Veri Görselleştirme ve Paylaşım Data Visualization and Data Sharing

Veri görselleştirme; karmaşık genomik verileri insan beyninin anlayabileceği görsel formlara dönüştürme sanatıdır. İyi bir görselleştirme, binlerce satırlık veriyi tek bir bakışta anlaşılabilir kılar ve bilimsel bulgular için etkili bir iletişim aracıdır.

---

R ile Görselleştirme — ggplot2

ggplot2, R'ın en güçlü görselleştirme paketidir. "Grafik Grameri" (Grammar of Graphics) prensibine dayanır ve katman katman grafik oluşturmaya olanak tanır.

Temel Kullanım

library(ggplot2)

# Örnek veri
df <- data.frame(
  organizma = c("E. coli", "S. aureus", "K. pneumoniae", "P. aeruginosa"),
  gc_orani = c(50.8, 32.9, 57.2, 66.6),
  genom_boyu_mb = c(5.1, 2.8, 5.5, 6.3)
)

# Saçılım grafiği
ggplot(df, aes(x = gc_orani, y = genom_boyu_mb, label = organizma)) +
  geom_point(size = 4, color = "steelblue") +
  geom_text(vjust = -0.8, size = 3) +
  labs(
    title = "GC Oranı ile Genom Büyüklüğü İlişkisi",
    x = "GC Oranı (%)",
    y = "Genom Büyüklüğü (Mb)"
  ) +
  theme_minimal()

Isı Haritası (Heatmap)

library(pheatmap)

# Gen ifadesi matrisi
set.seed(42)
mat <- matrix(rnorm(100), nrow = 10,
              dimnames = list(paste0("Gen", 1:10),
                              paste0("Ornek", 1:10)))

pheatmap(mat,
         cluster_rows = TRUE,
         cluster_cols = TRUE,
         color = colorRampPalette(c("blue", "white", "red"))(50),
         main = "Gen İfadesi Isı Haritası")

Filogenetik Ağaç

library(ggtree)
library(ape)

# Newick formatında ağaç okuma
agac <- read.tree("core.tree")

# Görselleştirme
ggtree(agac, branch.length = "branch.length") +
  geom_tiplab(size = 3) +
  theme_tree2() +
  ggtitle("Core Genome Filogenetik Ağacı")

---

Python ile Görselleştirme

Matplotlib ve Seaborn

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

# Örnek veri
df = pd.DataFrame({
    'organizma': ['E. coli', 'S. aureus', 'K. pneumoniae'],
    'gc_orani': [50.8, 32.9, 57.2],
    'direnç_geni_sayısı': [5, 12, 8]
})

# Çubuk grafik
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

ax1.bar(df['organizma'], df['gc_orani'], color='steelblue')
ax1.set_title('GC Oranı')
ax1.set_ylabel('GC (%)')
ax1.tick_params(axis='x', rotation=45)

sns.barplot(data=df, x='organizma', y='direnç_geni_sayısı',
            palette='viridis', ax=ax2)
ax2.set_title('Antimikrobiyal Direnç Geni Sayısı')
ax2.tick_params(axis='x', rotation=45)

plt.tight_layout()
plt.savefig('karsilastirma.png', dpi=300, bbox_inches='tight')
plt.show()

Circos Benzeri Genomik Görselleştirme

from pycirclize import Circos

# Genomik özellikler için Circos grafiği
circos = Circos.initialize_from_bed("genomik_ozellikler.bed")
fig = circos.plotfig()
fig.savefig("circos_grafik.png", dpi=300)

---

Özelleştirilmiş Genomik Görselleştirme Araçları

Bandage — Assembly Graf Görselleştirme

Genome assembly çıktısındaki contig bağlantı grafını (GFA formatı) görsel olarak inceler. Tekrarlayan bölgeleri ve bağlantısız contikleri tespit etmek için kullanılır.

IGV (Integrative Genomics Viewer)

BAM, VCF ve BED dosyalarını interaktif olarak görselleştirir. NGS okumalarının referans genoma hizalanmasını incelemek için idealdir.

• Ücretsiz masaüstü uygulaması (igv.org)
• SNP ve indelleri görsel olarak doğrulamak için kullanılır

Artemis — Genomik Anotasyon Görüntüleyici

GenBank ve GFF formatındaki anotasyonları interaktif olarak görüntüler ve düzenler.

---

FAIR Prensipleri

FAIR prensipleri, bilimsel verilerin maksimum fayda sağlayacak şekilde yönetilmesi için uluslararası bir çerçeve sunar. 2016'da Wilkinson ve ark. tarafından yayımlanmıştır.

Veri Paylaşımı için Önerilen Platformlar

• NCBI SRA: Ham NGS verilerinin paylaşımı
• NCBI GenBank: Genom dizileri ve anotasyonların paylaşımı
• Zenodo: Genel araştırma verisi arşivleme (DOI atar)
• figshare: Figürler, tablolar ve veri setlerinin paylaşımı
• GitHub: Analiz kodları ve pipeline'ların paylaşımı

library(ggplot2)

df <- data.frame(
  organism = c("E. coli", "S. aureus", "K. pneumoniae", "P. aeruginosa"),
  gc_ratio = c(50.8, 32.9, 57.2, 66.6),
  genome_size_mb = c(5.1, 2.8, 5.5, 6.3)
)

# Scatter plot
ggplot(df, aes(x = gc_ratio, y = genome_size_mb, label = organism)) +
  geom_point(size = 4, color = "steelblue") +
  geom_text(vjust = -0.8, size = 3) +
  labs(
    title = "GC Content vs Genome Size",
    x = "GC Content (%)",
    y = "Genome Size (Mb)"
  ) +
  theme_minimal()

library(pheatmap)

set.seed(42)
mat <- matrix(rnorm(100), nrow = 10,
              dimnames = list(paste0("Gene", 1:10),
                              paste0("Sample", 1:10)))

pheatmap(mat,
         cluster_rows = TRUE,
         cluster_cols = TRUE,
         color = colorRampPalette(c("blue", "white", "red"))(50),
         main = "Gene Expression Heatmap")

library(ggtree)
library(ape)

tree <- read.tree("core.tree")

ggtree(tree, branch.length = "branch.length") +
  geom_tiplab(size = 3) +
  theme_tree2() +
  ggtitle("Core Genome Phylogenetic Tree")

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

df = pd.DataFrame({
    'organism': ['E. coli', 'S. aureus', 'K. pneumoniae'],
    'gc_ratio': [50.8, 32.9, 57.2],
    'resistance_genes': [5, 12, 8]
})

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

ax1.bar(df['organism'], df['gc_ratio'], color='steelblue')
ax1.set_title('GC Content')
ax1.set_ylabel('GC (%)')
ax1.tick_params(axis='x', rotation=45)

sns.barplot(data=df, x='organism', y='resistance_genes',
            palette='viridis', ax=ax2)
ax2.set_title('Antimicrobial Resistance Gene Count')
ax2.tick_params(axis='x', rotation=45)

plt.tight_layout()
plt.savefig('comparison.png', dpi=300, bbox_inches='tight')
plt.show()