# Kümelenmiş bir gen ekspresyonu ısı haritası hazırlayın

> RNA-Seq veya mikrodizi verilerinden bir ekspresyon matrisi yükleyin. Yila neredeyse hiç eksprese edilmeyen genleri ayıklar, en değişken olanları seçer, genleri ve örnekleri kümeler ve grupları işaretler.

URL: https://yila.ai/tr/playbooks/gene-expression-heatmap

## Neler alırsınız

- **Kümelenmiş ısı haritası** (PNG + SVG): Hiyerarşik kümelemeye göre sıralanmış genler ve örnekler, iki yönlü bir renk skalası, örnek anotasyon çubukları ve bir lejant.
- **Gen listesi** (CSV): Isı haritasındaki genler ve her gruptaki ortalama ekspresyonları; incelemeye ya da metinde aktarmaya hazır.
- **Raporlanabilir filtreler** (Yöntemler): Ekspresyon eşiği ve dışlanan gen sınıfları betikte açıkça yazılıdır; böylece gen seçimini yöntemler bölümünde tarif edebilirsiniz.
- **Betik** (Python betiği): Ham matristen şekle kadar tüm iş akışı Python ile (isterseniz R ile).

## Nasıl çalışır

1. **Matrisi yükleyin ve grupları belirtin**: Yila'ya satırlarda genlerin, sütunlarda örneklerin yer aldığı ekspresyon tablosunu verin ve örneklerin nasıl gruplanacağını söyleyin. Grup ve donör bilgisi genellikle örnek adlarından okunabilir.
2. **Yila sıralamadan önce filtreler**: Neredeyse hiç eksprese edilmeyen genleri ve yöntemin iyi ölçemediği lokusları çıkarır; böylece en değişken genler sıfıra yakın gürültü değil, gerçek sinyal olur.
3. **Isı haritasını, listeyi ve betiği alın**: Isı haritası çizilir, kontrol edilir ve gen listesi ile betikle birlikte kaydedilir. Daha fazla gen, farklı bir uzaklık ölçüsü, sabit bir örnek sırası ya da yalnızca farklı eksprese edilen genler isterseniz aynı sohbette söyleyin.

## Kullanım alanları

- **RNA-Seq verilerine ilk bakış**: Asıl diferansiyel ekspresyon analizinden önce örneklerin tedaviye, donöre ya da batch'e göre mi gruplandığını görün.
- **Makale için bir şekil**: Önemli genlerin ekspresyon örüntüsünü dergilerin kabul ettiği bir düzende gösterin.
- **Kamuya açık verilerin yeniden analizi**: Yayımlanmış bir iddiayı kontrol etmek için bir GEO veya ArrayExpress matrisini dakikalar içinde ısı haritasına dönüştürün.

## Sık sorulan sorular

### En değişken genler seçilmeden önce neden filtreleme yapılır?

Ekspresyonu sıfıra yakın genler tesadüfen çok değişkenlik gösterebilir, kısa küçük RNA lokusları da poly-A RNA-Seq ile iyi ölçülemez. Filtre olmadan bunlar ilgilendiğiniz genleri listenin dışına iter. Aynı veriyle daha önce filtresiz yürütülen bir görev bunu gösterdi: ilk 50 genin çoğu snoRNA ve miRNA lokuslarıydı.

### z-skoru ne işe yarar?

Her gen örnekler boyunca ortalaması 0, standart sapması 1 olacak biçimde ölçeklenir; böylece renkler bir genin kendine göre nerede yüksek ya da düşük olduğunu gösterir. Bu yapılmazsa ekspresyonu en yüksek genler renk skalasına hâkim olur.

### Genleri kendim seçebilir miyim?

Evet. Bir gen listesi yükleyin ya da yapıştırın veya bir sonuç tablosundan farklı eksprese edilen genlerin en belirginlerini isteyin; ısı haritası bu genler için çizilir.

### Hangi giriş değerleri kullanılabilir?

FPKM, TPM, normalize edilmiş sayımlar ya da mikrodizi sinyal yoğunlukları. Ham sayımlarda Yila önce normalizasyon ve log dönüşümü uygular ve bunu nasıl yaptığını açıklar.

### Örnekler sabit bir sırada kalabilir mi?

Evet. Yalnızca genlerin kümelenmesini isteyin; örnekler verdiğiniz sırada, örneğin tedaviye göre gruplanmış olarak kalır.

### R mi, Python mı?

İkisi de olur. Örnekte seaborn ile Python kullanıldı; R'da Yila pheatmap veya ComplexHeatmap kullanır.

### Örnek veriler nereden geliyor?

Himes ve ark. (PLOS ONE, 2014) çalışmasının dayandığı RNA-Seq verilerini içeren, kamuya açık GEO serisi GSE52778'den. Yila kullanıcıların verilerini asla örnek olarak kullanmaz.

---

- [Kümelenmiş bir gen ekspresyonu ısı haritası hazırlayın](https://yila.ai/tr/playbooks/gene-expression-heatmap)
- [llms.txt](https://yila.ai/tr/llms.txt)
