28  Beynin kanseri mikrodizin analizi

Bu pratik kapsamında GSE50161 numaralı çalışmadan elde edilen beyin kanseri verisi üzerine küçük bir çalışma yapılacaktır. Bu çalışma kapsamında glioblastoma ve sağlıkı, normal beyin dokularından elde edilen gen anlatım profili incelenecektir.

28.1 Veri yükleme

Örnekler hakkında metaveri bilgisini yükleyiniz:

metadata <- read.table(file = "https://raw.githubusercontent.com/emrahkirdok/ybva/main/data/metadata-GSE50161.txt", header = T)

Yüklediğiniz metaverinin sütun isimlerini elde eden kodu yazınız:

colnames(metadata)

[1] "Ornek" "Durum"

Çalışmada kaç tane örnek kullanılmış? Kullanılan örnek sayısını geri döndüren kodu yazınız:

length(metadata$Ornek)

[1] 47

Çalışmada kullanılan koşulların tablosunu oluşturan kodu yazınız:

table(metadata$Durum)

glioblastoma       normal 
          34           13 

Şimdi de gen anlatım verisini yükleyiniz:

microarray <- read.table(file = "https://raw.githubusercontent.com/emrahkirdok/ybva/main/data/brain-expression-small-GSE50161.txt", header = T)

Yüklediğiniz gen anlatım verisini matrise çeviriniz:

microarray <- as.matrix(microarray)

Bu matrisin satır ve sütun sayılarını geri döndürünüz:

dim(microarray)

[1] 1999   47

Acaba kaç tane gen incelenmiş? Bunu geri döndüren kodu yazınız:

nrow(microarray)

[1] 1999

28.2 Verinin Kalite Kontrolü

Elinizdeki veriyi histogram oluşturarak kontrol ediniz:

hist(microarray)

Elinizdeki veriin kutu grafiklerini oluşturunuz:

boxplot(microarray)

Hiyerarşik kümeleme yapınız:

plot(hclust(dist(t(microarray))), labels = metadata$Durum)

Bu bilgilere göre şu sorunun cevabını yazınız. Acaba verimizin kalitesi, ön işlem yapmadan çalışmaya uygun mudur? Neden bu kanıya vardınız?

Histogram bize standart bir dağılım örüntüsü verdi Kutu grafiklerinde ortanca değerler çok benzer Kümeleme analizi sonucunda, kontrol ve hastalıklı örnekler ayrı gruplandı

28.3 Ayrımsal gen anlatım analizi

Şimdi de bütün genler için ayrımsal gen anlatım analizi yapınız:

# once p degerlerini toplayacagimiz bir boş vektor oluşturalim

p.value <- rep(0, nrow(microarray))

for (i in 1:nrow(microarray)){
  kontrol <- microarray[i, metadata$Durum=="normal"]
  uygulama <- microarray[i, metadata$Durum=="glioblastoma"]

  test <- t.test(x = kontrol, y = uygulama)
  p.value[i] <- test$p.value
}

Kaç tane gen anlamlı değişmiş? (0.001’e göre):

sum(p.value < 0.001, na.rm = TRUE)

[1] 400

Şimdi de anlatımları en farklı değişmiş bir tane geni ineceleyelim. Bu gen kaçıncı sırada?

which.min(p.value)

[1] 305

Bu genin kutu grafiğine bakalım mı?

boxplot(microarray[305,]~metadata$Durum)

Bu genin anlatımı, glibolastoma koşulunda normal koşula göre nasıl değişmiş? Cevabı aşağıya yazınız:

Normal koşula göre azalmış