Kazanimlar:
- Volkan grafiği, ısı haritası, kutu/keman grafiği ve PCA gibi biyolojinin temel grafik türlerini amaca uygun seçebilme
- Eksenin sıfırdan başlaması, hata çubuğunun tanımı, n bilgisi ve erişilebilir palet gibi dürüstlük ilkelerini uygulayabilme
- Dağılımı gizleyen, ekseni kesen ve veriyi güzelleştiren yanıltıcı grafiklerden kaçınabilme
Bir biyolojik bulgu, ne kadar önemli olursa olsun, iyi görselleştirilmezse anlaşılmaz. Aynı zamanda kötü ya da yanıltıcı bir grafik, veriyi olduğundan farklı gösterebilir; bu hem etik bir sorun hem de bilimsel bir hatadır. Bu ünitede biyolojide en çok kullanılan grafik türlerini, yapay zekayla bunları nasıl hızlıca üreteceğinizi ve grafiğin dürüst olması için nelere dikkat edeceğinizi ele alacağız.
Yapay zeka, matplotlib/seaborn koduyla saniyeler içinde yayın kalitesinde grafik üretir; ama grafiğin veriyi doğru temsil edip etmediğine karar vermek sizin işinizdir.
Biyolojide temel grafik türleri
- Volkan grafiği (volcano plot): Diferansiyel ifadede etki büyüklüğü (log2FC) ile anlamlılık (-log10 p) karşılaştırması. Değişen genleri tek bakışta gösterir.
- Isı haritası (heatmap): Çok sayıda gen/örneğin ifade desenini renklerle. Kümeleme (clustering) ile örüntüleri açığa çıkarır.
- Kutu/keman grafiği (box/violin plot): Grupların dağılımını karşılaştırma. Ortalama çubuğundan daha dürüsttür çünkü yayılımı gösterir.
- PCA grafiği: Yüksek boyutlu veriyi 2 boyuta indirip örneklerin kümelenmesini gösterme (temel bileşen analizi).
- Filogenetik ağaç: Türlerin/dizilerin evrimsel ilişkisini dallanmayla gösterme.
- Sağkalım eğrisi (Kaplan-Meier): Zaman içinde olay (ör. ölüm) olasılığını gösterme.
İpucu: Ortalama üstüne çizilen basit çubuk grafikleri (bar chart) biyolojide çoğu zaman yanıltıcıdır çünkü tek tek veri noktalarını ve dağılımı gizler. Mümkünse noktaları da gösteren kutu grafiği veya "beeswarm" tercih edin. Az sayıda veri noktası varsa hepsini gösterin.
Dürüst grafik ilkeleri
- Eksen sıfırdan başlasın (özellikle çubuk grafiklerde); kesilmiş eksen farkı abartır.
- Hata çubuğunun ne olduğunu belirtin: Standart sapma mı, standart hata mı, güven aralığı mı? Bunlar çok farklıdır.
- n'i gösterin: Kaç örnekten elde edildiği grafikte veya başlıkta olmalı.
- Renk körü dostu palet kullanın (örneğin viridis); kırmızı-yeşil ayrımına güvenmeyin.
- Veriyi güzelleştirmeyin: Aykırı noktayı silmek, ekseni oynatmak veya yalnızca güzel tekrarı göstermek bilimsel suistimaldir.
Adım adım: bir volkan grafiği üretmek
- Veriyi hazırlayın: gen, log2FC, padj sütunlu tablo.
- Dönüşüm: y ekseni için -log10(padj) hesaplayın.
- Eşikleri belirleyin: |log2FC|>1 ve padj<0.05.
- Renklendirin: Yukarı, aşağı, anlamsız üç kategori.
- Etiketleyin: En güçlü birkaç geni adlandırın (hepsini değil).
- Başlık ve eksen: Net etiket, n bilgisi, eşik açıklaması.
Kopyalanabilir prompt şablonları
Rol: Bilimsel görselleştirme asistanısın.Görev: Diferansiyel ifade tablomdan (gen, log2FC, padj) volkan grafiği çiz.Eşik: padj<0.05 ve |log2FC|>1. Üç kategoriyi renklendir,en anlamlı 10 geni etiketle. Renk körü dostu palet, net eksen etiketi,n bilgisini başlığa ekle. matplotlib, yayın kalitesi. Yorumlu kod.
Isı haritası çiz: satırlar en değişken 50 gen, sütunlar örnekler.Z-skoru ile satır normalizasyonu yap, hiyerarşik kümeleme ekle,viridis paleti kullan. Örnek grupları renk şeridiyle göster.
Grafiğimdeki hata çubuğu standart sapma mı standart hata mıolmalı, deneyimin amacına göre açıkla. İkisinin farkını veyanlış seçmenin sonucunu anlat.
Bu çubuk grafiği daha dürüst hale getir: tek tek veri noktalarınıüstüne ekle, ekseni sıfırdan başlat, n'i göster.Mevcut kod: [kod]
Zayıf prompt / Güçlü prompt
Zayıf: "Verimin grafiğini çiz."
Güçlü: "4 grubun (her biri n=8) enzim aktivitesi verisi var. Grupları karşılaştıran keman grafiği çiz; her grubun tek tek veri noktalarını üstüne bindir; ortanca çizgisini göster; y eksenini sıfırdan başlat; eksen etiketlerine birim ekle (nmol/dak); renk körü dostu palet kullan. Grafiğin dağılımı dürüstçe gösterdiğinden emin ol."
Fark: Güçlü promptta grafik türü, n, dürüstlük ilkeleri ve birim var. Model yanıltıcı değil, bilgilendirici bir grafik üretir.
Üç mini vaka
Vaka 1 — Kesilmiş eksen: Bir sunumda iki grup arasındaki %3'lük fark, ekseni 95-100 arasına sıkıştırarak devasa gösterilmişti. Yapay zeka ekseni sıfırdan başlatınca farkın gerçekte küçük olduğu ortaya çıktı. Ders: eksen manipülasyonu izleyiciyi yanıltır.
Vaka 2 — Gizlenen dağılım: Bir çubuk grafiği iki grubu "belirgin farklı" gösteriyordu; ama noktalar eklenince grupların büyük ölçüde örtüştüğü, farkın birkaç aykırı noktadan geldiği görüldü. Model noktaları eklemeyi önerince gerçek hikâye açığa çıktı. Ders: dağılımı gizleyen grafik yalan söyler.
Vaka 3 — Renk körü sorunu: Bir ısı haritası kırmızı-yeşil paletle çizilmişti; izleyicilerin yaklaşık %8'i (renk körü erkekler) ayrımı göremedi. Viridis paletine geçince grafik herkes için okunur oldu. Ders: erişilebilir palet standart olmalı.
Karşılaştırma tablosu
Amaç
Uygun grafik
Kaçınılacak
Diferansiyel ifade
Volkan grafiği
Ham p listesi
Grup dağılımı
Kutu/keman + noktalar
Sade çubuk
Çok gen deseni
Isı haritası (kümeli)
Uzun tablo
Örnek kümelenmesi
PCA
—
Zaman-olay
Kaplan-Meier
Ortalama çubuğu
Sık yapılan hatalar
- Kesilmiş eksen: Farkı abartmak.
- Dağılımı gizlemek: Sadece ortalama çubuğu göstermek.
- Hata çubuğunu tanımlamamak: SD/SE/GA karışıklığı.
- n'i belirtmemek: Okuyucu güvenilirliği değerlendiremez.
- Erişilemez renk: Kırmızı-yeşil paletle renk körlerini dışlamak.
- Veri güzelleştirme: Seçici gösterim, bilimsel suistimaldir.
Dikkat: Grafik, veriyi olduğundan farklı gösterecek her düzenleme (ekseni kesme, aykırıyı gizleme, seçici tekrar) bilimsel dürüstlük ihlalidir. Yapay zeka teknik olarak "güzel" bir grafik üretebilir; ama o grafiğin veriyi dürüstçe temsil ettiğinden emin olmak sizin sorumluluğunuzdadır.
Filogenetik ağaç ve ilişki grafikleri
Biyolojiye özgü bir görselleştirme, türlerin veya dizilerin evrimsel ilişkisini gösteren filogenetik ağaçtır. Dallanma deseni akrabalığı, dal uzunlukları ise değişim miktarını gösterir. Yapay zeka, hizalanmış dizilerden ağaç kuran (örneğin Biopython Phylo veya ete3 ile) ve ağacı okunur biçimde çizen kodu yazar. Ancak ağaç yorumunda iki tuzak vardır: dal uzunluğunu göz ardı edip yalnızca dallanmaya bakmak, ve düğüm desteğini (bootstrap: dalın ne kadar güvenilir olduğunu gösteren değer) belirtmemek. Düşük desteğe sahip bir dal, kesin bir akrabalık iddiası için yeterli değildir.
Hizalanmış dizilerden filogenetik ağaç çiz.Dal uzunluklarını ölçekli göster, bootstrap destek değerlerinidüğümlere ekle, %70 altındaki düşük destekli dalları işaretle.Ağacı yorumlarken düşük destekli dallara ihtiyatlı yaklaş.
Grafik ile tablo: hangisi ne zaman
Her veri grafik istemez. Kesin sayıların önemli olduğu durumlarda (örneğin birkaç grubun tam değerleri, istatistik sonuçları) iyi düzenlenmiş bir tablo grafikten üstündür. Grafik, örüntüyü ve karşılaştırmayı gösterir; tablo, kesin değeri verir. Yapay zekaya "bu veriyi grafik mi tablo mu göstermeli?" diye sormak ve gerekçesini istemek, sunumunuzu güçlendirir.
Son olarak, grafiğin kendi kendine anlaşılır olması gerekir. Bir okuyucu, metni okumadan yalnızca grafiğe ve başlığına bakarak ne gösterildiğini anlayabilmeli: eksenler etiketli ve birimli, gruplar tanımlı, n belirtilmiş, istatistiksel anlamlılık işaretlenmiş olmalı. Yapay zekaya grafiğinizi "başlığı ve etiketleriyle birlikte kendi kendine yeter mi?" diye denetlettirmek iyi bir son kontroldür.
Yayına hazır grafik: teknik ayrıntılar
Bir grafiği ekranda güzel görünmekten yayında kullanılabilir olmaya taşıyan bazı teknik ayrıntılar vardır ve yapay zeka bunları koda ekleyebilir. Birincisi çözünürlük: dergiler genellikle yüksek çözünürlük (300 DPI ve üzeri) veya vektör biçim (PDF, SVG) ister; bu, grafiğin baskıda bulanıklaşmamasını sağlar. İkincisi yazı boyutu: ekranda okunan bir etiket, makale sayfasında küçüldüğünde okunamayabilir; eksen ve etiket puntoları buna göre ayarlanmalıdır. Üçüncüsü tutarlılık: aynı çalışmadaki tüm grafiklerde aynı renk kodlaması (örneğin kontrol hep gri, tedavi hep mavi) kullanmak, okuyucunun her grafiği yeniden çözmesini engeller. Yapay zekaya "bu grafiği yayına hazır hale getir: 300 DPI, vektör çıktı, büyük punto, tutarlı renk paleti" diyerek bu ayrıntıları tek adımda ekletebilirsiniz.
Grafiğimi yayına hazır hale getir: 300 DPI ve ayrıca vektör (PDF)olarak kaydet, eksen ve etiket puntolarını baskıda okunur büyüklüğeçıkar, tüm çalışmada tutarlı renk paletini uygula (kontrol=gri,tedavi=mavi). matplotlib ile yorumlu kod ver.
Özetle
İyi bir bilimsel grafik veriyi hem anlaşılır hem dürüst gösterir. Volkan grafiği, ısı haritası, kutu/keman grafiği ve PCA biyolojinin temel araçlarıdır. Yapay zeka bu grafiklerin kodunu hızla yazar, ama eksenin sıfırdan başlaması, dağılımın gösterilmesi, hata çubuğunun tanımlanması, n'in belirtilmesi ve erişilebilir palet gibi dürüstlük ilkelerine uymak sizin işinizdir. Güzel grafik, dürüst grafik değildir.
Uygulama görevi
Elinizdeki (veya örnek) bir veri setiyle yapay zekaya iki grafik ürettirin: grup dağılımını gösteren, veri noktalarını içeren bir keman/kutu grafiği ve bir diferansiyel ifade tablosundan volkan grafiği. Her ikisinde ekseni sıfırdan başlatın (uygunsa), n'i başlığa ekleyin, renk körü dostu palet kullanın. Ardından modelden aynı çubuk grafiğinin "yanıltıcı" ve "dürüst" versiyonunu üretip farkı açıklamasını isteyin.
Kontrol listesi
- [ ] Grafik türünü veriye ve amaca uygun seçtim.
- [ ] Ekseni uygun şekilde sıfırdan başlattım.
- [ ] Dağılımı/veri noktalarını gösterdim, sadece ortalamayı değil.
- [ ] Hata çubuğunun ne olduğunu (SD/SE/GA) belirttim.
- [ ] n bilgisini grafiğe ekledim.
- [ ] Renk körü dostu palet kullandım ve veriyi güzelleştirmedim.