Dry Lab Nedir?

Wet lab yazısını okuduysanız örneğin nasıl toplandığını, nasıl saklandığını ve nasıl ölçüldüğünü biliyorsunuz. Hikâyenin orada bittiğini düşünebilirsiniz. Bitmiyor. Cihazdan çıkan dosya dry lab’a ulaştığında elimizde henüz bir sonuç olmaz, yalnızca binlerce sayı olur. O sayılardan anlamlı bir şey söyleyebilmek işin en az yarısıdır.

Dry lab en kısa haliyle, biyolojik bir soruyu bilgisayarla, matematikle ve istatistikle cevaplamaya çalışılan yerdir. Dry lab tek bir bölüm gibi düşünülmemelidir. İçinde gen ve protein verisiyle uğraşan biyoinformatik var. Çalışmayı tasarlayan, grupları karşılaştıran ve belirsizliği hesaplayan biyoistatistik var. Hücreleri, dokuları, dalgalanmalarını modellemeye çalışan hesaplamalı biyoloji var. Spektroskopi verisiyle uğraşanlar kendilerine kimyometrici der. Bir de son yıllarda herkesin konuştuğu makine öğrenmesi var.

Bir Analiz Nasıl İlerler?

Yeni başlayanların en sık yaptığı şey, veriyi alır almaz kod yazmaya oturmaktır. Oysa ilk iş soruyu netleştirmek olmalıdır. Leek ve Peng’in Science’ta yayımlanan kısa ama çok okunan yazısı, veri analizinde en yaygın hatanın sorunun türünü karıştırmak olduğunu söyler: bir korelasyonu neden-sonuç ilişkisi gibi okumak ya da keşif amaçlı bir bulguyu tahmin modeli gibi sunmaktır.

Soru belli olduktan sonra veriyi tanımak gelir. Hangi cihazla, hangi gün, kim tarafından ölçüldü? Birimler ne? Eksik değer var mı? Bu soruların cevabını çoğu zaman dosyanın içinde bulamazsınız; wet lab’deki arkadaşınıza sormanız gerekir.

Verinin elde edilmesini izleyen ilk aşama ön işleme ve kalite kontroldür; analiz sürecinin önemli bir bölümü bu aşamada harcanır. Bu süreçte aykırı değerler belirlenir, cihaz kaynaklı sinyal kaymaları düzeltilir ve farklı günlerde ölçülen örnekler arasında sistematik bir farklılık (parti etkisi) bulunup bulunmadığı değerlendirilir. Ardından verinin dağılımı ve yapısı keşifsel veri analiziyle incelenir; bu amaçla histogramlar, kutu grafikleri ve temel bileşen analizi (PCA) gibi yöntemlerden yararlanılır. Modelleme aşamasına geçilmeden önce verinin genel yapısının görsel olarak değerlendirilmesi, sonraki aşamalarda ortaya çıkabilecek yorum hatalarının önemli bir kısmını önler. Model kurmak ve istatistiksel test yapmak işin en bilinen kısmıdır ama çoğu zaman en kısa süren kısmıdır. Arkasından gelen doğrulama ise en sık atlanan adımdır. Bağımsız bir veri setinde doğrulanamayan bir bulgu, sonuç değil ancak bir hipotez olarak değerlendirilmelidir. Son aşama olan yorumlama, wet lab ekibiyle birlikte yürütülmelidir. Bir aykırı değerin gerçek bir biyolojik farklılığı mı yoksa pre-analitik bir hatayı mı yansıttığı, yalnızca hesaplamalı yöntemlerle belirlenemez.

Kadın Sağlığından Örneklerle Dry Lab

İlk örnek endometriozisin genetik mimarisine ilişkindir. Avrupa ve Doğu Asya kökenli 60.674 hasta ile 701.926 kontrolü kapsayan bir genom çapında ilişkilendirme meta-analizinde 42 genomik bölge ve 49 bağımsız sinyal tanımlanmış, ayrıca endometriozis ile migren ve kronik bel ağrısı dahil 11 ağrı durumu arasında anlamlı genetik korelasyon saptanmıştır (Rahmioglu ve ark., 2023). Bu ölçekte çok sayıda kohortun tek bir analizde bütünleştirilmesi ancak hesaplamalı yöntemlerle mümkündür.

İkinci örnek endometriyumun tek hücre atlasıdır. Bu çalışmada uterus hücreleri tek hücre ve uzamsal düzeyde haritalanmış, elde edilen referans harita endometriyal kanser ve endometriotik lezyonlara ait toplu verilerin çözümlenmesinde kullanılmıştır (Garcia-Alonso ve ark., 2021). Doku eldesi ve hücre ayrıştırması wet lab’de, hücre tiplerinin dizileme verisinden tanımlanması ise dry lab’de gerçekleştirilmiştir.

Üçüncü örnek Türkiye’den bir çalışmadır. Endometriozisli hastalar ve sağlıklı bireylerden alınan 94 serum örneğinin Raman spektrumları ölçülmüş ve temel bileşen analizi ile sınıflandırma algoritmalarıyla değerlendirilmiştir (Parlatan ve ark., 2019). Görsel olarak ayırt edilemeyen spektral farklılıklar, ancak çok değişkenli istatistiksel analizle ortaya konabilmiştir.

Sessiz Hatalar

Wet lab’deki hatalar çoğunlukla gözlemlenebilir bir iz bırakırken, dry lab’deki hatalar genellikle fark edilmeden sonuçlara yansır: kod hatasız çalışır, grafikler tutarlı görünür ve p-değeri anlamlı çıkar. Bu nedenle aşağıdaki dört konu ayrıca ele alınmalıdır.

Parti etkisi (batch effect). Farklı günlerde, reaktif lotlarıyla ya da farklı kişilerce yapılan ölçümler teknik farklılıklar içerir. Bu farklılıklar karşılaştırılan gruplarla örtüştüğünde yanlış sonuçlara yol açar ve yüksek verimli çalışmalarda oldukça yaygındır (Leek ve ark., 2010). Grupların ölçüm partilerine dengeli dağıtılması, bu sorunu deney tasarımı aşamasında büyük ölçüde önler.

p-değerinin yanlış yorumlanması. Amerikan İstatistik Derneği’ne göre p-değeri, hipotezin doğru olma olasılığını ölçmez ve tek başına bir bulguyu kanıtlamaz (Wasserstein ve Lazar, 2016). Bu nedenle etki büyüklüğü ve güven aralığı da raporlanmalı, yalnızca anlamlı sonuçların seçilerek sunulmasından kaçınılmalıdır.

Veri sızıntısı. Makine öğrenmesinde test verisine ait bilginin modele sızması, model performansının olduğundan yüksek görünmesine neden olur; bu sorunun 17 alanda en az 294 yayını etkilediği gösterilmiştir (Kapoor ve Narayanan, 2023). Klinik verilerde en sık örneği, aynı hastaya ait ölçümlerin hem eğitim hem test setinde yer almasıdır.

Tekrarlanabilirlik. Hesaplamalı bir analizin güvenilirliği, aynı sonucun yeniden üretilebilmesine bağlıdır. Bunun için her sonucun nasıl üretildiği kaydedilmeli, veri elle düzenlenmemeli, kodlar sürüm kontrolüyle saklanmalı ve rastgelelik içeren analizlerde tohum değeri belirtilmelidir (Sandve ve ark., 2013).

Yeni Başlayanlar İçin

Dry lab çalışmalarına başlamak için bilgisayar mühendisliği eğitimi gerekmez. Ancak araştırmacıların çoğuna, laboratuvar becerilerinin hesaplamalı karşılıkları sistematik olarak öğretilmemektedir. Wilson ve arkadaşlarının yeni başlayanlar için önerdiği temel uygulamalar, bu açığı kapatmak için iyi bir başlangıç noktasıdır (Wilson ve ark., 2017).

Önerilen başlıca adımlar şunlardır:

• Hipotez testi, güven aralığı ve çoklu karşılaştırma düzeltmesi gibi temel istatistik kavramlarını öğrenmek.
• R veya Python dillerinden birinde yetkinlik kazanmak.
• Ham veriyi değiştirmeden saklamak ve tüm düzenlemeleri kodla yapmak.
• Analizleri Git gibi bir sürüm kontrol sistemiyle kayıt altına almak.
• Yayımlanmış bir çalışmanın açık verisiyle analizini yeniden üretmeyi denemek.
• Verinin üretildiği wet lab süreçlerini yerinde gözlemlemek.

Wet lab ve dry lab birbirinin alternatifi değil, tamamlayıcısıdır. Kadın sağlığı araştırmalarında en çok ihtiyaç duyulan araştırmacılar, her iki alanın yöntemlerine hâkim olanlardır.

Kaynaklar

1. Garcia-Alonso L, Handfield LF, Roberts K, ve ark. Mapping the temporal and spatial dynamics of the human endometrium in vivo and in vitro. Nature Genetics. 2021;53(12):1698–1711. https://doi.org/10.1038/s41588-021-00972-2
2. Kapoor S, Narayanan A. Leakage and the reproducibility crisis in machine-learning-based science. Patterns. 2023;4(9):100804. https://doi.org/10.1016/j.patter.2023.100804
3. Leek JT, Peng RD. What is the question? Science. 2015;347(6228):1314–1315. https://doi.org/10.1126/science.aaa6146
4. Leek JT, Scharpf RB, Bravo HC, ve ark. Tackling the widespread and critical impact of batch effects in high-throughput data. Nature Reviews Genetics. 2010;11(10):733–739. https://doi.org/10.1038/nrg2825
5. Luscombe NM, Greenbaum D, Gerstein M. What is bioinformatics? A proposed definition and overview of the field. Methods of Information in Medicine. 2001;40(4):346–358. https://pubmed.ncbi.nlm.nih.gov/11552348/
6. Parlatan U, Inanc MT, Ozgor BY, Oral E, Bastu E, Unlu MB, Basar G. Raman spectroscopy as a non-invasive diagnostic technique for endometriosis. Scientific Reports. 2019;9. https://doi.org/10.1038/s41598-019-56308-y
7. Rahmioglu N, Mortlock S, Ghiasi M, ve ark. The genetic basis of endometriosis and comorbidity with other pain and inflammatory conditions. Nature Genetics. 2023;55(3):423–436. https://pubmed.ncbi.nlm.nih.gov/36914876/
8. Sandve GK, Nekrutenko A, Taylor J, Hovig E. Ten simple rules for reproducible computational research. PLoS Computational Biology. 2013;9(10):e1003285. https://doi.org/10.1371/journal.pcbi.1003285
9. Wasserstein RL, Lazar NA. The ASA’s statement on p-values: context, process, and purpose. The American Statistician. 2016;70(2):129–133. https://doi.org/10.1080/00031305.2016.1154108
10. Wilson G, Bryan J, Cranston K, Kitzes J, Nederbragt L, Teal TK. Good enough practices in scientific computing. PLoS Computational Biology. 2017;13(6):e1005510. https://doi.org/10.1371/journal.pcbi.1005510