 total views, no views today

QIIME-OTU Seçme Yaklaşımları

OTU Operational Taxonomik Unit kelimelerin baş harflerinden oluşmuştur. Mikrobiyom verisindeki birbirine yakın benzer diziler (sequences) gruplanarak OTU’lar oluşturulur. Diyelim ki 1000 dizimiz var. Birbirine benzer her 10 dizi tek bir isim altında toplanır ve böylece veri toplam 100 diziye indirgenmiş olur.

QIIME 3 çeşit otu şeçme protokolü tanımlamıştır:
1. De novo Clustering: Hiçbir referans dizi olmadan, ham veriyi kullanarak kendi içinde kümelemek demektir. ( pick_de_novo_otus.py) Bu script, otu seçimi yanında taksonomi ataması, dizi sıralaması (sequence alignment) ve ağaç kurulumu aşamalarını içerir.

Burada kullan:Eğer,  kullanabileceğiniz hiçbir referans veritabanı yok ise, örneğin, çok nadir çalışılan bir gen ile çalışıyor iseniz de novo yöntemi kullanmalısınız.

Burada kullanma: Eğer, örtüşmeyen amplikonlarınörneğin,  16S rRNA’ın V2 ve V4 gibi bölgelerin  karşılaştırmasını yapıyorsanız veya çok büyük veriseti ile çalışıyor iseniz bu yöntemi kullanmayın. Kodun çalışmasını 1 ay bekleyebilirsiniz.

  • Avantajı: Tüm dizileri kümeler.
  • Dezavantajı: Paralel şekilde çalıştırılma imkanı olmadığı için büyük veri setlerinde çok yavaş olabilir.

2. Closed reference: Varolan veritabanındaki referans dizilerle benzerlikleri ölçülerek kümeleme yapılır.(pick_closed_reference_otus.py) Eğer referans veritabanlarında hiç diziye yakın bulunmaz ise o dizi kümelemeden çıkarılır.

Burada kullan:Eğer, örtüşmeyen amplikonların örneğin,  16S rRNA’ın V2 ve V4 gibi bölgelerin  karşılaştırmasını yapıyorsanız bu yöntemi kullanmalısınız.

Burada kullanma: Eğer, kullanabileceğiniz hiçbir referans veritabanı yok ise, örneğin, çok nadir çalışılan bir gen ile çalışıyor iseniz bu yöntemi kullanamazsınız.

  • Avantajı: Hızlıdır. Parelellenebilir. Büyük verisetleri için kullanışlıdır. Referans veritabanlarındaki veriler için zaten taksonomiler ve ağaçlar yapıldığı için, çalışılan veriseti için de daha iyi ağaçlar ve taksonomiler oluşturulur.
  • Dezavantajı: Referans veritabanları dışında yepyeni bir çeşitliliği bulmak mümkün değildir.

3. Open reference (de novo + closed): Yukarıdaki bahsedilen iki yöntemin birleşimidir. Önce dizi veritabanından aratılır, eğer bir sonuç gelmez ise de novo kümeleme yapılır. (pick_open_reference_otus.py) QIIME tasarımcıları en çok bu yöntemi tavsiye ederler.

Burada kullanma:Eğer, kullanabileceğiniz hiçbir referans veritabanı yok ise, örneğin, çok nadir çalışılan bir gen ile çalışıyor iseniz bu yöntemi kullanamazsınız. Örtüşmeyen amplikonların örneğin,  16S rRNA’ın V2 ve V4 gibi bölgelerin  karşılaştırmasını yapıyorsanız bu yöntemi kullanmamalısınız.

  • Avantajı: Tüm dizileri kümeler. Belli bir kısmı parelellenebilir. De novo’dan daha hızlıdır.
  • Dezavantajı: Paralellenemeyen kısımları için yavaştır. Referans veritabanları dışında yepyeni bir çeşitlilik için kodun çalışması günlerce sürebilir.

 

OTU Seçme Yaklaşımları Hangi çalışmalarda Kullanılır?
Closed reference İnsan-fare, bağırsak, cilt, ağız mikrobiyomu
De novo Çevre toprak, su gibi belirsiz mikrobiyomlarda
Open reference Her türlü mikrobiyom çalışmalarında kullanılabilir. QIIME tasarımcıları en çok bu yöntemi tavsiye ederler.

QIIME içindeki otu seçme algoritmalarını varolan başka algoritmalardır. Bu nedenle hangi algoritmayı kullanmış iseniz onu makalenizde belirtmeniz gereklidir. QIIME iş akışı içindevarolan otu seçme algoritmalarından açık kaynak kodlu olanlar, SortMeRNA,SUMACLUST ve SWARM; kapalı kodlu olanlar UCLUST ve USEARCH’dür. QIIME’in varsayılan otu seçme algoritması UCLUST’dır.

De novo Metodlar

  • UCLUST: Bir greedy  (açgözlü) kümeleme yöntemidir. İlk dizi merkez noktası olarak alınır. Bu algoritma için diziler en çok görülenden en az görülene göre sıralanmalıdır.
  • CD-HIT: UCLUST ile benzerdir. Daha titiz bir karşılaştırma yapar ve daha uzun sürer.
  • SUMACLUST: UCLUST gibidir, fakat her seferinde tüm dizilimi kullanır.
  • Mothur: Single, complete, average linkage yöntemlerinin hepsini ikili olarak kullanır. Açgözlü yaklaşımlardan daha iyidir. Uzaklık matrisi, büyük veri için uygun değildir.
  • SWARM: Random bir merkez seçer. Random şekilde benzer dizilere bakmak yerine, single linkage yöntemi ile en benzer alt dizileri seçerek birbirine bağlar. Böylece merkez olarak seçilenin önemi kalmaz. OTU’lar arasında büyük farklılıklar var ise daha iyi çalışır.

Kümeleme Nasıl Yapılır?
Kümeleme yaparken dizilerin aralarındaki uzaklık ya da benzerlik bir metrik baz alınarak ölçülür, buna göre de kümeler oluşturulur. Verilerin birbirine yakınlıklarını ölçmek için üç farklı yöntem vardır:

  • Single-linkage (tekil bağlantı): Veri noktasına en yakın olan ilk veri noktası kümeye dahil edilir. Sosyal ağlarda da bu yaklaşım kullanılır. Örneğin, bir kişi için single-linkage kümesi kendisinin en yakın arkadaşıdır. Tüm herkes için bu yapıldığında uzun bir kişi zinciri oluşur. (friend of a friend)
  • Complete-linkage (tamamlanmış bağlantı): Teknik olarak iki küme içindeki birbirine en uzak veri noktalarının arasındaki uzaklıktır. Bu uzaklıktan küçük olan diğer tüm noktalar kümeye dahil edilir. Sosyal ağlarda, bir kişi için complete-linkage kümesi, o kişinin tüm arkadaşlarını kapsar. Bu her kişi için yapılırsa tüm kullanıcı kümesi elde edilir. (we are all friends)
  • Average-linkage (ortalama bağlantı): Single ile complete link arasındadır. Teknik olarak, kümelerdeki en uzak iki nokta arasındaki uzaklık ile en yakın iki nokta arasındaki uzaklığın ortalaması alınarak uzaklık tanımlanır. Sosyal ağlarda, uzaklık iletişim miktarı olarak alınırsa, average-linkage kümesi, her kişinin yakın çevresi olduğu söylenebilir.

Bu bilgiler özellikle hiyerarşik kümeleme yapılacağında çok kullanılır.

linkage

 

 

 

 

 

 

 

Video anlatım:

 

Referanslar

http://qiime.org/tutorials/otu_picking.html

382 total views, 1 views today

Mikrobiyom Analizi için QIIME

QIIME “Quantitative Insight into Microbial Ecology” kelimelerin baş harflerini temsil eder, “çaym” diye okunur. Mikrobiyom analizi yapmak için geliştirilmiş phyton ile kodlanmış bir yazılımdır. QIIME ile 9 farklı mikrobik topluluğun 16S rRNA verisi analiz edilebilir. QIIME’in kullanımı aslında bazı komutların terminal ekranına yazılıp metinsel ve grafiksel çıktıların izlenmesinden ibarettir. Bazı temel linux komutlarının bilinmesi yeterlidir.

QIIME kullanımı için ilk yapılacak şey -windows kullanıcılar için – VirtualBox’ı indirmektir.

QIIME kullanımına ilişkin 4 temel protokol belirlenmiştir:

  • Ayrıştırma (Demultiplexing)
  • OTU Seçimi, Taksonomi Belirlenmesi, Phylogeny çıkarımı ve OTU tablo oluşturulması
  • Alfa Çeşitlilik (alpha diversity) ve Seyreltme Eğrileri (rarefraction curves)
  • Beta Çeşitlilik (beta diversity) ve Beta Çeşitlilik Eğrileri

QIIME’in kullanımına yönelik yayınlanmış “Using QIIME to Analyze 16S rRNA Gene Sequences from Microbial Communities” adlı makaleyi Türkçeye çevirmeye çalıştım. Tabi terimleri ne kadar doğru çevirebildim çok emin değilim. Genelde ingilizcelerini yanlarına yazmaya çalıştım bir karışıklığa sebebiyet vermemek adına.

QIIME_ile_Mikrobiyom_Analizi (PDF dosyası )

 

 

 

 

528 total views, 2 views today

Mikrobiyom Analizine Giriş

Şimdiye kadar mikrobiyomu hiç bilmeyenler için genel bir tanıtım yaptık. Hem canlılarda hem de her ortamda, çevrede var olduğunu gördük. Kısaca mikrobiyom dediğimiz şey bir mikrop topluluğu. Peki bu mikrobik topluluğun analizi ne demektir? Nasıl yapılır?

Dan Knights mikrobiyom verisini, birçok yapbozdan gelen parçaların oluşturduğu bir yığına benzetmiş, “Microbiome Discovery” adlı video serisinde analizi üzerine güzel videolar çekmiş. Ben de oradan öğrendiklerimi aktarmaya çalışacağım bundan sonraki yazılarda.
DanKnight

Bir mikrobiyom verisini elde edene kadar şu iki işlem yapılır:

1. İlk iş ve en basit olanı mikrobiyom örneği almak. Steril bir çubuk, örnek alınacak yere sürtülür ve özel koşullarda taşınıp saklanır.
2. Mikrobiyal DNA izolasyonu yapılır. 16S rRNA sekanslama V3-V4 bölgesini hedefleyerek yapılır. Bu evrede işte biyoinformatikçilerin üzerinde çalışacağı veri elde edilir.

Neden 16s rRNA? Çünkü tüm bakterilerde vardır ve tür düzeyinde ayrım sağlar, dolayısıyla taksonomik analizler için kullanılır.

Burada yapbozlar farklı mikrobik filumu yada sınıfı, her yapboz parçası da bakterinin kendisini temsil eder. Mikrobiyom verisi hangi türden, sınıftan, filumdan olduğunu bilmediğimiz mikropların 16S rRNA dizilimleridir.

Bir yapboz yığınını ile biyoinformatikçi neler yapar?

  1. İlk işi her bir yapboz parçasının esasen hangi resimden geldiğini bulmak
  2. Bulgulara göre yapboz yığınını tanımlayacak bir profil çıkarmak. Bu profil OTU (Operational Taxonomic Units) denilen kümeler ile tanımlanır ve OTU tablosu çıkarılır.

16S rRNA verisinden OTU’ları belirleme süreçi için akış şemaları geliştirilmiş UPARSE, QIIME gibi.

Örneğin UPARSE akışı şu şekilde
uparse_flow

uparse_tr

Mikrobiyom verisindeki benzer dizilimler gruplanarak OTU’lar oluşturulur. Diyelim ki 1000 dizimiz çıktı verimizden. Birbirine benzer her 10 dizi tek bir isim altında toplanır ve böylece veri toplam 100 diziye indirgenmiş olur. OTU Seçme Yaklaşımları ile ilgili detaylı bir yazı yazacağım.

QIIME iş akışı UPARSE ile aynı hatlara sahip yanlız daha detaylı ifade edilmiş aşağıdaki şekilde görüleceği gibi. QIIME’in nasıl işletileceği ile ilgili de yazım çok yakında..

qiime_flowchart

 

Referanslar
http://docplayer.biz.tr/960802-16s-rrna-analizi-doc-dr-zeynep-ceren-karahan-ankara-universitesi-tip-fakultesi-tibbi-mikrobiyoloji-anabilim-dali.html
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3249058/
https://sites.google.com/site/knightslabwiki/qiime-workflow

31,574 total views, 9 views today

Hastane Mikrobiyom Projesi

Bu yazıda nelerden bahsediliyor?

  • Bakteriler ile Savaş
  • Hastane Enfeksiyonları
  • Hastanelerdeki Mikrobik Yaşamı Anlamak
  • Yeni Nesil Hastane Tasarımları

Rethinking-Sterile150 yıldır bakteriler öldürülmeye çalışıyor. Fakat bu yolun çıkmaz olduğu artık görüldü. Öyle bakteriler var ki bir tanesi de D.radiodurans, en dayanıklı canlı olarak Guiness rekorlar kitabına bile işlenmiş. Radyasyona karşı bilinen en dayanıklı canlılardan biridir. Her türlü zulümü yapıyorsunuz yine de bana mısın demiyor bu tür. Soğuk, dehidrasyon, vakum ve asit gibi diğer birçok aşırı koşul altında yaşayabiliyor. Dolayısıyla başka çözümler, bakış açılarına ihtiyaç var.

Nozokomiyal enfeksiyonlar yani hastanede görülen enfeksiyonlar dünya ölçeğinde, gelişmiş ülkeler de dahil olmak üzere, önüne geçilmesi oldukça zor olan bir sağlık sorunu.. ABD’de yapılan bir araştırmaya göre bir yılda gerçekleşen hastane enfeksiyonuna bağlı ölüm sayısının ortalama 100 bin. Hastane enfeksiyonları ilk 10 ölüm nedeni içerisinde yer alıyor ve bunun için yıllık 10 milyar dolar ek sağlık harcaması yapılıyor. Türkiye’de tüm sağlık bütçesinin %8.3’lük kısmı hastane enfeksiyonlarına harcanıyor ve bu nedenden ölenlerin oranı %20-28 aralığında.

Hasta bir insan hastaneye girdikten sonra hastalığın dağılma potansiyeli her zaman var. Antibiyotiklerin mucizevi şekilde enfeksiyonlarla her türlü savaşacakları düşünülürken, antibiyotik direnci geliştiren bakterilerin yükselişi bu düşünceyi değiştirdi.
Bugün, antibiyotik-dirençli enfeksiyonları durdurmanın bir yolu yok. Önceden bunun suçlusu zararlı bakterilerin olması, temizlik probleminden ötürü üremesi vb. idi. Şimdiki hipotez şunu diyor:

Enfeksiyon yapan bakterinin ortamda var olması değil, belki de faydalı bakterilerin az olması enfeksiyona sebebiyet veriyor. Yani yanlızca patojene odaklanmak yerine belkide tüm ekosistemin çalışma yapısını anlamaya odaklanmalıyız.

Tıpkı midede veya bağırsaklarda yaşanan durum gibi.. İnsan mikrobiyom projesinde görüldü ki, antibiyotikler midemizdeki mikrobik yapıyı tamamen altüst ediyor. Antibiyotik tedavisinden sonra midedeki kötü bakterilerin yanında iyilerde yanıyor, yok ediliyor. Antibiyotik yerine, probiyotikler ile iyi/faydalı bakteriler mide ortamında çoğaltılarak, mide problemlerinin üstesinden gelmeye çalışılıyor ve bu işe de yarıyor.

Aynı durum hastane için de geçerli olabilir mi? Aslında zararlı bakteriler için kapalı ortamlar bir bekleme odası olabilir ve ne zaman uygun ortam oluşuyor işte o zaman onlar aktif oluyor olabilirler. Devamlı sterilize ortam oluşturma çabası hastane ortamında o uygun ortamı mı yaratıyor acaba? “Hastane Bağışıklık Sistemi” faydalı mikropların artırılması ile enfeksiyonlara karşı sağlıklı bir ortam oluşturabilir mi? İşte bunlar cevabı merak edilen sorular..

Jack Gilberts ve ekibi öncülüğünde başlatılan Hastane Mikrobiyom Projesinin temel amacı, hastanede mikrobik toplulukların nasıl yerleştiğini ve değiştiğini anlayabilmek.

Projede iki yer örneklendi. Birincisi Chicago’da yeni yapılan bir hastanede, diğeri de Almanya’daki bir askeri oda. Resmi açılıştan sonra Chicago’daki hastanesinde hastadan, çalışanlardan, odalardan, sudan ve havalandırmadan günlük olarak toplanan toplam yaklaşık 15,000 örnek alındı. Almanya’daki bir askeri odadan da 16 farklı zamanda 100 örnek toplandı. Temel hedef, hastanedeki enfeksiyonları azaltmayı sağlayacak tavsiyeler geliştirebilmek isteniyor. Cevabı aranan temel sorular şunlar:

  1. Hastane içindeki yüzeylerdeki mikrobik toplulukların yapısı, ortamdaki insan demografisi, sıcaklık, nem gibi fiziksel durum ve yapı materyalleri üzerinden tahmin edilebilir mi?
  2. Bir hasta odasının mikrobiyotası o anda orada yatan hastadan etkilenir mi? Yeni bir hasta geldiğinde odadaki mikrobiyal topluluklar nasıl diğerlerinin yerini alır?
  3. Bakterilerin yüzeylere ve hastalara yerleşimi ortamda var olan bir önceki bakteriyel topluluğun bileşiminden etkilenir mi?
  4. Bakterilerin yüzeylere yerleşme oranı ortamı kullanan kişilerin demografik özelliklerine ve ortamın yapı malzemesine göre değişir mi?

Projenin ilk bulduğu şey sterilize ve hijyenik tanımlarını değiştirecek bir bulgu..

Hijyen veya steril demek mikropsuz demek anlamına mı gelir?

Tamamen pırıl pırıl yepyeni dezenfekte edilmiş henüz halka bile açılmamış olan Chicago’daki hastaneden, ameliyat odasından, hasta yataklarından, bilgisayarlardan, lavabolardan alınan örneklerde bir çok patojenin yaşadığını görülmüş.

Bilim insanları hastane ortamında mikrobik aktarımın nasıl olduğu anlaşılır ise hastanedeki enfeksiyonun da kontrol edilebileceğine inanıyorlar.

Oregon’da bir hastanede yapılan bir araştırmada farklı havalandırma sistemlerinin kapalı ortamlardaki mikrobik içerik üzerinde etkili olduğu görülmüş. Pencereden havalandırılan ve havalandırma mekanizması ile havalandırılan hastane odalarından örnekler alınmış, pencereden havalandırılan odalarda daha fazla çeşit bakteri bulunmuş. Fakat, mekanizma ile havalandırılan odalarda daha az dışarıdan hava karıştığı için, daha az farklı tür, fakat daha fazla insan ile ilişkili bakterilerin olduğu görülmüş.

Bu çalışmalar yakın gelecek yeni nesil hastane tasarımlarını da etkileyeceğe benziyor. Hastane tasarımcıları yapının formu ve kullanılacak materyallerin çeşidi dışında özellikle havalandırma mekanizmasının tasarımı gibi özellikleri de göz önüne alarak, mikrobik ekolojinin dengede olabilmesine yardımcı olacak şekilde tasarlanması düşülebilir.

Dönüp dolaşıp her konu dengeye geliyor.. İşte burada da mikrobik denge söz konusu oldu.

Sizin ve çevrenizin mikrobik ekolojisi dengede olsun efendim..

Referanslar

http://hospitalmicrobiome.com/hospital-microbiome-project/

Manipulating the Unseen Microbial Ecosystem—The Future of Hospitals?

Rethinking Sterile: The Hospital Microbiome

 

416 total views, 1 views today

Mikrobiyom Projeleri

Daha önceki yazımda İnsan Mikrobiyom Projesinden detaylı bahsetmiştim. Mikrobiyom, hemen hemen tüm bilim dalları ile ilişkisi olabilecek bir alan olarak karşımızda dimdik durmakta. Sonuçta, canlı, cansız her ortamda var bakteriler. Yaşasın “disiplinlerarası çalışmalar” henüz ülkemizde kıymeti pek bilinmese de.. Mikrobiyom projeleri Jack Gilbert ve Rob Knight öncülüğünde ABD tabanlı ilerlemekte. Coğrafyaya göre de mikrobiyom değiştiği için, daha spesifik ülke bazında da bazı çalışmalar yapılıyor (Amerika, Brezilya, İngiliz).

  • İnsan Mikrobiyom Projesi: Cilt, Ağız, Bağırsal, Vajina ve Akciğer gibi vücut bölgelerindeki mikrobiyotayı inceyen bir proje.
  • Amerikan Bağırsak Projesi: Tamamen gönüllülerden elde edilen örneklerle amerikalıların bağırsak mikrobiyomunun özellikleri inceleyen bir proje.
  • Dünya Mikrobiyom Projesi: 2010’da başlatıldı. Okyanus dibi, göller, çöl kumu ve toprak gibi çeşitli ortamlardan örnekler üzerinde çalışan bir proje.
  • Ev Mikrobiyom Projesi: Ev ortamındaki mikrobik değişimleri inceleyen bir proje. Kapalı ortama giren kişi ile ortamın mikrobiyomunun değiştiği, değişimin görülmesi 4-6 gün gibi bir süreçte olduğu bulundu. Ayrıca evin yapı malzemeleri de bir mikrobik topluluğun diğer mikrobik topluluğun yerini alma oranı üzerinde etkili olduğu görüldü.
  • At Mikrobiyom Projesi: At hastalıklarını anlayabilmek için at mikrobiyom üzerine bir proje.
  • Kedi Mikrobiyom Projesi: Gönüllü kişilerin sahip oldukları kedi dışkılarının örneklerin paylaşmaları ile başlamış bir proje.
  • Akvaryum Mikrobiyom Projesi: Kontrol edilen akvaryum içindeki mikrobik değişimleri inceleyen bir proje.
  • Hastane Mikrobiyom Projesi: Hastane ortamındaki mikrobiyomu ve mikrobik değişimi incelemeyi hedefleyen bir proje.

İlginç çalışmalardan birisi de Newyork Metrosunun Mikrobiyomunu çıkarmak üzerine. 18 ay boyunca toplanan örneklerde, çok ciddi hastalıklara neden olabilecek antibiyotiklere dirençli bakteriler görüldü. Hangi istasyonlarda hangi tür bakterilerin görüldüğüne dair hazırlanmış İnteraktif harita için tıklayınız. Bu da tüm şehir için yapılmış bir interaktif harita – tıklayınız.

Benim ilgilendiğim kısım kapalı alan mikrobiyom çalışmaları, özellikle de hastane ortamlarında. Hastane Mikrobiyom Projesi hakkında başka bir yazıda detaylı bahsetmek istiyorum.

Kendi mikrobiyotanızla ve çevresel mikrobiyotanızla barışık kalın efendim..

 

 

294 total views, no views today