Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyejajaran barisan DNA dilakukan dengan tujuan melihat tingkat kemiripan antara barisan DNA. Pada tugas akhir ini, dilakukan penyejajaran barisan DNA dengan menggunakan algoritma X-drop dan algoritma greedy. Algoritma X-drop melakukan penyejajaran barisan DNA dengan menggunakan pendekatan pemrograman dinamik. Algoritma greedy merupakan modifikasi algoritma X-drop.Kedua algoritma ini bekerja dengan menelusuri penyejajaran yang tidak memenuhi kondisi X-drop, yaitu kondisi yang bergantung pada nilai X yang dipilih oleh pengguna, sehingga kinerja dari kedua algoritma ini bergantung pada pemilihan nilai X yang tepat. Pada simulasi yang telah dilakukan, dengan menggunakan nilai X yang sama, kedua algoritma memberikan hasil penyejajaran yang sama, dengan running time algoritma greedy lebih baik dari algoritma X-drop."

"A rapid and simple to amplify genomic DNA sequences nanking mini-Tn5 transposon insertion was developed....."

"ABSTRAKSalah satu cara untuk mengekstraksi DNA Brugia malayi adalah menggunakan kit yang lebih sederhana dan lebih cepat dibandingkan dengan teknik ekstraksi fenol,Pada 15 ekor cacing dewasa B.malayi hasil pembiakan dalam gerbil dilakukan ekstraksi DNA dengan menggunakan kit dan metode ekstraksi fenol yang lebih rumit. Pada teknik ekstraksi dengan kit ternyata tidak diperoleh DNA, sedangkan pada ekstraksi fenol diperoleh DNA sejumlah 100 µg/ml yang terlihat sebagai pita 322 bp pada elektroforesis.Disimpulkan bahwa teknik ekstraksi fenol lebih bailk hasilnya dibandingkan dengan kit karena pemakaian fenol yang lebih sering sehingga lebih banyak DNA yang dapat terekstraksi.

---

ABSTRACT

Comparison Of DNA Extraction Result from Brugia malayi by using Kit and by using Phenol Extraction Method

One of several ways to extract the Brugia malayi DNA is to use a kit which is more simple and take a shorter time compared to the phenol extraction technique.

DNA extraction by using kit and by using phenol extraction method were done on 15 adult worms of B. malayi which had been cultured in gerbil.

No DNA was extracted by using the kit; whereas 100 µg/ml DNA was obtained by using phenol extraction method. The DNA was seen as a 322 bp band on electrophoresis.

It was concluded that the phenol extraction method result was superior to the result of extraction by using kit, because by using phenol more frequently more DNA would be extracted."

"Beberapa tahun terakhir ini, Support Vector Machine (SVM) telah populer digunakan sebagai model machine learning. Hal ini terutama karena SVM dapat dianalisis secara teoritis, dan secara bersamaan dianggap memberikan kinerja yang lebih baik daripada model machine learning yang biasa digunakan sebelumnya. Pada makalah ini dibahas pendekatan matematis model SVM dalam memecahkan masalah pengenalan pola. Selanjutnya dibahas pula penggunaan model tersebut berupa kajian awal penentuan jenis splice site pada suatu barisan DNA terutama dari segi kemampuan generalisasi atau tingkat keakuratannya. Hasil yang diperoleh menunjukkan bahwa kemampuan generalisasi SVM sangat baik yaitu sekitar 95.4 %.

---

Study on Generalization Capability of Support Vector Machine in Splice Site Type Recognition of DNA Sequence. Recently, support vector machine has become a popular model as machine learning. A particular advantage of SVM over other machine learning is that it can be analyzed theoretically and at same time can achieve a good performance when applied to real problems. This paper will describe analytically the using of SVM to solve pattern recognition problem with a preliminary case study in determining the type of splice site on the DNA sequence, particularity on the generalization capability. The result obtained show that SVM has a good generalization capability of around 95.4 %."

"From the Publisher: John Butler, bestselling author of Forensic DNA Typing, now applies his expertise on the subject of DNA analysis into an introductory textbook. Fundamentals of Forensic DNA Typing walks students step-by-step through the DNA analysis process beginning with collection of evidence at a crime scene to the statistical interpretation of the results. Also included are brief discussions of such news worthy topics as victim identification from the September 11, 2001 attacks, the identification of the remains of the Romano vs, the last Russian Royal family, and the O.J. Simpson case. New applications, such as genetic genealogy and tracing domestic pet hairs to perpetrators, are also detailed. With its clear and understandable style and extensive list of online ancillaries and study aids, this textbook will make the subject accessible to students in forensic science courses worldwide. Includes a glossary with over 400 terms for quick reference of unfamiliar terms as well as an acronym guide to decipher the DNA dialect; Continues in the style of Forensic DNA Typing, 2e, with high-profile cases addressed in D.N.A. Boxes. "Data, Notes & Applications" sections throughout; Ancillaries include: instructor manual Web site, with tailored set of 1000+ PowerPoint slides (including figures), links to online training websites and a test bank with key."

"This book introduces drug researchers to the novel computational approaches of pathway analysis and explains the existing applications that can save time and money in the drug discovery process. It covers traditional computational methods and software for pathway analysis microarray, proteomics, and metabolomics. It explains pathway reconstruction of diseases and toxic states, pathway analysis in various phases, dynamic modeling of drug responses, and more."

"Diagnosis kanker payudara umum menggunakan data morfologi dan infomasi klinis. Akan tetapi diagnosis kanker yang akurat dibutuhkan untuk menangani dan terapi yang tepat. Deteksi ekspresi gen merupakan cara yang dapat digunakan untuk menganalisis kanker hingga tingkat molekuler. Microarray adalah teknologi yang memungkinkan analisis ribuan ekspresi gen dalam waktu yang bersamaan. Pembelajaran mesin dapat digunakan untuk menganalisis pola pada microarray dataset. Model pembelajan dengan deep learning, seperti deep stacking network DSN diperlukan untuk data yang kompleks seperti pada microarray. DSN pertama kali diusulkan untuk mengatasi kekurangan dari deep learning pada umumnya. Selain itu dikarenakan tingginya dimensi data microarray, sebelum melalui proses pembelajaran diperlukan reduksi dimensi pada data microarray. Reduksi data menggunakan gene shaving, dimana data akan dikelompokan menjadi beberapa cluster dan juga dengan PCA. Selanjutnya data yang sudah direduksi melalui proses pembelajaran pada model DSN yang terdiri dari 2-layer, 3-layer dan 4-layer dengan laju pembelajaran 0.01, 0.1 dan 1.0. Parameter yang diukur adalah nilai akurasi, mean square error MSE dan waktu eksekusi, dimana nilai terbaik didapatkan pada DSN 2-layer dengan laju pembelajaran 1.0 pada data hasil reduksi PCA.

---

The diagnosis of breast cancer uses morphological data and clinical information. However, an accurate cancer diagnosis is necessary for the proper treatment. Gene expression detection is a way that can be used to analyze cancer to the molecular level. Microarray is a technology that allows the analysis of thousands of gene expression at the same time. Machine learning can be used to analyze patterns in the microarray dataset. Machine learning with deep architecture deep learning, such as deep stacking learning DSN, is needed for complex data such as microarray. DSN was proposed to overcome the shortage of deep learning. In addition, due to the high dimension of microarray data, dimension reduction in microarray data is required before going through the learning process. Data reduction uses gene shaving, where data will be grouped into clusters and also PCA. Clusters found through the process of gene shaving is a cluster that carries important genetic information in cancer cells so that the gene can represent all data. Furthermore, the data has been reduced going through the learning process on the DSN model consisting of 2 layer, 3 layer and 4 layer with the learning rate of 0.01, 0.1 and 1.0. The parameters measured are the accuracy, mean square error MSE and execution time, which the best value is obtained on 2 layer DSN with learning rate 1.0 on data from the reduction of PCA."