Hasil Pencarian  ::  Simpan CSV :: Kembali

"Now completely up-to-date with the latest research advances, the Seventh Edition retains the distinctive character of earlier editions. Twenty-two concise chapters, co-authored by six highly distinguished biologists, provide current, authoritative coverage of an exciting, fast-changing discipline."

"Triclustering merupakan salah satu teknik data mining pada data tiga dimensi untuk mengelompokkan data secara bersamaan pada baris dan kolom di titik waktu yang berbeda menjadi tricluster. Metode ini umumnya diterapkan pada bidang bioinformatika, khususnya data ekspresi gen tiga dimensi. Salah satu triclustering dengan pendekatan biclustering-based adalah THD-Tricluster. Langkah utama dari algoritma ini ialah generate bicluster dan genereate tricluster. Algoritma THD-Tricluster menggunakan pola pergeseran dan penskalaan dengan nilai Shifting-and-Scaling-Similarity (SSSim) untuk mengelompokkan gen dan menghasilkan tricluster. Hasil dari THD-Tricluster dievaluasi dengan Multi Slope Measure (MSL) yaitu sebuah pengukuran kualitas melalui representasi grafik dari tricluster. Dalam penelitian ini, data yang digunakan adalah data respon tiga sel individu terhadap pemberian sitokin berupa interleukin-1-beta pada sel mesenkim amnion manusia atau sel pada membran janin. Sitokin memicu regulasi gen inflamasi yang berkontribusi pada kelahiran prematur. Metode THD-Tricluster diimplementasikan pada 15 skenario dengan nilai threshold berbeda. Skenario yang optimal dipilih menggunakan nilai validasi coverage. Pada skenario optimal, diperoleh delapan tricluster yang kemudian dievaluasi menggunakan Multi Slope Measure (MSL). Tricluster 2 yang memiliki nilai MSL paling kecil dan dipilih sebagai tricluster optimal terdiri atas kumpulan gen dari sel yang responsif terhadap pemberian sitokin berupa interleukin-1-beta. Gen-gen pada Tricluster 2 inilah yang dapat digunakan sebagai bahan pertimbangan bagi para peneliti di bidang biologis dan medis untuk untuk penelitian lebih lanjut terkait kelahiran prematur.

---

Triclustering is one of the data mining techniques on three-dimensional data to cluster data simultaneously in rows and columns at different time points into triclusters. This method is generally applied to the field of bioinformatics, especially three-dimensional gene expression data. One of the triclustering methods with a biclustering-based approach is THD-Tricluster. The main steps of this algorithm are generate bicluster and generate tricluster. THD-Tricluster algorithm uses shifting and scaling patterns with Shifting-and-Scaling-Similarity (SSSim) values to cluster genes and generate tricluster. The result of THD-Tricluster is evaluated by Multi Slope Measure (MSL), a measurement of tricluster quality through graphical representation. In this study, the data used is the response data of three individual cells to cytokine in the form of interleukin-1-beta in human amniotic mesenchymal cells or cells in the fetal membrane. Cytokines stimulate the regulation of inflammatory genes that contribute to preterm birth. The THD-Tricluster method was implemented on 15 scenarios with different threshold values. The optimal scenario was selected using the coverage validation value. In the optimal scenario, eight triclusters were obtained which were then evaluated using Multi Slope Measure (MSL). Tricluster 2 which has the smallest MSL value and selected as the optimal consists of a collection of genes from cells that are responsive to cytokine administration in the form of interleukin-1-beta. The genes in Tricluster 2 can be used by biological and medical researchers to develop treatments to prevent premature birth."

"Penelitian ini bertujuan untuk mencari gen terdiferensiasi dan informasi biologis dari data ekspresi gen penyakit Alzheimer. Data yang digunakan merupakan data microarray penyakit Alzheimer yang berukuran 54675 peobes × 161 sampel. Data tersebut diperoleh dari National Centre for Biotechnology Information (NCBI) yang dapat diakses melalui laman: http://www.ncbi/nlm.nih.gov/. Gen yang memiliki ekspresi terdiferensiasi diseleksi menggunakan algoritma Delta Relative Deviation dan Absolute Deviation (DARDAD). 7089 gen dengan ekspresi terdiferensiasi pada sampel sakit selanjutnya dianalisis menggunakan metode biclustering. Bicluster didapatkan dengan menggunakan model BicMix yang memodelkan matriks ekspresi gen sebagai perkalian dua parameter ditambah matriks eror. Hasil faktorisasi dari Singular Value Decomposition (SVD) digunakan untuk menginisialisasi proses estimasi parameter model BicMix menggunakan metode iteratif Variational Expectation Maximization (VEM). Hasil bicluster selanjutnya dianalisis menggunakan Gene Ontology dan Disease Ontology. Didapatkan 30 bicluster dan beberapa penyakit yang berkaitan dengan penyakit Alzheimer.

---

The purpose of this research is to find genes that differentially expressed and biologic information from Alzheimer's gene expression data. Microarray data of Alzheimer's disease with 54675 probes × 161 samples were used in this research. Data downloaded from National Centre for Biotechnology Information (NCBI), http://www.ncbi/nlm.nih.gov/. Delta Relative Deviation and Absolute Deviation (DARDAD) were used to find differentially expressed genes. 7089 differentially expressed genes then analyzed using biclustering method with BicMix model. BicMix modeled gene expression matrix data as multiplication two parameters and an error matrix. Parameters in the model estimated using Singular Value Decomposition (SVD) - Variational Expectation Expectation Maximization (VEM). Bicluster result then analyzed using Gene Ontology and Disease Ontology. Result of this research are 30 biclusters and disease that are active in Alzheimer."