Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"ABSTRACTSel tumor adalah sel yang terbentuk akibat kegagalan beberapa protein dalam mengatur siklus sel. Protein TP53 berperan penting dalam mengatur siklus sel, khususnya dalam menekan perkembangan sel tumor. Perubahan pada gen TP53 ditemukan dalam lebih dari setengah kasus tumor pada manusia. Protein lain yang berhubungan dengan protein TP53 juga ditemukan terlibat dalam proses pembentukan kanker. Analisis interaksi protein TP53 dengan melakukan clustering jaringan interaksi protein (PPI) TP53 adalah hal penting dalam membantu mengatasi sel tumor. Jaringan PPI dinyatakan sebagai graf dengan protein dan interaksinya masing-masing sebagai simpul dan busur pada graf. Spectral clustering adalah metode graph clustering yang menggunakan eigenvector dari matriks Laplacian.

---

ABSTRACTFuzzy random walk adalah metode fuzzy clustering yang menggunakan probabilitas transisi dari random walk pada data. Dua metode tersebut akan digabungkan dan diimplementasikan pada penelitian ini. Menggunakan data PPI protein TP53 dari STRING database, didapat gabungan kedua metode tersebut mampu menghasilkan cluster yang fuzzy dan robust di mana setiap cluster dapat menjelaskan bagian tertentu dari fungsi protein TP53. Tumor cell is formed as a result of malfunctioning of some proteins that regulates the cell cycle. TP53 protein plays an important role in managing cell cycle, especially in tumor cell suppression. An alteration of TP53 gene is found in more than half cases of human tumor. Moreover, TP53-related proteins are also found involved in the carcinogenesis process. Therefore, it is important to analyze the interactions of TP53 protein by clustering protein-protein interactions (PPI) network of TP53. PPI networks are usually represented as a graph network with proteins and interactions as vertices and edges respectively. Spectral Clustering is a graph clustering algorithm based on eigenvector of the graph Laplacian. Fuzzy Random Walk is a fuzzy clustering method based on transition probability from a random walk on a dataset. In this paper, we combine both Spectral Clustering and Fuzzy Random Walk. Using PPI datasets of TP53 obtained from the STRING database, we found the combined algorithm is proven to produce both robust and fuzzy clusters with each cluster explains one of TP53 proteins functionality."

"[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]"

"ABSTRAKProtein memiliki peranan penting dalam mengontrol fungsi enzim, mengatur produksi dan aktivitas di dalam sel. Untuk melakukan hal ini, protein berinteraksi dengan protein-protein lainnya, DNA dan molekul-molekul lainnya. Jaringan interaksi protein-protein ini memiliki ukuran yang sangat besar. Sehingga untuk memudahkan dalam menganalisis jaringan ini diperlukan metode clustering. Pada penelitian ini, algoritma Markov clustering digabungkan dengan algoritma firefly yang disebut sebagai algoritma firefly-Markov clustering FMCL . Pada algoritma FMCL, posisi kunang-kunang akan menggantikan nilai parameter inflate. Kemudian proses clustering akan berlangsung menggunakan algoritma Markov clustering MCL . Selanjutnya posisi kunang-kunang akan terus diperbarui dan proses clustering akan terus dilakukan sampai diperoleh hasil clustering terbaik. Komputasi paralel pada algoritma FMCL menggunakan OpenMP. Setiap thread menjalankan proses pada Markov clustering menggunakan parameter inflate yang ditentukan oleh posisi kunang-kunangnya. Hasil yang diperoleh pada data jaringan interaksi protein HIV ada 4 cluster. Dari 4 cluster ini terdapat satu cluster besar yang saling terhubung dengan 6 pusat cluster lainnya yaitu NEF, GAG, GAG-POL, VPR, VIF dan VPU. Pada 3 cluster lainnya yang menjadi pusat cluster adalah TAT, REV dan ENV. Sedangkan dengan menggunakan data jaringan interaksi protein pada Human Herpesvirus tipe 4 HHV-4 diperoleh 14 cluster. Protein yang menjadi pusat cluster adalah EBNA-LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2-BBLF3, EBNA3B, BRLF1, BGLF4, BYRF1. Selain itu, juga dapat dilihat bahwa ada beberapa cluster yang hanya merupakan interaksi antara dua protein yaitu BBRF1 dengan NFKB2, EBNA3A dengan CHEK2, LMP2A dengan ITCH, dan EBNA3C dengan EP300. Speed up algoritma FMCL yang dijalankan menggunakan OpenMP pada data HIV dan HHV-4 adalah 4.73x dan 3.21x lebih cepat dibandingkan dengan algoritma FMCL yang dijalankan secara sekuensial.

---

ABSTRACTProtein plays an important role in controlling enzyme function, regulating production and activity in cell. To do this function, proteins will interact with other protein, DNA and other molecules. Protein interaction network have a very large size. Then to simplify analyzing this network is required clustering method. In this study, Markov clustering algorithm combined with a firefly algorithm called firefly Markov clustering algorithm FMCL . In FMCL algorithm, firefly position will be replace the value of inflate parameter. Then clustering process will take place using Markov clustering algorithm MCL . Futhermore, the firefly position will be updated and clustering process will be continue until its get the best clustering. Parallel computing on FMCL algorithm using OpenMP. Each thread will run the process on Markov clustering by using inflate parameter specified by the position of firefly. The clustering result from protein interaction network on HIV is 4 clusters. From this cluster, there is a large cluster connected with 6 other cluster centers, they are NEF, GAG, GAG POL, VPR, VIF and VPU. In the 3 other clusters that become the center of the cluster are TAT, REV and ENV. While by using protein interaction network on HHV 4 obtained 14 clusters. The proteins that become the center of the clusters are EBNA LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2 BBLF3, EBNA3B, BRLF1, BGLF4 and BYRF1. In addition, it can be seen that there are several clusters that are just interaction between two proteins, BBRF1 with NFKB2, EBNA3A with CHECK2, LMP2A with ITCH and EBNA3C with EP300. The speed up of FMCL algorithm by using OpenMP HIV and HHV 4 data is 4.73x and 3.21x faster than the sequentially executed."

"ABSTRAKAlgoritma Regularized Markov Clustering RMCL adalah suatu metode graf clustering yang merupakan pengembangan dari Markov Clustering MCL . Algoritma RMCL masih memiliki kelemahan pada parameter penggelembungan yang biasanya selalu diinputkan oleh pengguna untuk mendapatkan hasil clustering yang baik. Pada penelitian ini, RMCL digabungkan dengan algoritma Firefly untuk menganalisis jaringan interaksi protein yang disebut algoritma Firefly Regularized Markov Clustering FRMCL . Algoritma Firefly merupakan algoritma yang terinspirasi dari perilaku kunang-kunang dalam mencari koloninya. Implementasi algoritma FRMCL dilakukan pada data jaringan interaksi protein HIV-1 dan Human Herpesvirus 1. Data yang digunakan direpresentasikan ke dalam sebuah graf tak-berarah . Selanjutnya, posisi kunang-kunang pada algoritma firefly akan berperan sebagai parameter penggelembungan. Setiap firefly akan melakukan proses RMCL, sehingga diperoleh beberapa hasil RMCL dengan parameter berbeda. Setiap proses RMCL memberikan nilai global chaos, yang dipilih adalah global chaos minimum yang akan dijadikan best firefly, kemudian akan dilakukan proses perhitungan kembali. Posisi firefly baru ini selanjutnya bertindak sebagai parameter penggelembungan yang baru dan dilakukan proses FRMCL berlanjut hingga diperoleh cluster terbaik. Komputasi paralel akan digunakan saat setiap firefly menjalankan proses FRMCL dengan bahasa pemrograman OpenMP. Berdasarkan hasil simulasi yang dilakukan, diperoleh 14 cluster untuk data Human Herpesvirus 1 dan 4 cluster untuk data HIV-1. Sedangkan proses paralel yang dilakukan pada kedua data PPI tersebut diperoleh running time dan speed up yang menunjukkan komputasi paralel menggunakan 8 thread diperoleh 3,66x dan 4,51x lebih cepat dibandingkan dengan komputasi sekuensial.

---

ABSTRACTRegularized Markov Clustering RMCL algorithm is a clustering graph method which is the development of Markov Clustering MCL . The RMCL algorithm still has weaknesses on inflate parameters that are usually always input by the user to get best clustering results. In this research, RMCL combined with the Firefly algorithm to analyze a protein interaction network called the Firefly Regularized Markov Clustering FRMCL algorithm. The Firefly algorithm is an algorithm that is inspired by the behavior of fireflies looking for their colonies. Implementation of the FRMCL algorithm was carried out on the data network of HIV 1 protein interactions and Human Herpesvirus 1. The data used to be represented in an undirected graph G. Then, firefly position on the firefly algorithm will act as an inflate parameter. Every firefly will perform the RMCL process, and then obtained some RMCL results with different parameters. Each RMCL process give generated from global chaos, which will be selected minimum global chaos which will be the best firefly, it will be processed back again. This new firefly position will act as a new inflate parameter and perform the FRMCL process until to produce the best clusters. Parallel computations will be used when each firefly runs the FRMCL process with the programming language using OpenMP. Based on the results of the simulation, 14 clusters are obtained for Human Herpesvirus 1 and 4 cluster data for HIV 1 data. The parallel processing performed on both PPI data is due to running time and speed shows 3,66x and 4,51x parallel computing using 8 thread which faster than sequential computing."

"This thesis presents the first report of the comprehensive and quantitative analysis of the effects of tumor-derived mutations on the tetrameric structure of tumor suppressor protein p53, which plays a central role in maintaining genomic integrity. Inactivation of p53 via mutation of its gene is a key step in tumorigenesis. Biophysical analyses revealed that the stability of the mutant peptides varied widely. Formation of a tetrameric structure is to be critical for protein–protein interactions, DNA binding, and the post-translational modification of p53. A small destabilization of the tetrameric structure therefore could result in dysfunction of tumor suppressor activity. This work suggests that the threshold for loss of tumor suppressor activity, in terms of the disruption of p53’s tetrameric structure, could be extremely low. Furthermore, functional control of p53 via tetramer formation was demonstrated, based on the structure–function analysis of mutant p53. The results disclosed that relatively small changes in tetramer formation, induced by the stabilization or inhibition of homo-tetramerization, could control p53 function."

"ABSTRAKProtein memiliki peranan yang sangat penting dalam kehidupan. Setiap proteinberinteraksi dengan protein-protein lain, DNA, dan molekul-molekul lainnya, sehinggaterbentuklah jaringan interaksi protein yang berukuran sangat besar. Untuk memudahkandalam menganalisisnya, diperlukan metode clustering. Algoritma Soft RegularizedMarkov Clustering (SR-MCL) merupakan pengembangan metode clustering yangmengurangi kelemahan dari Regularized Markov Clustering dan Markov Clustering.Namun, SR-MCL masih memiliki kelemahan yaitu parameter inflasi yang selaludimasukkan secara manual oleh peneliti. Penelitian ini, SR-MCL digabung denganAlgoritma Firefly yang selanjutnya disebut Firefly Soft Regularized Markov Clustering,dimana posisi setiap firefly menggantikan parameter inflasi. Posisi firefly akan terusdiperbaharui dan proses clustering akan terus dilakukan sampai memperoleh global chaoskurang dari threshold. FSR-MCL akan diterapkan secara paralel menggunakan OpenMP,yaitu setiap thread menjalankan SR-MCL dengan posisi setiap firefly yang berbeda.Proses clustering data HIV-1 diperoleh sembilan protein sebagai pusat cluster yangsangat berpengaruh dalam pembentukan dan penyebaran virus, yaitu TAT, REV, ENV,GAG, POL, VPU, VPR, NEF, dan VIF, serta didapat parameter inflasi terbaiknya 8,0dengan speed up 4,66 kali. Proses clustering data SC5314 diperoleh enam protein sebagaipusat cluster yang merupakan protein penting dalam penyebarannya, yaitu HSP90,CBK1, MED8, NOP1, CEK1, dan CDC4, serta didapat parameter inflasi terbaiknya 5,5dengan speed up 3,01 kali.

---

ABSTRACTProtein has a very important role in life. Each protein interacts with other proteins, DNA,and other molecules, resulting in a very large protein-protein interaction. To make it easierto analyze it, clustering method is needed. Soft Regularized Markov Clustering (SRMCL)algorithm is a development of clustering method that reduces the weakness ofRegularized Markov Clustering and Markov Clustering. However, SR-MCL still has aweakness that is the parameter of inflation that is always entered manually by researchers.This study, SR-MCL combined with Firefly Algorithm, hereinafter called Firefly SoftRegularized Markov Clustering, where the position of each firefly replace the parametersof inflation. The firefly position will continue to be updated and the clustering processwill continue until the global chaos is less than the threshold. FSR-MCL will be appliedin parallel using OpenMP, ie each thread runs SR-MCL with the position of each differentfirefly. The process of clustering the HIV-1 data obtained by nine proteins as the centerof the cluster is very influential in the formation and spread of the virus, namely TAT,REV, ENV, GAG, POL, VPU, VPR, NEF, and VIF, and got the best inflation parameter8.0 with speed up 4.66 times. SC5314 data clustering process obtained six proteins as thecenter of the cluster which is an important protein in its spreading, namely HSP90, CBK1,MED8, NOP1, CEK1, and CDC4, and got the best inflation parameter 5.5 with speed up3.01 times."