Pan-Genom: Yaşamın Genetik Karmaşıklığının Kilidini Açmak

Genomik alanında, bilim adamları uzun zamandır farklı türler arasındaki genetik bilginin çeşitliliği ve karmaşıklığından büyülenmişlerdir. Geleneksel olarak odak noktası, tek bir bireyin veya iyi çalışılmış bir temsilcinin fikir birliği dizisini temsil eden referans genom üzerinde olmuştur. Bununla birlikte, dizileme teknolojilerindeki son gelişmeler, devrim niteliğinde bir konsepte ışık tuttu: pan-genom. Bu kavram, bir tür içinde geniş bir genetik varyasyon havuzunun varlığını kabul ederek tek bir referans genom kavramına meydan okur. Pan-genomun büyüleyici dünyası, önemini ve biyoloji anlayışımız üzerindeki etkilerini keşfedilmeyi bekliyor.

1. Pan-Genom Nedir?

Pan-genom, tür içinde var olan tek nükleotid polimorfizmleri (SNP'ler), eklemeler, silmeler ve yapısal varyasyonlar gibi tüm genetik varyasyonlar dahil olmak üzere belirli bir türde bulunan eksiksiz gen seti olarak tanımlanabilir. Statik bir planı temsil eden referans genomun aksine, pan-genom, bir tür içindeki farklı bireylerin sahip olduğu genetik çeşitliliği yakalar.

2. Genetik Çeşitlilik:

Pan-genom kavramı, genetik çeşitlilik anlayışımızda devrim yarattı. Araştırmacılar, bir tür içindeki çoklu genomları analiz ederek, yalnızca bireyler arasında paylaşılan çekirdek gen setini değil, aynı zamanda belirli bireylere veya alt popülasyonlara özgü olan yardımcı veya vazgeçilebilir genlerin varlığını da belirleyebilirler. Bu genişletilmiş genetik repertuar, özellikler, hastalık duyarlılığı ve evrimsel süreçler için önemli etkilere sahiptir.

Şekil-1 Human Genome references Pan-Genome 

3. İnsan Sağlığı İçin Etkileri:

Pan-genomun insan sağlığı üzerinde derin etkileri vardır. Geleneksel referans genomu, ağırlıklı olarak Avrupa kökenli bireylerden elde edildi ve bu, genetik varyasyonun önyargılı bir şekilde anlaşılmasına yol açtı. Pan-genom yaklaşımıyla, çeşitli popülasyonlardaki genetik çeşitliliğin tam spektrumunu yakalayabilir, hastalığa neden olan varyantları belirleme yeteneğimizi geliştirebilir ve bireysel genetik farklılıkları dikkate alan kişiselleştirilmiş tıp yaklaşımları geliştirebiliriz.

4. Tarımsal ve Ekolojik Sonuçlar:

Pan-genom insanlarla sınırlı değildir; tarım ve ekolojide geniş kapsamlı uygulamaları vardır. Mahsullerde pan-genomun anlaşılması, yetiştiricilerin arzu edilen özellikleri belirlemesine, mahsulün dayanıklılığını artırmasına ve farklı ortamlarda gelişebilecek yeni çeşitler geliştirmesine yardımcı olabilir. Benzer şekilde, ekolojik çalışmalarda, farklı türlerin pan-genomunu analiz etmek, koruma çabalarına katkıda bulunarak adaptasyon, biyoçeşitlilik ve tür etkileşimleri hakkında fikir verebilir.

5. Analitik Zorluklar ve Gelecekteki Yönelimler:

Araştırmacılar pan-genomun derinliklerine indikçe, genetik varyasyonları doğru bir şekilde tanımlama ve karakterize etme, ölçeklenebilir hesaplama araçları geliştirme ve çok büyük miktarda veriyi yönetme gibi çeşitli analitik zorluklarla karşı karşıya kalıyorlar. Bununla birlikte, dizileme teknolojilerindeki ve biyoinformatik araçlardaki gelişmelerle birlikte, bilim adamları sürekli olarak pan-genom hakkındaki bilgilerimizi geliştiriyor ve genişletiyor. Gelecekteki araştırma yönleri, pan-genomik varyasyonun fonksiyonel etkilerinin çözülmesini ve epigenetik modifikasyonların pan-genom ile nasıl etkileşime girdiğini anlamayı içerir.

Tartışma:

Pan-genom kavramı, statik bir referans genomun geleneksel görüşüne meydan okuyarak genetik varyasyon anlayışımızı değiştirdi. Pan-genomu kucaklayarak tür çeşitliliğinin, insan sağlığının ve ekolojik sistemlerin altında yatan karmaşık genetik dokuyu daha iyi kavrayabiliriz. Pan-genomun gizemlerini çözmeye devam ederken, hayata dair anlayışımızı yeniden şekillendirmeyi vaat eden heyecan verici bir yolculuğa çıkıyoruz.

Referanslar:

1. Sherman, R. M. et al. Assembly of a pan-genome from deep sequencing of 910 humans of African descent. Nat. Genet. 51, 30–35 (2019).

2. Tettelin, H. et al. The pangenome of the bacterial genus Clostridium. Sci. 354, aaf4136 (2016).

3. Luo, R. Et al. SOAPdenovo2: an empirically improved memory-efficient short-read de novo assembler. Gigascience 1, 18 (2012).

Genom Görselleştirmenin Önemi ve Genom Görselleştirme Araçları

Genomik görselleştirme genomik araştırmaların anahtarıdır, çünkü araştırmacılar karmaşık genetik verileri erişilebilir ve açıklayabilir. Görsel genom sayesinde araştırmacılar DNA yapısı, işlevi ve gelişimi hakkında açıklamalarda bulunabilir ve evrimsel özellikleri arasındaki kalıpları ve ilişkileri belirleyebilirler. Bu blog yazısında, genom görselleştirmenin önemini ve gen görselleştirme için kullanılabilecek yazılımları tartışacağız.

Genomik görselleştirme neden önemlidir?

Genom görselleştirmesi birkaç açıdan vazgeçilmezdir. İlk olarak, araştırmacılar genetik dağılım, düzenleyici unsurlar ve diğer işlevsel unsurlar dahil olmak üzere genomun yapısını ve organizasyonunu uygulayabilirler. Bu bilgi, genlerin düzenlenmesini, genetik aileyi ve evrimsel olarak korunmuş bölgesel tanımayı anlamak ve genomun gelişimini kontrol etmek için kullanılabilir.

İkinci olarak, genom varyasyon görselleştirmesini tanımlamak ve yorumlamak için kullanılabilir. Örneğin, tek bir nükleotid polimorfizmi (SNP) ve kopya sayısı değişikliği (CNV) esastır. Bu değişiklikler gen ifadesini ve genlerin işlevini etkiler, bu nedenle hastalıkların duyarlılığı ve tedavisi üzerinde önemli bir etkiye sahiptir.

Üçüncü olarak, genom verilerinin genomdaki diğer biyolojik veri türlerine (transkripsiyon grupları, protein grupları ve metabolik gruplar gibi) entegre edilmesi görselleştirilebilir. Bu veri kayıtlarının bir arada görselleştirilmesi sayesinde araştırmacılar biyolojik sistemler ve bunların ayarlamaları hakkında daha kapsamlı bir anlayışa sahip olabilirler. Aynı zamanda türler arasındaki evrimsel yakınlığıda açıklamak için kullanılabilir.

Genomik Görselleştirme için Araçlar:

Gen görünürlüğü için kendi avantajları ve dezavantajları olan çeşitli yazılım araçları kullanılabilir. Aşağıda genom görselleştirme için en yaygın kullanılan yazılım araçları verilmiştir:

UCSC Genome Browser: UCSC Genome Browser, kullanıcıların çeşitli türlerin genom verilerini görselleştirebileceği web tabanlı bir araçtır. Genetik açıklamalar, düzenleyici unsurlar ve mutant verileri de dahil olmak üzere birçok ek açıklama içerir. UCSC Genome Browser özellikle insan genomunu kontrol etmek için kullanışlıdır, çünkü hastalıkla ilgili varyasyonları ve diğer genom mutasyonlarını incelemek için birçok araç içerir.

Görsel 1. UCSC Genome Browser websitesi ekran görüntüsü. (web sitesi için tıklayın)

Bütünleştirici Genomik Görüntüleyici (IGV): IGV bir masaüstü uygulamasıdır. Kullanıcılar, dizi verileri, gen ifadesi verileri ve epigenetik genetik veriler dahil olmak üzere bu uygulama aracılığıyla birden fazla kaynaktan gelen genom verilerini karşılaştırarak görselleştirebilir ve analiz edebilir. IGV çok özelleştirilmiştir, böylece kullanıcılar görsel parametreleri kendi özel gereksinimlerine göre ayarlayabilirler. 

Görsel 2. Karşılaştırmalı genom analizlerinde kullanılan IGV uygulamasının arayüzü. (IGV indirme linki)

Circos: Circos, bir masaüstü uygulamasıdır. Circos, dairesel formatlama genom verileri için bir araçtır. Bu araç özellikle görselleştirilmiş büyük genom veri kayıtları (genomik ortam ve karşılaştırmalı genom gibi), Epigenom haritalandırması için kullanışlıdır. Kullanıcılar CickOS'u kullanarak sıcak kartlar, yayılım ve histogram dahil olmak üzere son derece uyarlanabilir görselleştirme oluşturabilirler.

Görsel 3. Circus.ca sitesinden ekran görüntüsü. (Circos bağlantı linki)

Sonuç

Genomik görselleştirme, araştırmacıların DNA'nın yapısını, işlevlerini ve gelişimini derinlemesine anlamalarını sağlayan genomik araştırmanın kilit yönüdür. Yukarıda bahsedilen yazılım araçları, görsel genom verileri için birçok seçenek sunar. Araştırmacılar, ihtiyaçlarını en çok karşılayan araçları seçmelidir. Görsel genom verileri sayesinde araştırmacılar genetik sistemi anlamalarını hızlandırabilir ve hastalıkların biyolojisi ve tedavisi konusunda yeni bilgiler edinebilirler.

Referans:

1. http://circos.ca/
2. https://genome.ucsc.edu/cgi-bin/hgGateway
3. https://software.broadinstitute.org/software/igv/download

Python ile BLAST uygulaması

BLAST (Basic Local Alignment Search Tools: Temel Yerel Hizalama Arama Aracı), nükleotit veya protein dizilerini bir dizi veritabanına göre karşılaştırmak ve hizalamak için yaygın olarak kullanılan bir biyoinformatik programıdır. BLAST, Stephen Altschul ve Ulusal Sağlık Enstitüleri'ndeki (NIH) meslektaşları tarafından 1990'ların başında geliştirildi ve o zamandan beri en yaygın kullanılan biyoinformatik araçlarından biri haline geldi.

BLAST algoritması, bir sorgu dizisi ile bir veritabanındaki diziler arasındaki yerel hizalamaları bularak ve ardından bu hizalamaları benzerlik derecesine ve hizalanmış bölgelerin uzunluğuna göre puanlayarak çalışır. Program daha sonra bulunan en iyi eşleşmeleri ve istatistiksel öneminin bir ölçüsünü bildirir. 

BLAST, biyoinformatikte çeşitli görevler için kullanılır, örneğin:

• Bir veritabanındaki homolog dizileri tanımlama
• Bilinen dizilere benzerliğe dayalı olarak yeni dizilere açıklama ekleme
• Dizileri benzerliğe göre ailelere veya gruplara ayırma
• Bir dizide biline motifleri veya alanları arama
• BLAST, Ulusal Biyoteknoloji Bilgi Merkezi (NCBI) ve diğer kuruluşlar tarafından sağlanan web tabanlı bir hizmetin yanı sıra yerel bir bilgisayarda çalıştırılabilen bağımsız bir programdır.

Python ile BLAST uygulaması kodları:

1. İlk olarak Biopython Kütüphanesinden SeqIO, NCIWWW ve NCBIXML modüllerini import etme:

from Bio.Blast import NCBIWWW, NCBIXML
from Bio import SeqIO

NCBIWWW modülü ve NCBIXML modülü, Biopython'da web API'leri aracılığıyla NCBI (Ulusal Biyoteknoloji Bilgi Merkezi) veritabanlarıyla etkileşim kurmanıza izin veren iki modüldür.

NCBIWWW modülü, NCBI'nin web sunucusuna istek göndermek ve GenBank, PubMed ve BLAST gibi NCBI veritabanlarından veri almak için işlevler sağlar. NCBIWWW modülü ile sorgu gönderebilir, dizileri alabilir ve diğer işlemleri programlı olarak gerçekleştirebilirsiniz.

NCBIXML modülü, NCBI web hizmetleri tarafından döndürülen XML biçimli verileri ayrıştırmak için işlevler sağlar. Birçok NCBI veri tabanı, verileri bilgisayarlar tarafından kolayca ayrıştırılabilen yapılandırılmış bir metin biçimi olan XML biçiminde döndürür. NCBIXML modülü ile NCBI web servislerinin döndürdüğü XML verilerinden bilgi çıkarabilir, Python programlarınızda kullanabilirsiniz.

Birlikte, bu modüller, özellikle biyoinformatik ve genom araştırmaları için yararlı olan Python'u kullanarak NCBI'nin geniş biyolojik veri tabanları koleksiyonundan verilere erişmeyi ve verileri almayı kolaylaştırır.

2. FASTA Dosyalarını okutma:

# FASTA dosyalarını okuma
query = SeqIO.read("BRCA1.fasta", "fasta")
subject = SeqIO.read("BRCA2.fasta", "fasta")

3. BLAST araması yapma:

# Perform BLAST search
result_handle = NCBIWWW.qblast("blastn", "nt", query.seq, 
                               descriptions=10, 
                               alignments=10, 
                               hitlist_size=10)

NCBIWWW.qblast() işlevini kullanarak bir BLAST araması gerçekleştirir. Spesifik olarak, sorgu dizisini (query.seq) kullanarak NCBI nükleotit veri tabanına (nt) karşı bir nükleotid-nükleotit BLAST araması (blastn) gerçekleştirir. İşlev ayrıca çıktının sırasıyla açıklamalar (descriptions), hizalamalar (alignments) ve hitlist_size (isabet) parametreleri kullanılarak en fazla 10 açıklama, 10 hizalama ve 10 isabet içermesi gerektiğini belirtir.

4. BLAST sonuçlarını XML uzantılı dosyaya yazdırma:

# BLAST çıktılarını xml uzantılı dosyaya kaydetme
with open("blast_output.xml", "w") as out_handle:
    out_handle.write(result_handle.read())
result_handle.close()

Bu satırlar, yazma modunda ("w") open() işlevini kullanarak BLAST çıktısını blast_output.xml adlı bir dosyaya kaydeder. result_handle.read() yöntemi, daha sonra out_handle.write() kullanılarak dosyaya yazılan BLAST aramasının çıktısını okumak için kullanılır. BLAST sunucusuna bağlantıyı kapatmak için result_handle.close() yöntemi kullanılır.

5. BLAST sonuçlarını saklama:

# BLAST sonuçlarını elinde tutma/saklama
blast_records = NCBIXML.parse(open("blast_output.xml"))

Bu satır, "blast_output.xml" dosyasına kaydedilen BLAST arama çıktısını okur ve bunu bir blast_records nesnesinde saklar.

6. BLAST sonuçlarını işleme:

# BLAST sonuçlarını işleme
for blast_record in blast_records:
    for alignment in blast_record.alignments:
        print("Alignment:", alignment.title)
        for hsp in alignment.hsps:
            print("Query start:", hsp.query_start)
            print("Query end:", hsp.query_end)
            print("Subject start:", hsp.sbjct_start)
            print("Subject end:", hsp.sbjct_end)
            print("Alignment length:", hsp.align_length)
            print("Score:", hsp.score)
            print("E-value:", hsp.expect)
            print("Identity:", hsp.identities)
            print("Gaps:", hsp.gaps)

• for blast_record in blast_records: Bu, BLAST aramasının sonuçlarını içeren ayrıştırılmış bir XML dosyası olan blast_records nesnesindeki her bir blast_record üzerinde yinelenen bir döngü başlatır.
• for alignment in blast_record.alignments: Bu, mevcut blast_record'un hizalamalar nesnesindeki her hizalama üzerinde yinelenen başka bir döngü başlatır. Her hizalama, BLAST veritabanında sorgu dizisiyle eşleşen bir diziyi temsil eder.
• print("Alignment:", alignment.title): Bu, mevcut hizalamanın, tipik olarak hizalamanın temsil ettiği veritabanı sırasını tanımlayan başlığını yazdırır.
• for hsp in alignment.hsps: Bu, geçerli hizalamanın hsps nesnesindeki her HSP (high- scoring segment pair-yüksek puan alan parça çifti) üzerinde yinelenen başka bir döngü başlatır. Bir HSP, yüksek bir puanla birbiriyle hizalanan sorgu ve konu dizilerinin bitişik bir bölümüdür.
• print("Query start:", hsp.query_start): Bu, HSP'nin sorgu sırasındaki başlangıç konumunu yazdırır.
• print("Query end:", hsp.query_end): Bu, HSP'nin sorgu sırasındaki bitiş konumunu yazdırır.
• print("Subject start:", hsp.sbjct_start): Bu, HSP'nin Subject (veritabanı) sırasındaki başlangıç konumunu yazdırır.
• print("Subject end:", hsp.sbjct_end): Bu, HSP'nin Subject dizisindeki bitiş konumunu yazdırır.
• print("Alignment length:", hsp.align_length): Bu, HSP hizalamasının uzunluğunu yazdırır.
• print("Score:", hsp.score): Bu, HSP'nin hizalama puanını yazdırır.
• print("E-value:", hsp.expect): Bu, hizalamanın öneminin bir ölçüsü olan HSP'nin E-değerini yazdırır.
• print("Identity:", hsp.identities): Bu, HSP'deki aynı kalıntıların sayısını yazdırır.
• print("Gaps:", hsp.gaps): Bu, HSP'deki gap sayısını yazdırır.

Not: Bütün bunları 'blast_output.xml' dosyasına yazdırır ve kaydeder. kaydedilen yer ise python kodunu çalıştırdığınız dosya yoluna kaydeder.

Kodun tam hali:

from Bio.Blast import NCBIWWW, NCBIXML
from Bio import SeqIO


# FASTA dosyalarını okuma
query = SeqIO.read("BRCA1.fasta", "fasta")
subject = SeqIO.read("BRCA2.fasta", "fasta")

# BLAST üzerinden arama
result_handle = NCBIWWW.qblast("blastn", "nt", query.seq,
                               descriptions=10,
                               alignments=10,
                               hitlist_size=10)

# BLAST çıktılarını xml uzantılı dosyaya kaydetme
with open("blast_output.xml", "w") as out_handle:
    out_handle.write(result_handle.read())
result_handle.close()

# BLAST sonuçlarını elinde tutma/saklama
blast_records = NCBIXML.parse(open("blast_output.xml"))

# BLAST sonuçlarını işleme
for blast_record in blast_records:
    for alignment in blast_record.alignments:
        print("Alignment:", alignment.title)
        for hsp in alignment.hsps:
            print("Query start:", hsp.query_start)
            print("Query end:", hsp.query_end)
            print("Subject start:", hsp.sbjct_start)
            print("Subject end:", hsp.sbjct_end)
            print("Alignment length:", hsp.align_length)
            print("Score:", hsp.score)
            print("E-value:", hsp.expect)
            print("Identity:", hsp.identities)
            print("Gaps:", hsp.gaps)

GUNDUZ M.F.

Referans:

1. http://biopython.org/DIST/docs/tutorial/Tutorial.html#sec153

Python ile Fasta Formatında Gen İndirme İşlemi

NCBI'da (National Center for Biotechnology Information) genom, gen, protein, OMIM, SNP ve taksonomi gibi pek çok veri saklanmaktadır. Bu verileri Python kullanarak kendi bilgisayarınıza fasta formatında indirip, farklı araçlarla analiz yapabilirsiniz. 

Python ile fasta formatında gen indirme:

İlk önce bilgisayarımıza CMD üzerinden Python kütüphanesi olan Biopyton kütüphanesini indirmeliyiz:

>>>pip install biopython

1. Daha sonra PyCharm üzerinden Biopython kütüphanesinden Entrez, SeqIO import etmeliyiz:

from Bio import Entrez, SeqIO

Entrez ve SeqIO modülleri, biyolojik hesaplama için bir dizi Python aracı olan Biopython kitaplığının parçasıdır.

Entrez modülü, Gen ve Nükleotit veritabanları gibi NCBI (Ulusal Biyoteknoloji Bilgi Merkezi) veritabanlarına erişme ve biyolojik verileri alma işlevleri sağlar. NCBI veritabanlarından dizileri, ek açıklamaları ve diğer bilgileri aramak ve almak için işlevler içerir.

SeqIO modülü, biyolojik sekans verilerini FASTA, GenBank ve FASTQ gibi çeşitli formatlarda ayrıştırmak ve işlemek için işlevler sağlar. Bu formatlardaki dizileri okuyabilir, yazabilir ve bunlar arasında dönüştürebilir. Ayrıca dizi hizalaması ve manipülasyonu için işlevler içerir.

Birlikte, bu modüller, NCBI veritabanlarından biyolojik verilere erişmek ve analiz etmek için güçlü ve kullanışlı bir yol sağlar.

2. NCBI hesabınızla ilişkili e-posta adresini ayarlayın.

Entrez.email = "your.email@example.com"

Buraya kendi e-mailinizi yazmanız gerekir.

3. İstediğimiz geni NCBI'da bulmamız için istenilen verileri girmeliyiz. Ben örnek olarak Beta Globin (Hemoglobin subunit beta) genini arattırdım.

#İnsan genomunda HBB genini arayın
handle = Entrez.esearch(db="gene", term="Homo sapiens[horgn]"
                        "AND HBB[gene]",retmax=1)
record = Entrez.read(handle)
gene_id = record['IdList'][0]

Gen veritabanında Homo sapiens organizması ve HBB geni aramak için Entrez.esearch() işlevini kullanılır. Arama, eşleşen gen kimliklerinin bir listesini döndürür. Retmax parametresi, sonuçları ilk eşleşen genle sınırlamak için 1'e ayarlanır. (Farklı bir geni bulmak için 'HBB' yerine istediğiniz gen ismini yazabilirsiniz.)

record['IdList'] değişkeni, arama sorgusuyla eşleşen gen kimliklerinin bir listesini saklar. Bu durumda, Entrez.esearch() işlev çağrısında retmax parametresini kullanarak arama sonuçlarını bir genle sınırlıyoruz. Bu nedenle, liste yalnızca bir gen kimliği içerecektir ve ona 0 indeksini kullanarak erişebiliriz.

Böylece, gene_id = record['IdList'][0], arama sorgusu tarafından döndürülen gen kimlikleri listesinden ilk (ve tek) gen kimliğini alır ve onu gene_id değişkenine atar.

4. İlk eşleşen gen ID sini almak için:

#HBB geni için mRNA dizisini al
handle = Entrez.efetch(db="nucleotide", id=gene_id, rettype="fasta",
                       retmode="text")
record = SeqIO.read(handle, "fasta")
handle.close()

Bulunan gen kimliği için nükleotit dizisini almak üzere Entrez.efetch() işlevini kullanırız. Diziyi FASTA formatında almak için rettype parametresi "fasta" olarak ayarlanır.

5. Bulunan gen ID'sindeki nükleotid dizisini Fasta formatına yazdırmak için:

#mRNA dizisini "HBB.fasta" adlı bir dosyaya kaydetmek için.
with open("HBB.fasta", "w") as output_handle:
    SeqIO.write(record, output_handle, "fasta")

print("Done!")

SeqIO.read() işlevini kullanarak alınan FASTA biçimli diziyi ayrıştırır.

Alınan mRNA dizisini SeqIO.write() işlevini kullanarak "HBB.fasta" adlı bir dosyaya yazdırır.

Not: Fasta dosyasını kodu çalıştırdığınız dosya yoluna kaydeder. 

Kodun tam hali:

from Bio import Entrez, SeqIO

#Buraya kendi Entrez emailinizi yazmanız gerekir.
Entrez.email = "your.email@example.com"

#İnsan genomunda HBB genini arayın
handle = Entrez.esearch(db="gene", term="Homo sapiens[horgn] "
                        "AND HBA1[gene]", retmax=1)
record = Entrez.read(handle)
gene_id = record['IdList'][0]

#HBB geni için mRNA dizisini al
handle = Entrez.efetch(db="nucleotide", id=gene_id, rettype="fasta",
                       retmode="text")
record = SeqIO.read(handle, "fasta")
handle.close()

#mRNA dizisini "HBB.fasta" adlı bir dosyaya kaydetmek için.
with open("HBA1.fasta", "w") as output_handle:
    SeqIO.write(record, output_handle, "fasta")

print("Done!")

Referans: 

1. https://biopython.org/
2. http://biopython.org/DIST/docs/tutorial/Tutorial.html