Implementasi Super Pairwise Alignment pada Global Sequence Alignment

(1)

Pendahuluan Dasar Teori Analisis dan Perancangan Sistem Uji Coba Sistem Penutup

Implementasi Super Pairwise Alignment pada

Global Sequence Alignment

Oleh: ARFAN PANTUA

1207 100 704

JURUSAN MATEMATIKA

(2)

Daftar Isi

Pendahuluan

Dasar Teori

Analisis dan Perancangan Sistem Uji Coba Sistem

(3)

Pendahuluan

Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Manfaat

(4)

Latar Belakang

Salah satu pengenalan spesies pada bioinformatika yaitu melalui pensejajaran sekuens (sequence alignment). Solusi untuk pensejajaran sekuens dapat menggunakan program dinamik. Algoritma alignment berbasis program dinamik merupakan suatu algoritma yang seringkali digunakan untuk menyelesaikan permasalahan optimalisasi pada berbagai macam bidang. Beberapa algoritma program dinamik antara lain

(5)

Latar Belakang(2)

Berdasarkan hasil penelitian, kedua metode tersebut memiliki beberapa kelemahan salah satunya adalah tingkat kecepatan komputasinya. Dari hasil penelitiannya, ditemukan metode baru yaitu Super Pairwise Alignment. Metode ini menggabungkan metode analisis kombinatorial dan probabilitas. Berdasarkan hasil penelitian ini cukup menarik untuk dikaji lebih jauh dengan tinjauan aspek matematis, biologi maupun dari segi komputasionalnya. Hal ini kemudian menjadi acuan bagi penulis untuk mengkaji lebih dalam metode super pairwise alignment dengan mengambil contoh kasus mutasi struktur sequence DNA dengan menggunakan metode super

(6)

Pendahuluan

(7)

Rumusan Masalah

Bagaimana mengimplementasikan metode Super Pairwise Alignment dalam mensejajarkan sekuens

(8)

Pendahuluan

(9)

Batasan Masalah

Data yang digunakan adalah data DNA yang diperoleh dari database

Pensejajaran dilakukan terhadap dua buah sekuen Sistem dibuat dengan menggunakan bahasa pemrograman Java

(10)

Batasan Masalah

Pensejajaran dilakukan terhadap dua buah sekuen

Sistem dibuat dengan menggunakan bahasa pemrograman Java

(11)

Batasan Masalah

Pensejajaran dilakukan terhadap dua buah sekuen

Sistem dibuat dengan menggunakan bahasa pemrograman Java

(12)

Batasan Masalah

Pensejajaran dilakukan terhadap dua buah sekuen Sistem dibuat dengan menggunakan bahasa pemrograman Java

(13)

Pendahuluan

(14)

Tujuan

Membuat perangkat lunak untuk mensejajarkan sekuen menggunakan metode Super Pairwise Alignment

(15)

Pendahuluan

(16)

Manfaat

sebagai dasar untuk menciptakan perangkat lunak seba-gai tools alternatif dalam pensejajaran sekuens disamping tools JEmboss

(17)

Daftar Isi

Pendahuluan

Dasar Teori

(18)

Dasar Teori

Sequence Alignment

Super Pairwise Alignment

Peningkatan Algoritma untuk mengestimasi posisi mutasi

Perancangan Sistem dengan Metodologi Berorientasi Objek

(19)

Sequence Alignment

Hal yang sangat penting dalam sequence alignment adalah memutuskan pemindahan mutasi. Misalkan A, B adalah dua sequence yang didefinisikan

A= (a1,a2, · ·· ,ana),B= (b1,b2, · · · ,bnb),C= (c1,c2, · · · ,cnc) (1)

Penyisipan symbol ”-” ke dalam A,B bertujuan untuk membentuk dua sekuens baru, yaitu A’ dan B’. Selanjutnya, elemen-elemen dari A dan B menjadi range dari V5= {0,1,2,3,4} = {a,c,g,t, −}dengan V4

adalah himpunan quaternary (himpunan yang terdiri dari 4 elemen) dan V5adalah himpunan yang terdiri dari 5 elemen.

(20)

Sequence Alignment

A= (a1,a2, · · · ,ana),B= (b1,b2, · · · ,bnb),C= (c1,c2, · · · ,cnc) (1)

(21)

Sequence Alignment

A= (a1,a2, · · · ,ana),B= (b1,b2, · · · ,bnb),C= (c1,c2, · · · ,cnc) (1)

(22)

Dasar Teori

Sequence Alignment

(23)

Super Pairwise Alignment

SPA mengkombinasikan estimasi statistik dan analisis kombinatorik yang berhubungan dengan mutasi tipe insersi dan penghapusan antara string. Sekuens DNA atau RNA dapat dianggap independen dan secara identik distribu-si barisan variable random. Berdasarkan model statistik, SPA memprediksi keberadaan insersi maupun penghapus-an dpenghapus-an ppenghapus-anjpenghapus-ang insersi maupun penghapuspenghapus-an tersebut ber-gantung pada similaritas lokal sekuens input

(24)

Super Pairwise Alignment

Langkah-langkah SPA

Misalkan (A, B) adalah 2 sekuen yang diketahui. Setiap algoritma memiliki penaksiran nilai parameter pada mode mutasi T. Tanpa terkecuali SPA. Secara spesifik, terlebih dahulu tentukan nilai parameter yang penting, yaitu n, h,

θ, θ0, τ. Disini n dipilih berdasarkan kekonvergenan hukum

perluasan nilai atau teorema limit pusat. Secara khusus, ki-ta tentukan n=20,50,80,100,dsb. θ, θ0dipilih berdasark-an tingkat galat dari mutasi tipe I dberdasark-an tipe II dberdasark-an tingkat galat dari dua variabel bebas yang acak. Dengan

(25)

demiki-Pendahuluan Dasar Teori Analisis dan Perancangan Sistem Uji Coba Sistem Penutup

Langkah I Mengestimasi posisi mutasi pertama i1di T

Tentukan i=j=0 dan hitung w(A,B;i,j,n). Jika

w(A,B;i,j,n) =w≥ θ0,

maka misalkaniˆ1=0. Ini berarti mutasi

shifting terjadi di awal interval [1,n]. Jika tidak dilanjutkan ke langkah ke(2).

Pada langkah ke(1) jika w≤ θ, yang berarti tidak ada mutasi shifting di [1,n],kita letakkan titik awal di depan dan misalkan i=j=n− τ. Selanjutnya, kita hitung w(A,B;i,j,n). Jika

(26)

maka misalkan i=j=2(n− τ)dan ulangi langkah (2) hingga w(A,B;i,j,n) > θ. Misalkan, k1adalah bilangan bulat yang

memenuhi

w(A,B;i,j,n) =w≥ θ,

jika i=j =k1(n− τ), dan w(A,B;i,j,n) > θjika

i=j= (k1+1)(n− τ). Kemudian lanjutkan ke langkah 3 atau 4.

Untuk i=j= (k1+1)(n− τ), jika w(A,B;i,j,n) > θ0,

maka tentukanˆi1= (k1+1)(n− τ). Jika tidak demikian,

maka lakukan tahap (4).

(27)

hitungiˆ1berdasarkan persamaan

n1=

h w0−w(

3

4−w) (2)

Jika w0≤w ulangi langkah 1-4 untuk nilai h dan n yang cukup besar hingga diperoleh w0>w .

Dengan demikian, melalui langkah-langkah di atas kita dapat mengestimasiiˆ1dan i1.

Langkah II : Estimasi l1berdasarkan estimasiiˆ1dari posisi

mutasi pertama di T. Secara khusus,

w(A,B; î1+l, î1,n),w(A,B; î1, î1+l,n),l=1,2,3, . . .

jika pasangan(î1+l, î1)atau pasangan(î1, î1+l)

memenuhi w≤0.3 atau 0.4, adalah fungsi sliding window yang berhubungan, maka l adalah

(28)

Jika w(A,B; ˆi1+l, ˆi1,n) < θ, kita catat bahwalˆ1= −l dan

kita masukkan l simbol maya ke dalam sekuen B mengikuti letakiˆ1, sementara sekuen A dipertahankan

invariant.

Jika w(A,B; ˆi1, ˆi1+l,n) < θ, kita catat bahwalˆ1=l dan

kita masukkan l simbol maya ke dalam sekuen A mengikuti letakiˆ1, sementara sekuen B dipertahankan

invariant.

Melalui penggunaan 2 tahap ini, kita dapat mengestimasi mode mutasi lokal T1= {(i1,l1)}, dan kesejajaran

seragam lokal(C1,D1)yang dijabarkan sebagai berikut:

(29)

Jika w(A,B; ˆi1+l, ˆi1,n) < θ, kita catat bahwalˆ1= −l dan

kita masukkan l simbol maya ke dalam sekuen B mengikuti letakiˆ1, sementara sekuen A dipertahankan

invariant.

Jika w(A,B; ˆi1, ˆi1+l,n) < θ, kita catat bahwalˆ1=l dan

kita masukkan l simbol maya ke dalam sekuen A mengikuti letakiˆ1, sementara sekuen B dipertahankan

invariant.

Melalui penggunaan 2 tahap ini, kita dapat mengestimasi mode mutasi lokal T1= {(i1,l1)}, dan kesejajaran

seragam lokal(C1,D1)yang dijabarkan sebagai berikut:

C1= (C1,1,A2,1),D1= (D1,1,B2,1)

Misalkan panjang vektor C1,1dan D1,1adalahiˆ1+ |l1|.

(30)

adalah titik awal pada kesejajaran berikutnya.

Langkah III : Setelah mendapatkan estimasi(i1,l1), kita

lanjutkan untuk mengestimasi i2berdasarkan (C1,D1). Kita misalkan i=j=L1dan hitung

w(A,B;i,j,n)dengan mengulangi langkah (I) langkah 1-4 untuk mendapatkan estimasiiˆ2untuk

i2.

Langkah IV : Estimasi l2berdasarkaniˆ1, ˆl1, ˆi2. Disini kita

menghitung

w(C1,D1; î2+l, î2,n),w(C1,D1; î2, î2+l,n),l=1,2,3, . . .

kita ulangi langkah II untuk memperolehlˆ2dan

(31)

untuk setiap k=1,2,3, . . .. Proses akan berhenti pada suatu k0sedemikian sehingga Ck0 = (C1,k0,A2,k0)dan

Dk0= (D1,k0,B2,k0)memiliki mutasi pergeseran yang terjadi pada(A2,k0,B2,k0). Misalkan Lk0 menotasikan panjang sekuen C1,k0,D1,k0 dan i=j=Lk0. l yang berkaitan adalah panjang dari mutasi pergeseran jika pasangan( îk0+l, îk0)atau( îk0, îk0+l) memenuhi w≤ θdan kemudian w(Ck0,Dk0;i,j,n

0_{) ≤ θ}_dimana n0panjang terpendek dari A2,k0 dan B2,k0. Langkah terakhir kita samakan panjang A2,k0 dan B2,k0. Dengan kata lain, jika

panjang A2,k0 lebih pendek dari pada B2,k0, masukkan beberapa simbol maya diakhir A2,k0 sehingga panjangnya sama dengan B2,k0.

(32)

Dasar Teori

Sequence Alignment Super Pairwise Alignment

(33)

Peningkatan Algoritma untuk mengestimasi

posisi mutasi

Langkah-langkah Regresi Linear

Posisi mutasiˆs∗adalah variable acak, dan jarak antara dua posisi mutasi yang berdekatan ik dan ik+1adalah juga

vari-able acak. Operasi pada (2) tidak memiliki sifat yang dapat menyesuaikan diri. Dengan kata lain, tidak dapat secara otomatis mencari posisi mutasi dengan pemisahan yang berbeda. Untuk menyelesaikan dua masalah tersebut, kita gunakan algoritma pembeda pada analisis regresi sebagai berikut :

(34)

Pendahuluan Dasar Teori Analisis dan Perancangan Sistem Uji Coba Sistem Penutup Pada langkah ini digunakan wk =_n1₀w(k,n0)untuk

mengestimasi posisi mutasi awal i1di T

Tentukan k=0 dan hitung w(k,n0). Jika

wk ≥ θ0(θ0∈ (0.6,0.8)), maka misalkaniˆ1=0. Jika

tidak lanjutkan ke langkah berikutnya. Jika wk ≤ θ(θ ∈ (0.3,0.5)), lanjutkan untuk

menghitung wk+1untuk setiap k =0,1,2, . . .. Jika

terdapat beberapa k yang berhubungan sedemikian hingga

wk ≤ θ,wk+1< θ,

(35)

Pendahuluan Dasar Teori Analisis dan Perancangan Sistem Uji Coba Sistem Penutup k1

∑

k=0 (wk− ρ1)2=min ( _k 1

∑

k=0 (wk− ρ)2, ρ >0 ) (3) maka σ2₁= 1 k1+1 k1

∑

k=0 (wk− ρ1)2 (4)

(36)

Setelah garis lurusΓ1ditentukan, lanjutkan untuk

menghitung wk,k =k1+1,k1+2,k1+3, . . ., jika

terdapat titik k2,k3sedemikian hingga

θ <wk < θ0 untuk setiap k2<k <k3, θ0<wk untuk setiap k3<k.

kemudian lakukan analisis regresi berdasarkan data: wk,k=k2+1,k2+2, . . . ,k3,k=k3+1,k3+2,k3+3, . . . .

(37)

Γ2: y = ρ2x+ ρ02, Γ3: y = ρ3,

secara berurutan, yang memenuhi kondisi :

k3

∑

k=k2 (wk−ρ2k−ρ02) 2 =min ( _k 3

∑

k=k2 (wk− ρk− ρ0)2, ρ, ρ0>0 ) , (6) n0

∑

k=1 (wk3+k− ρ3) 2₌_min ( n0

∑

k=1 (wk3+k− ρ) 2_{, ρ >}₀ ) , (7) dimana n0≤n0<na−k3. Kedua persamaan di (6) dan

(38)

Titik potong dari garis lurusΓ2danΓ3adalah nilaiˆs

yang kita butuhkan. Dengan menggantikan langkah (I) pada algoritma SPA dengan langkah (III) kita peroleh untuk meningkatkan algoritma SPA, yang merupakan algoritma pembeda pada analisis regresi.

(39)

Dasar Teori

Sequence Alignment Super Pairwise Alignment

(40)

Bahasa Pemrograman Java

Tujuan pembuatan bahasa pemograman Java adalah un-tuk meningkatkan kemampuan bahasa pemograman C++ yang sebelumnya telah ada sehingga aplikasi-aplikasi (pro-gram komputer) yang dikembangkan dengan bahasa pe-mograman tersebut mampu berjalan di atas berbagai pla-tform perangkat keras dan perangkat lunak (sistem opera-si) yang berbeda .

(41)

Unified Modeling Language(UML)

UML (Unified Modeling Language) adalah salah satu perkakas (tool) yang sangat bermanfaat untuk melakukan analisis dan perancangan sistem dalam konteks

pemograman berorientasi objek. Para pakar di bidang perancangan perangkat lunak pada sekitar tahun 1980-1990 mulai bekerja dengan bahasa pemrograman yang berorientasi objek (OOP [Object Oriented

Programming]) seperti C++ dan Java. Dengan demikian, diperlukan metodologi dan tools yang lebih sesuai. Dalam hal ini, UML (Unified Modeling Language) merupakan metodologi yang sering digunakan saat ini untuk mengadaptasi maraknya penggunaan bahasa

(42)

Daftar Isi

Pendahuluan Dasar Teori

Analisis dan Perancangan Sistem

Uji Coba Sistem Penutup

(43)

(44)

Perancangan Sistem

(45)

Perancangan Sistem

(46)

Daftar Isi

Analisis dan Perancangan Sistem

Uji Coba Sistem

(47)

Uji Coba Proses

Data Sekuens

E.co’:ugccuggcggccguagcgcgguggucccaccugaccccaugccgaacucagaagugaaa B.st:ccuagugacaauagcggagaggaaacacccgucccaucccgaacacggaaguuaag

Parameter

(48)

Uji Coba Proses

Data Sekuens

E.co’:ugccuggcggccguagcgcgguggucccaccugaccccaugccgaacucagaagugaaa B.st:ccuagugacaauagcggagaggaaacacccgucccaucccgaacacggaaguuaag Parameter

(49)

Pendahuluan Dasar Teori Analisis dan Perancangan Sistem Uji Coba Sistem Penutup k 2 3 4 5 6 7 8 9 wk 0.333 0.333 0.400 0.467 0.400 0.467 0.400 0.400 k 10 11 12 13 14 15 16 17 wk 0.400 0.467 0.400 0.467 0.467 0.400 0.400 0.400 k 18 19 20 21 22 23 24 25 wk 0.467 0.467 0.400 0.400 0.333 0.400 0.467 0.467 k 26 27 28 29 30 31 32 33 wk 0.467 0.400 0.467 0.533 0.533 0.600 0.677 0.677 k 34 35 36 37 38 39 40 41 wk 0.667 0.733 0.800 0.800 0.800 0.800 0.733 0.733 k 42 43 wk 0.733 0.733

(50)

Percobaan Pertama

Data Sekuens

Necator americanus mitochondrion, complete genome

Ancylostoma duodenale mitochondrion, complete genome

Parameter

(51)

Percobaan Pertama

Data Sekuens

Necator americanus mitochondrion, complete genome

Ancylostoma duodenale mitochondrion, complete genome

Parameter

(52)

Percobaan Pertama

Program Parameter Percobaan

Super Pairwise Alignment n=30 length: 13849

θ =0.4 similarity: 10850 (78.3) % θ0=0.6 gaps: 277 (2.0) %

Jemboss a=10 Died: Sequences too big.

b=0.5

EMBOSS a=10 length: 13987

b=0.5 similarity:11620 (83.1) % gaps: 648 (4.6) %

(53)

Percobaan Kedua

Data Sekuens

Human papillomavirus type 129, complete genome Human papillomavirus type 130, complete genome

Parameter

(54)

Percobaan Kedua

Data Sekuens

Human papillomavirus type 129, complete genome Human papillomavirus type 130, complete genome Parameter

(55)

Percobaan Kedua

Program Parameter Percobaan

Super Pairwise Alignment n=150 length: 7507

θ =0.4 similarity: 3687 (49.1) % θ0=0.6 gaps: 310 (4.13) %

Jemboss a=100 length: 7446

b=10 similarity:3922 (52.7) %

gaps: 285 (3.8) % skor: 2384

(56)

Daftar Isi

(57)

Penutup

Kesimpulan

Hasil pensejajaran dengan menggunakan algoritma Super pairwise Alignment, Necator americanus mitochondrion, complete genome dan Ancylostoma duodenale mitochondrion, complete genome diperoleh hasil similaritas sebesar 73.7%. Sedangkan tools JEmboss, yang tidak mampu melakukan proses pensejajaran terhadap pasangan sekuen ini dikarenakan memori yang dibutuhkan terlalu besar. Namun jika dibandingkan dengan Emboss maka hasil pensejajaran mendekati hasil yang diperoleh oleh tools Emboss yaitu 83.1 %. Hal

(58)

Penutup

kebutuhan memori lebih rendah dibandingkan tools JEmboss.

Pemilihan parameter dalam pensejajaran

menggunakan metode SPA masih menjadi kendala. Hal ini dapat terlihat dari percobaan yang dilakukan, dimana untuk parameter n=15,θ =0.3, θ0=0.8 memiliki hasil pensejajaran yang berbeda dengan parameter n=30,θ =0.5, θ0=0.6. Sekalipun dalam Tugas Akhir ini metode untuk mengoptimalkan

(59)

Penutup

Saran

Ketepatan pemilihan parameter berpengaruh dalam optimalisasi hasil pensejajaran. Pada permasalahan berbeda, user harus menentukan parameter yang tepat dan tentu saja hal pemilihan banyaknya parameter menimbulkan kesulitan dan waktu cukup lama dalam proses pensejajaran. Permasalahan ini dapat diatasi dengan menggunakan modifikasi lokal pada pensejajaran sekuens

(60)

Terima Kasih!

(61)

TerimaKasih!

(62)

TerimaKasih!

(63)

TerimaKasih!

(64)

TerimaKasih!

(65)

TerimaKasih!