MBG4181 Biyolojik Veri Analizi ve Görüntüleme - Ders7
2026-11-09
Ortak fikir: veriyi tidy formata çevir, dplyr fiilleriyle veriyi işle, birbirine eklenen parçalar şeklinde analiz.
Biyolojik veri iki biçimde gelir:
unvotes,gapminder verileri)Bugün iki gerçek veri setiyle çalışacağız:
| Veri | Ne? | Boyut |
|---|---|---|
| PubMed özetleri | EGFR + akciğer kanseri literatürü | 612 özet (2015–2026) |
| İnsan PPI ağı | protein–protein etkileşimleri | 544.494 etkileşim, 19.162 protein |
tidytext hakkında eski ders notları: link
tidygraph hakkında eski ders notları: link
{tidytext} ile metni tabloya çeviriyoruz.
Bir metin aslında bir kelime torbası. {tidytext} bunu “bir satır = bir (belge, kelime)” tablosuna çevirir.
Metin verisi de tıpkı tablo verisi gibi tidy: her satır tek bir gözlem.
# A tibble: 8 × 2
line word
<dbl> <chr>
1 1 egfr
2 1 mutations
3 1 drive
4 1 non
5 1 small
6 1 cell
7 1 lung
8 1 cancer
Her metinde aynı “gürültü” kelimeleri var: the, and, of, in…
{tidytext} bir stop words sözlüğü ile gelir; anti_join() ile atarız.
anti_join() = “bu sözlükteki kelimeleri at”.
Özetleri PubMed’den indirdik. İndirme kodu data/fetch_pubmed.R dosyasında:
base_query <- 'EGFR[tiab] AND lung[tiab]'
years <- 2015:2026
per_year <- 60
pmids <- map(years, function(y) {
url <- paste0("https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi",
"?db=pubmed&retmode=json&retmax=", per_year,
"&term=", URLencode(paste0(base_query, " AND ", y, "[dp]")))
fromJSON(url)$esearchresult$idlist
})Sonra efetch ile özet metinleri indirilir, map_dfr() ile tabloya çevrilir.
# A tibble: 612 × 5
pmid year journal title abstract
<dbl> <int> <chr> <chr> <chr>
1 26051236 2015 The Lancet. Oncology Clin… "Most p…
2 25923549 2015 The New England journal of medicine AZD9… "The EG…
3 25589191 2015 The Lancet. Oncology Afat… "We aim…
4 25936890 2015 Zhongguo fei ai za zhi = Chinese journal of lu… [TKI… "Epider…
5 25745851 2015 Respiratory investigation Dise… "A rece…
6 25983263 2015 Archives of toxicology Role… "Lung c…
7 26514492 2015 Asian Pacific journal of cancer prevention : A… Corr… "Epider…
8 26022942 2015 Molecular aspects of medicine Targ… "The de…
9 25908911 2015 Current oncology (Toronto, Ont.) Mana… "Target…
10 25870795 2015 Translational lung cancer research Mole… "Somati…
# ℹ 602 more rows
Beş sütun: pmid, year, journal, title, abstract.
Her yıl en fazla 60 özet: yıllar arası karşılaştırma dengeli bir veriyle yapılsın diye.

# A tibble: 10 × 2
word n
<chr> <int>
1 egfr 3983
2 lung 1640
3 cancer 1292
4 patients 1176
5 mutations 931
6 nsclc 892
7 cell 794
8 resistance 640
9 treatment 633
10 mutation 603
egfr, lung, cancer … korpusun konusu burada çıkıyor.

Hangi terim yıllara göre ne kadar sık kullanıldı? sorusu tidy formattaki veri ile kolayca hesaplanabilir.
Aradığımız kelimeleri bir tabloya yazıp metni kelimelere bölelim; ikisini join ile eşleştirelim.
# A tibble: 51 × 3
year term n
<int> <chr> <int>
1 2015 erlotinib 11
2 2015 gefitinib 13
3 2016 erlotinib 10
4 2016 gefitinib 11
5 2016 immunotherapy 1
6 2016 osimertinib 5
7 2017 ctdna 2
8 2017 erlotinib 8
9 2017 gefitinib 5
10 2017 immunotherapy 2
# ℹ 41 more rows
Osimertinib yükseliyor.

Tek kelime yetmez: “lung cancer”, “EGFR mutation”, “tyrosine kinase” gibi ifadeler birlikte anlamlıdır.
bigrams <- corpus |>
unnest_tokens(bigram, abstract, token = "ngrams", n = 2) |>
separate_wider_delim(bigram, delim = " ", names = c("word1", "word2")) |>
anti_join(stop_words, by = c("word1" = "word")) |>
anti_join(stop_words, by = c("word2" = "word")) |>
filter(!is.na(word1), !is.na(word2)) |>
count(word1, word2, sort = TRUE)
bigrams |> slice_head(n = 10)anti_join() ile stop_words temizliği yapamayız, ikili kelimelerin iki ayrı kolona ayrılması (separate_) daha sonra her iki kolondaki stop_words ayrı ayrı temizlenmesi gerekmektedir..
# A tibble: 10 × 3
word1 word2 n
<chr> <chr> <int>
1 lung cancer 965
2 cell lung 424
3 growth factor 410
4 egfr tkis 396
5 factor receptor 394
6 epidermal growth 385
7 tyrosine kinase 368
8 egfr mutations 346
9 receptor egfr 323
10 egfr mutant 299
\[idf(\text{terim}) = \ln{\left(\frac{n_{\text{belge}}}{n_{\text{terimi içeren belge}}}\right)}\]
# A tibble: 6,122 × 6
pmid word n tf idf tf_idf
<dbl> <chr> <int> <dbl> <dbl> <dbl>
1 39720671 as1 4 1 4.71 4.71
2 28783064 estrogen 6 1 4.64 4.64
3 27149849 pkm2 6 1 4.63 4.63
4 29133145 ddx59 5 1 4.63 4.63
5 25656847 smarce1 5 1 4.62 4.62
6 27760600 sqclc 4 1 4.62 4.62
7 31420907 atf1 4 1 4.62 4.62
8 36975376 tmprss2 5 1 4.59 4.59
9 36268218 hts 5 1 4.57 4.57
10 36410436 2d5 4 1 4.57 4.57
# ℹ 6,112 more rows
Gerçek hayatta gürültü olur
tf-idf nadir kelimeleri öne çıkarır; küçük veri kümelerinde bu “nadir” kelimeler bazen yazar adı ya da kısaltma olur. Bu yüzden filtreleme (n >= 3) gerekebilir.
{tidygraph} ile ilişkileri grafiğe çeviriyoruz.
Soldaki iki düğüm arasına, sağdaki gibi bir kenar (bağ) çizilir.


{tidygraph} bir grafiği iki tablo ile tutar: düğümler ve kenarlar. İkisi de {dplyr} fiilleriyle işlenir.
Küçük bir ağla başlayalım (arkadaşlık = yönsüz).
# A tibble: 9 × 2
person1 person2
<chr> <chr>
1 alice bob
2 charles bob
3 david bob
4 bob allen
5 fiona bob
6 gary bob
7 bob henry
8 alice allen
9 david fiona
# A tbl_graph: 8 nodes and 9 edges
#
# An undirected simple graph with 1 component
#
# Node Data: 8 × 1 (active)
name
<chr>
1 alice
2 charles
3 david
4 bob
5 fiona
6 gary
7 allen
8 henry
#
# Edge Data: 9 × 2
from to
<int> <int>
1 1 4
2 2 4
3 3 4
# ℹ 6 more rows
{ggraph} = {ggplot} mantığı, ama x/y yerine düğüm ve kenar bilgisi.

Bir düğümün kaç kenarı var? (Yönsüz ağda “kaç kişiyle bağlantılı”)
# A tibble: 8 × 2
name deg
<chr> <dbl>
1 bob 7
2 alice 2
3 david 2
4 fiona 2
5 allen 2
6 charles 1
7 gary 1
8 henry 1
Yönlü ağda ayrım önemlidir:
Arkadaşlık ağını “yönlü” olarak oluşturup içe doğru, dışa doğru ve toplam derece sayımı yapalım
# A tbl_graph: 8 nodes and 9 edges
#
# A directed acyclic simple graph with 1 component
#
# Node Data: 8 × 4 (active)
name in_deg out_deg all_deg
<chr> <dbl> <dbl> <dbl>
1 alice 0 2 2
2 charles 0 1 1
3 david 0 2 2
4 bob 5 2 7
5 fiona 1 1 2
6 gary 0 1 1
7 allen 2 0 2
8 henry 1 0 1
#
# Edge Data: 9 × 2
from to
<int> <int>
1 1 4
2 2 4
3 3 4
# ℹ 6 more rows
Protein-protein etkileşim ağları biyolojide önemli bir veri tipidir.
# A tibble: 5 × 2
interactor_A interactor_B
<chr> <chr>
1 MAP2K4 FLNC
2 MYPN ACTN2
3 ACVR1 FNTA
4 GATA2 PML
5 RPA2 STAT3
İki sütun: interactor_A, interactor_B. Kısaltılmış protein adları (UniProt/S_HUMAN). Tablo 19.162 protein / 544.494 etkileşim: çok büyük, bu yüzden sonraki adımlarda alt küme alacağız.
Aşağıdaki veritabanlarından protein-protein etkileşim verileri elde edilebilir (Halka açık veritabanlarında genelde Download kısmında, veritabanındaki tüm veri csv formatında paylaşılır)
as_tbl_graph komutu, bir tabloyu ağ yapısına çevirir, iki tablo halinde, düğüm + kenar, saklar.
# A tbl_graph: 19162 nodes and 544494 edges
#
# An undirected multigraph with 3 components
#
# Node Data: 19,162 × 1 (active)
name
<chr>
1 MAP2K4
2 MYPN
3 ACVR1
4 GATA2
5 RPA2
6 ARF1
7 ARF3
8 XRN1
9 APP
10 APLP1
# ℹ 19,152 more rows
#
# Edge Data: 544,494 × 2
from to
<int> <int>
1 1 3667
2 2 2393
3 3 3803
# ℹ 544,491 more rows
Aksi belirtilmedikçe, aktif olan tablo düğüm tablosudur, kenar tablosu üzerinde, select, filter, mutate, join uygulanacak ise, activate(edges) kullanılmalıdır
# A tbl_graph: 19162 nodes and 544494 edges
#
# An undirected multigraph with 3 components
#
# Edge Data: 544,494 × 2 (active)
from to
<int> <int>
1 1 3667
2 2 2393
3 3 3803
4 4 1415
5 5 2286
6 6 569
7 7 329
8 7 4241
9 8 8204
10 9 840
# ℹ 544,484 more rows
#
# Node Data: 19,162 × 1
name
<chr>
1 MAP2K4
2 MYPN
3 ACVR1
# ℹ 19,159 more rows
Derecesi en yüksek proteinler ağın hub’larıdır.
ppi_g |>
activate(nodes) |>
mutate(deg = centrality_degree()) |>
filter(deg >= 1500) |>
ggraph(layout = "kk") +
geom_edge_link(colour = "grey75") +
geom_node_point(aes(size = deg), colour = "#de2d26") +
scale_size_area(max_size = 11) +
geom_node_label(aes(label = name), repel = TRUE, size = 3.4,
segment.colour = "grey60", fill = "white") +
theme_graph()
Derece “çok kapısı var” demektir. Betweenness ise “ağın ortasında mı?”: en kısa yolların kaçından geçiyor.
# A tbl_graph: 184 nodes and 7450 edges
#
# An undirected multigraph with 1 component
#
# Node Data: 184 × 3 (active)
name deg betw
<chr> <dbl> <dbl>
1 RPA2 563 20.9
2 APP 2515 87.9
3 EP300 919 66.4
4 BRCA1 1247 68.4
5 RPA1 603 38.9
6 YWHAZ 557 124.
7 CSK 815 18.3
8 CREBBP 567 16.2
9 ESR1 2320 119.
10 NR3C1 886 12.3
# ℹ 174 more rows
#
# Edge Data: 7,450 × 2
from to
<int> <int>
1 1 56
2 5 56
3 21 153
# ℹ 7,447 more rows
Ağın şekli veriden gelmez, çizim seçiminden gelir. En iyisi birkaçını denemektir.
Aynı fikir, metin verisiyle.
Bigram sayımında elimizde word1, word2 ve bir sayı var. Bu tam olarak “iki düğüm + aralarındaki kenar” demek.
egfr düğümü merkezde: EGFR – TKI’lar, EGFR – mutasyonlar etrafında toplanıyor.

| Metin ağı | Protein ağı | |
|---|---|---|
| Düğüm | kelime | protein |
| Kenar | “bu kelime şu kelimeden sonra geçti” | “bu iki protein etkileşiyor” |
| Ağırlık | kaç kez geçti | kaç etkileşim |
| Merkezilik | en çok “köprü” kuran kelime | sinyal yolunun kilit geni |
Aynı araçlar, farklı alan.
Farklı paketlerin fonksiyonları tidy veri alıp tidy veri verir; bu yüzden uç uca eklenebilirler.
corpus |> # veri
unnest_tokens(word, abstract) |> # tidytext
anti_join(stop_words, by = "word") |> # dplyr
count(year, word) |> # dplyr
filter(n > 5) |> # dplyr
pivot_wider(names_from = word, values_from = n) |> # tidyr
as_tbl_graph(directed = FALSE) |> # tidygraph
activate(edges) |>
mutate(betw = centrality_edge_betweenness()) |> # tidygraph
ggraph(layout = "kk") + # ggraph
geom_node_point() + # ggraph
geom_edge_link() # ggraphcorpus içinde 2015 yılı özetlerini alın; en sık 10 kelimeyi bulun.trend tablosundan 2020 yılında en yüksek terimi bulun; o terimin yıllar boyunca yüzdelerini çizdirin.ppi_g içinde “EGFR” düğümünü bulun; derecesini ve kaç komşusu olduğunu yazdırın.bigrams içinden “egfr” kelimesini içeren 10 ikili kelime çıkarın.