Hasil Pencarian  ::  Simpan CSV :: Kembali

"[ABSTRAKBerdasarkan data World Health Organization (WHO) diketahui prevalensi herpesdi negara-negara berkembang lebih tinggi dibandingkan dengan di negara maju.Virus herpes dapat ditemukan dimana saja dan salah satu ciri penting adalahkemampuannya yang dapat menimbulkan infeksi akut dan kronik pada waktuwaktutertentu. Akibat infeksi tersebut memungkinkan terjadi komplikasi yanglebih berat. Virus herpes terdiri atas genome DNA tertutup inti yang mengandungprotein dan dibungkus oleh glikoprotein. Dengan mempelajari ekspresi gen(sekuen DNA/protein) dan didukung oleh kemajuan di bidang bioinformatika,dapat ditemukan sub-sub bagian penting dan kelompok gen. Virus-virus ini dapatdikelompokkan dengan menganalisa sekuens protein dari virus herpes denganmenggunakan algoritma Tribe Markov Clustering (Tribe-MCL). Tribe-MCLmerupakan metode clustering efisien berdasarkan teori rantai Markov chain,untuk mengelompokkan barisan keluarga protein. Data sekuens protein virusherpes diperoleh di GenBank yang dapat diakses pada situs National Center forBiotechnology Information (NCBI), kemudian disejajarkan menggunakanprogram BLASTp. Hasil pengelompokan sekuen protein virus herpesmenggunakan algoritma Tribe-MCL dengan program R diperoleh enamkelompok . Semua kelompok menunjukkan jenis protein yang sama, dalam halini jenis protein yang digunakan adalah glikoprotein B, M, dan H pada delapanjenis virus herpes yang terjangkit pada manusia.

---

ABSTRACTBased on World Health Organization (WHO) data, the prevalence of herpes indeveloping countries is higher than in developed countries. The herpes virus canbe found anywhere and one of the important characteristics is its ability to causeacute and chronic infection at certain times. Due to infections enables moresevere complications occur. The herpes virus is composed of DNA containingprotein and wrapped by glycoproteins. By studying the expression of genes(sequences of DNA / protein) and is supported by advances in bioinformatics, canbe found an important sub-sections and groups of genes. These viruses can beclassified by analyzing the sequence of the protein-sequence of the herpes virususing algorithm Tribe Markov Clustering (Tribe-MCL). Tribe-MCL is an efficientclustering method based on the theory of Markov chains, to classify sequences ofprotein families. Herpes virus protein sequence data obtained in GenBank whichcan be accessed on the website National Center for Biotechnology Information(NCBI), then aligned using BLASTp program. The results of clustering proteinsequences herpes virus using algorithms (Tribe-MCL) with a program of Robtained six cluster. All clusters showed the same type of protein, in this case thetype of protein used is a glycoprotein B, F, and H in eight types of herpes virusthat infected humans, Based on World Health Organization (WHO) data, the prevalence of herpes indeveloping countries is higher than in developed countries. The herpes virus canbe found anywhere and one of the important characteristics is its ability to causeacute and chronic infection at certain times. Due to infections enables moresevere complications occur. The herpes virus is composed of DNA containingprotein and wrapped by glycoproteins. By studying the expression of genes(sequences of DNA / protein) and is supported by advances in bioinformatics, canbe found an important sub-sections and groups of genes. These viruses can beclassified by analyzing the sequence of the protein-sequence of the herpes virususing algorithm Tribe Markov Clustering (Tribe-MCL). Tribe-MCL is an efficientclustering method based on the theory of Markov chains, to classify sequences ofprotein families. Herpes virus protein sequence data obtained in GenBank whichcan be accessed on the website National Center for Biotechnology Information(NCBI), then aligned using BLASTp program. The results of clustering proteinsequences herpes virus using algorithms (Tribe-MCL) with a program of Robtained six cluster. All clusters showed the same type of protein, in this case thetype of protein used is a glycoprotein B, F, and H in eight types of herpes virusthat infected humans]"

"ABSTRAKAlgoritma Markov Clustering adalah algoritma pengelompokan yang banyak digunakan pada bidang bioinformatik. Operasi utama pada algoritma ini adalah operasi ekspansi. Pada operasi ekspansi dilakukan perkalian dua buah matriks. Karena data pada bidang bioinformatik umumnya berukuran sangat besar dan memiliki tingkat sparsity yang sangat tinggi, diperlukan metode untuk menghemat penggunaan memori dan mempercepat proses komputasi. Sementara itu, Graphics Processing Unit (GPU) berkembang menjadi suatu platform komputasi paralel dengan performa yang lebih baik dari pada Central Processing Unit (CPU). Pada skripsi ini data yang diproses disimpan dalam bentuk sparse matriks ELL-R dan perkalian matriks yang dilakukan menggunakan Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R dibuat dengan melakukan Sparse Matrix Vector Product (SpMV) ELL-R beberapa kali. Algoritma MCL yang dibuat menggunakan komputasi paralel dengan GPU.

---

ABSTRACTMarkov Clustering Algorithm is a clustering algorithm that used often in bioinformatics. The main operation of this algorithm is expand operation. The multiplication of two matrix was done in expand operation. Because data processed in bioinformatics usually have a vast amount of information and have high sparsity, a method to save memory usage and make the computating process faster is needed. Meanwhile, Graphics Processing Unit (GPU) developed into a parallel computing platform with better performance compared to Central Processing Unit (CPU). In this skripsi, processed data stored using ELL-R sparse matrix and matrix multiplication done using Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R made by doing Sparse Matrix Vector Product (SpMV) ELL-R several times. MCL Algorithm made using parallel computing with GPU."

"[ABSTRAKVirus dengue terdiri atas 10 protein penyusun yang berbeda dan diklasifikasikanmenjadi empat serotipe utama (DEN 1 ? DEN 4). Penelitian ini dirancang untukmelakukan pengelompokan terhadap 30 sekuens protein virus dengue yangdiambil dari Virus Pathogen Database and Analysis Resource (ViPR)menggunakan metode Regularized Markov Clustering (R?MCL) dan untukmenganalisis hasilnya. Dengan menggunakan program Python 3.4, algoritmaR-MCL diimplementasikan dan menghasilkan 8 kelompok dengan pusatkelompok lebih dari satu di beberapa kelompok. Banyaknya pusat kelompokmenunjukkan tingkat kepadatan interaksi. Interaksi protein ? protein yangterhubung padat dalam jaringan cenderung membentuk kompleks protein yangberfungsi sebagai unit proses biologi tertentu. Hasil analisis menunjukkan hasilpengelompokan dengan R-MCL menghasilkan kelompok ? kelompokkekerabatan virus dengue berdasarkan peran yang sama dari protein penyusunnya,tanpa memperhatikan serotipenya.

---

ABSTRACTDengue virus consists 10 different constituent proteins and are classified into fourmajor serotypes (DEN 1 - DEN 4). This study was designed to perform clusteringagainst 30 protein sequences of dengue virus taken from Virus Pathogen Databaseand Analysis Resource (VIPR) using Regularized Markov Clustering (R-MCL)algorithm and tp analyze the result. By using Python program 3.4, R-MCLalgorithm produces 8 clusters with more than one centroid in several clusters. Thenumber of centroid shows the density level of interaction. The density ofinteractions protein - protein connected in a network tend to form a proteincomplex that serves as the unit of specific biological processes. The analyzingresult shows the R-MCL clustering produces clusters of dengue virus familybased on the similirity role of their constituent protein, regardless serotypes;Dengue virus consists 10 different constituent proteins and are classified into fourmajor serotypes (DEN 1 - DEN 4). This study was designed to perform clusteringagainst 30 protein sequences of dengue virus taken from Virus Pathogen Databaseand Analysis Resource (VIPR) using Regularized Markov Clustering (R-MCL)algorithm and tp analyze the result. By using Python program 3.4, R-MCLalgorithm produces 8 clusters with more than one centroid in several clusters. Thenumber of centroid shows the density level of interaction. The density ofinteractions protein - protein connected in a network tend to form a proteincomplex that serves as the unit of specific biological processes. The analyzingresult shows the R-MCL clustering produces clusters of dengue virus familybased on the similirity role of their constituent protein, regardless serotypes;Dengue virus consists 10 different constituent proteins and are classified into fourmajor serotypes (DEN 1 - DEN 4). This study was designed to perform clusteringagainst 30 protein sequences of dengue virus taken from Virus Pathogen Databaseand Analysis Resource (VIPR) using Regularized Markov Clustering (R-MCL)algorithm and tp analyze the result. By using Python program 3.4, R-MCLalgorithm produces 8 clusters with more than one centroid in several clusters. Thenumber of centroid shows the density level of interaction. The density ofinteractions protein - protein connected in a network tend to form a proteincomplex that serves as the unit of specific biological processes. The analyzingresult shows the R-MCL clustering produces clusters of dengue virus familybased on the similirity role of their constituent protein, regardless serotypes, Dengue virus consists 10 different constituent proteins and are classified into fourmajor serotypes (DEN 1 - DEN 4). This study was designed to perform clusteringagainst 30 protein sequences of dengue virus taken from Virus Pathogen Databaseand Analysis Resource (VIPR) using Regularized Markov Clustering (R-MCL)algorithm and tp analyze the result. By using Python program 3.4, R-MCLalgorithm produces 8 clusters with more than one centroid in several clusters. Thenumber of centroid shows the density level of interaction. The density ofinteractions protein - protein connected in a network tend to form a proteincomplex that serves as the unit of specific biological processes. The analyzingresult shows the R-MCL clustering produces clusters of dengue virus familybased on the similirity role of their constituent protein, regardless serotypes]"

"Sepengetahuan penulis, belum ada data koinfeksi VHS-2 dan T. pailidum pada individu yang terinfeksi HIV di Indonesia. Mengingat tingginya transmisi HIV melalui rute heteroseksual di Indonesia maka kiranya perlu dilakukan penelitian mengenai prevalensi kedua 1MS tersebut. Data yang diperoleh diharapkan dapat berguna bagi program pencegahan transmisi HIV di Indonesia. Diagnosis infeksi kedua IMS pada penelitian ini akan dinyatakan dengan kepositivan pemeriksaan serologik antibodi terhadap VHS-2 serta RPR dan TPHA.Penelitian ini akan dilakukan di Poliklinik Kelompok Studi Khusus (Pokdisus) AIDS Rumah Sakit Dr. Cipto Mangunkusumo - Fakultas Kedokteran Universitas Indonesia. Kelompok ini dibentuk sejak ,kasus AIDS ditemukan pertama kali di Indonesia tahun 1986. Pokdisus AIDS mengerjakan berbagai aktivitas yang terkait dengan pengendalian HIVIAIDS, termasuk pendidikan dan pelatihan di bidang kesehatan, Iayanan telepon hotline khusus AIDS, konseling dan pemeriksaan laboratorium, akses ke fasilitas diagnostik dan pengobatan, dan juga berfungsi sebagai pusat rujukan. Dalam kegiatannya tersebut Pokdisus AIDS telah membantu Iebih dari 1000 orang penderita infeksi HIVIAIDS memperoleh ()bat antivirus sejak tahun 1999. Dalam dua tahun terakhir, Pokdisus AIDS menangani kira-kira 700-800 kasus infeksi HIV baru. Selain kegiatan medis, Pokdisus AIDS juga melakukan berbagai penelitian pada populasi penderita HIVIAIDS khususnya di Jakarta. Dari penelitian yang pemah dilakukan, dapat dikemukakan di sini bahwa herpes simpleks merupakan salah satu infeksi oportunistik yang sering dijumpai, dan infeksi HIV di kalangan IDU amat tinggi, hingga mencapai 80%.RUMUSAN MASALAHBerdasarkan uraian latar belakang di atas, dapat dirumuskan masalah penelitian sebagai berikut: 51. Berapakah proporsi kepositivan pemeriksaan antibodi (IgG) terhadap VHS-2 pada pasien HIV/AIDS yang berobat di Pokdisus AIDS RSCM/FKUI?2. Berapakah proporsi kepositivan pemeriksaan serologik terhadap Treponema pallidum (RPR dan TPHA) pada pasien HIVIAIDS yang berobat di Pokdisus AIDS RSCM/FKUI?3. Faktor sosiodemografi dan perilaku seksual apakah yang berhubungan dengan kepositivan pemeriksaan IgG VHS-2, RPR dan TPHA pada pasien HIVIAIDS yang berobat di Pokdisus AIDS RSCM/FKUI?"

"Pembentukan dan perkembangbiakan sel tumor terjadi jika protein khusus yang mengatur pembelahan sel mengalami perubahan fungsi, ekspresi gen atau hilang keduanya. Salah satu protein penekan tumor yang berperan dalam pengendalian siklus sel adalah protein TP53. Pada sebagian besar perubahan genetik dalam tumor, baik delesi atau mutasi pada lebih dari 50% kanker pada manusia, ditemukan mutan TP53 yang merupakan faktor beresiko tinggi terhadap kanker. Oleh karena itu, penting untuk melakukan studi tentang pengelompokan interaksi protein-protein TP53. Interaksi protein secara umum disajikan dalam jaringan graf (graph network) dengan protein sebagai simpul dan interaksinya sebagai busur. Algoritma Markov Clustering (MCL) adalah satu metode graph clustering yang dibuat berdasarkan simulasi dari flow stokastik pada suatu graf. Dalam skripsi ini, dibahas mengenai implementasi algoritma MCL pada data interaksi protein-protein TP53 dengan menggunakan bahasa pemrograman Python. Algoritma MCL terdiri dari tiga operasi utama yaitu ekspansi, penggelembungan, dan pemotongan. Selanjutnya, dilakukan analisis hasil clustering dari simulasi algoritma MCL dengan menggunakan parameter ekspansi, penggelembungan dan faktor pengali yang berbeda-beda. Berdasarkan analisis hasil clustering yang dilakukan, algoritma MCL terbukti menghasilkan robust cluster dengan protein TP53 sebagai pusat cluster untuk setiap hasil clustering.

---

The formation and proliferation of tumor cells occurs if a special protein that regulates cell division changing the function, gene expression or lost both. One of the tumor suppressor protein that plays a role in controlling the cell cycle is the TP53 protein. In most of the genetic changes in the tumor, either deletions or mutations in more than 50% of human cancers, it found that mutant of TP53 is a high risk factor for cancer. Therefore, it is important to conduct studies on protein-protein interactions clustering of TP53. Protein interactions are generally presented in the graph network with proteins as nodes and interactions as edges. Markov Clustering (MCL) algorithm is a graph clustering method which is based on a simulation of stochastic flow on a graph. This minithesis discussed about the implementation of the MCL process on protein-protein interaction of TP53 data using the Python programming language. MCL algorithm consists of three main operations: expansion, inflation, and prune. Furthermore, the clustering simulation is using the different parameter of expansion, inflation and the multiplier factor. Based on the analysis of the clustering results, MCL algorithm is proven to produce robust cluster with TP53 protein as a centroid for each clustering results."

"Tesis ini membahas pengelompokan virus-virus influenza A. Virus influenza A adalah virus RNA yang berbahaya, karena memiliki kemampuan mutasi yang tinggi dan menyebabkan wabah di beberapa negara. Dengan kemajuan bioinformatika, virus-virus dapat dikelompokkan dengan menganalisis sekuens-sekuens protein dari virus-virus tersebut. Markov clustering (MCL) telah diaplikasikan dengan baik pada bioinformatika, seperti; mengelompokkan jaringan-jaringan antara protein yang satu dengan yang lain, jaringan kemiripan antar protein, dan penentuan keluarga protein. Tujuan penelitian ini adalah mengelompokkan virus-virus influenza A berdasarkan protein hemaglutinin (HA) menggunakan algoritma Markov clustering (MCL) dan program menggunakan perangkat lunak Octave berbasis open source. Simulasi program menggunakan tiga buah faktor penggelembungan yang berbeda, yaitu; r = 1.5, r = 2.0, dan r = 2.5. Pengelompokan virus-virus influenza A menghasilkan dua kelompok. Kelompok pertama dengan pusat kelompoknya A/duck/Jiangsu/115/2011(H4N2) dan kelompok kedua dengan pusat kelompoknya A/duck/Victoria/0305-2/2012 (H5N3). Struktur pengelompokan virus-virus influenza A berdasarkan sekuens protein hemaglutinin (HA) yang diperoleh dengan menggunakan algoritma Markov clustering (MCL) mempunyai kemiripan struktur dengan struktur pengelompokan protein hemaglutinin (HA), dengan demikian pengelompokan virus-virus influenza A dapat mengacu pada pengelompokan keluarga protein hemaglutinin (HA).

---

The focus of this study is the clustering of influenza A viruses. Influenza A virus is an RNA virus that is dangerous, because it has a high mutation capability and caused outbreaks in several countries. With the development of bioinformatics, the viruses can be clustered by analyzing the protein sequences of these viruses. Markov clustering (MCL) has been very well applied to bioinformatics, such as to cluster protein-protein interactions (PPI) networks, determine the similarity between the protein network, and determine the protein families.

The aim of this study is to cluster influenza A viruses based on hemagglutinin protein (HA) using Markov clustering (MCL) and programs using software Octave which based on open source. The simulation of program using three different inflation factors, ie; r = 1.5, r = 2.0 and r = 2.5.

Clustering of influenza A viruses resulted in two clusters. The center of the first cluster is A / duck / Jiangsu / 115/2011 (H4N2) and the center of the second cluster is A / duck / Victoria / 0305-2 / 2012 (H5N3). Clustering structure of influenza A viruses using Markov clustering (MCL) have the similar structure with clustering structure of the hemaglutinin protein (HA), thus clustering of influenza A viruses can refer to the clustering of hemagglutinin proteins (HA) families."

"[ABSTRAKBerdasarkan data WHO tahun 2014, diperkirakan sekitar 15 juta orang di duniayang terinfeksi hepatitis B (HBsAg+) juga terinfeksi hepatitis D. Infeksi hepatitisD dapat terjadi bersamaan (koinfeksi) atau setelah seseorang terkena hepatitis Bkronis (superinfeksi). Penyakit hepatitis B disebabkan oleh virus HBV danpenyakit hepatitis D disebabkan oleh virus HDV. HDV tidak dapat hidup tanpaHBV. Hepatitis D erat hubungannya dengan infeksi virus HBV, sehingga sangatrealistis bila setiap usaha pencegahan terhadap hepatitis B, maka secara tidaklangsung mencegah hepatitis D. Pada tesis ini akan dibahas bagaimana hasilpengelompokan barisan DNA HBV menggunakan algoritma k-means clusteringdengan menggunakan perangkat lunak R. Dimulai dengan mengumpulkan barisanDNA HBV yang diambil dari GenBank, kemudian dilakukan ekstraksi cirimenggunakan n-mers frequency, dan hasil ekstraksi ciri barisan DNA tersebutdikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakannormalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai datamasukan. Jumlah cluster yang dipilih dalam penelitian ini adalah dua danpenentuan centroid awal dilakukan secara acak. Pada setiap iterasi dihitung jarakmasing-masing objek ke masing-masing centroid dengan menggunakan Euclideandistance dan dipilih jarak terpendek untuk menentukan keanggotaan objek disuatu cluster sampai akhirnya terbentuk dua cluster yang konvergen. Hasil yangdiperoleh adalah virus HBV yang berada pada cluster pertama lebih ganasdibanding virus HBV yang berada pada cluster kedua, sehingga virus HBV padacluster pertama berpotensi berevolusi dengan virus HDV menjadi penyebabpenyakit hepatitis D.

---

ABSTRACTBased on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D., Based on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D.]"

"ABSTRAKSkizofrenia telah diderita oleh lebih dari 21 juta orang di seluruh dunia. Masalahgenetik dan lingkungan menjadi salah satu faktor yang berkontribusi dalamperkembangan penyakit ini. Beberapa penelitian menunjukkan beberapa gen yangberhubungan dapat meningkatkan risiko penyakit ini. Gen-gen kandidat yangdiperoleh dari beberapa penelitian ternyata membentuk sebuah jaringan besar padainteraksi tingkat proteinnya. Oleh karena itu, perlu dilakukan studi terhadapjaringan interaksi protein dari gen kandidat. Algoritma Regularized MarkovClustering (RMCL) adalah salah satu metode graph clustering yang merupakanpengembangan dari algoritma Markov Clustering (MCL). Dalam skripsi ini,dibahas mengenai implementasi algoritma RMCL pada data jaringan interaksiprotein gen-gen kandidat faktor risiko skizofrenia yang dibangun menggunakanbahasa pemrograman R. Simulasi algoritma RMCL dilakukan dengan parameterpenggelembungan berbeda-beda. Kemudian, hasil simulasi algoritma RMCLdibandingkan dengan hasil simulasi algoritma MCL dengan parameter yang sama.Algoritma RMCL memberikan hasil dalam bentuk overlapping cluster, hal inimenunjukkan keterikatan antar cluster yang terbentuk. Sehingga, berdasarkanhasil simulasi algoritma RMCL, terdapat hubungan antar cluster protein daribeberapa gen kandidat, salah satunya adalah hubungan gen NRG1 dan CACNG2.

---

ABSTRACTSchizophrenia has been suffered by over 21 million people worldwide. Geneticand environmental issues are one of the contributing factors in the development ofthis disease. Some research suggests that several related genes may increase therisk of this disease. Candidate genes that obtained from several research turns up alarge network of protein-protein interaction. Therefore, it is necessary to study theprotein-protein interaction network of the candidate gene. Regularized MarkovClustering Algorithm (RMCL) is a graph clustering method which is thedevelopment of Markov Clustering Algorithm (MCL). This minithesis discussedabout implementation of the RMCL algorithm on protein-protein interactionnetworks on schizophrenia?s risk factors candidate genes data that is built using aprogramming language R. RMCL algorithm simulation performed with differentinflation parameters. Then, the results of the RMCL algorithm simulationcompared with MCL algorithm simulation with the same parameters. RMCLalgorithm provides results in the form of overlapping clusters, which mean thereare relation between clusters. Thus, based on the results of RMCL algorithmsimulation, there are relation between protein clusters of several candidate genes,one of which is the relationship of gene NRG1 and CACNG2."