Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu permasalahan dalam genetika adalah mencari barisan DNA lengkap dari jaringan tertentu. Metode yang dapat digunakan untuk masalah ini adalah metode Sequencing by Hybridization (SBH). Dalam SBH terdapat dua tahapan yaitu tahap biokimia dan tahapan komputasional. Pada tahapan biokimia akan diperoleh l-spektrum. Selanjutnya, l-spektrum disusun untuk memperoleh barisan DNA lengkap pada tahapan komputasional. Pencarian barisan DNA lengkap dapat dimodelkan dengan masalah pencarian sirkuit Euler pada graf DNA. Dalam skripsi ini akan dibahas Teorema Matriks Pohon untuk menentukan banyaknya pohon rentangan terhadap simpul vi pada graf berarah bisa dengan menggunakan kofaktor matriks. Selanjutnya, dibahas Teorema BEST yang digunakan untuk menghitung banyaknya sirkuit Euler pada sembarang graf berarah dengan menggunakan banyaknya pohon rentangan berarah terhadap suatu simpul vi serta derajat simpul-simpulnya pada graf berarah."

"Penyejajaran antar barisan DNA dilakukan untuk melihat tingkat kemiripan antara barisan tersebut. Sebagian besar metode dalam penyejajaran barisan menggunakan pendekatan program dinamik. Salah satu metode yang sering digunakan adalah Metode Needleman-Wunsch. Pada metode tersebut semua lintasan yang ada ditelusuri. Metode yang digunakan dalam tugas akhir ini, tidak menelusuri semua lintasan yang ada. Lintasan yang ditelusuri adalah lintasan yang skornya dibatasi oleh suatu nilai tetap tertentu. Pada percobaan yang telah dilakukan, nilai batas tersebut menentukan diperoleh atau tidaknya lintasan yang dicari dalam penyejajaran barisan."

"Analisis triclustering adalah metode data mining yang memiliki tujuan untuk mengelompokkan data tiga dimensi. Metode ini kerap kali digunakan untuk bidang bioinformatika. Pada penelitian ini digunakan metode analisis triclustering delta trimax. Delta Trimax pada intinya adalah metode analisis triclustering yang bertujuan untuk menemukan tricluster yang memiliki nilai MSR yang lebih kecil dari nilai threshold (o) yang telah ditentukan. Penggunaan silhouette coefficient pada penelitian ini adalah untuk membantu menentukan nilai threshold (o) tersebut. Hasil triclustering delta trimax nantinya dievaluasi dengan menggunakan Triclustering Quality Index (TQI). Genetic algorithm (GA) adalah sebuah algoritma pencarian yang efisien yang didasari oleh evolusi biologis dan genetika alam. Algoritma GA digunakan untuk menemukan solusi terbaik. Terdapat tiga operator genetika yang digunakan di dalam GA, yaitu seleksi, crossover, dan mutasi. Pada penelitian ini, digunakan data ekspresi gen tiga dimensi dari sel kanker paru-paru fase stabil (A549) yang diberi perlakuan obat kemoterapi Motexafin Gadolinium (MGd) dan mannitol sebagai grup kontrol, dimana ekspresi gen diamati dalam 6 kondisi dan 3 titik waktu. Tujuan dari penelitian ini adalah untuk mengetahui apa kumpulan gen yang memiliki respon baik terhadap pemberian obat kemoterapi MGd dan kondisi apa yang mempengaruhinya. Pada penelitian ini, himpunan tricluster yang memiliki kualitas terbaik berdasarkan Triclustering Quality Index (TQI) adalah himpunan tricluster yang dihasilkan dengan nilai o = 0,004. Berdasarkan himpunan tricluster tersebut, didapatkan informasi penting mengenai kumpulan gen yang memiliki respon baik terhadap pemberian MGd tapi efek obat MGd tidak bertahan di setiap titik waktu. Terdapat juga gen yang menunjukkan respon baik pemberian obat kemoterapi MGd, tetapi efektivitasnya tidak terlalu maksimal karena responnya beririsan dengan subjek yang hanya diberikan mannitol. Setelah itu, dilihat bagaimana hubungan gen yang berasal dari keseluruhan dataset dengan penyakit melalui gene ontology sebagai informasi tambahan untuk perkembangan obat MGd. Nilai fold enrichment tertinggi pada GO biological process adalah Cytoplasmic Translation, pada GO Cellular Component adalah cytosolic ribosome, dan pada GO Molecular Function adalah structural constituent of ribosome.

---

Triclustering analysis is a data mining method aimed at grouping three-dimensional data. This method is often used in the field of bioinformatics. In this study, the delta trimax triclustering analysis method is used. Delta Trimax essentially aims to find triclusters with Mean Squared Residue (MSR) values smaller than a predetermined threshold (o). The silhouette coefficient is used in this study to help determine the threshold (o). The results of the delta trimax triclustering are then evaluated using the Triclustering Quality Index (TQI). The genetic algorithm (GA) is an efficient search algorithm based on biological evolution and natural genetics. GA is used to find the best solution. There are three genetic operators used in GA: selection, crossover, and mutation. In this study, three-dimensional gene expression data from stable phase lung cancer cells (A549) treated with the chemotherapy drug Motexafin Gadolinium (MGd) and mannitol as a control group were used, where gene expression was observed under 6 conditions and 3 time points. The aim of this study is to identify which sets of genes respond well to MGd chemotherapy and which conditions influence these responses. The set of triclusters with the highest quality based on the Triclustering Quality Index (TQI) was obtained with o=0.004. From this set of triclusters, important information was obtained about the sets of genes that respond well to MGd, but the effect of MGd does not persist at every time point. There are also genes that show a good response to MGd chemotherapy, but its effectiveness is not maximized because the response overlaps with subjects that were only given mannitol. Subsequently, the relationship between genes from the entire dataset and the disease is observed through gene ontology as additional information for the development of MGd drugs. The highest fold enrichment value in the GO biological process is Cytoplasmic Translation, in the GO Cellular Component is cytosolic ribosome, and in the GO Molecular Function is structural constituent of ribosome."

"Sebuah graf roda berarah yang siklik berorder dapat direpresentasikan melalui matriks antidjacency yang dinyatakan dengan dan matriks adjacency yang dinyatakan dengan. Matriks antiadjacency dan adjacency adalah matriks persegi yang entrinya hanya 0 dan 1. Pada matriks adjacency dari suatu graf berarah, entri 1 menyatakan terdapat suatu busur berarah yang menghubungkan simpul ke simpul, sedangkan entri 0 menyatakan tidak ada busur berarah yang menghubungkan simpul ke simpul. Sementara pada matriks antiadjacency, menyatakan hal yang sebaliknya. Secara umum, setiap koefisien pada polinomial karakteristik dari matriks antiadjacency suatu graf berarah terkait dengan lintasan Hamilton, sementara setiap koefisien pada polinomial karakteristik dari matriks adjacency dari suatu graf berarah tidak terkait dengan lintasan Hamilton. Pada penelitian ini dibuktikan bahwa setiap koefisien pada polinomial karakteristik dari matriks maupun matriks memiliki sifat yang sesuai dengan keumuman tersebut. Selain itu matriks antiadjaceny dan adjacency dari graf roda berarah yang siklik, masing-masing memiliki nilai-nilai eigen yang bernilai real dan nilai-nilai eigen yang kompleks. Ternyata juga diperoleh bahwa nilai eigen kompleks sama dengan negatif dari nilai eigen kompleks.

---

A directed cylic wheel graph with order, can be represented by the antiadjacency matrix that denoted by and the adjacency matrix that denoted by. The antiadjacency and the adjacency matrix are square matrices that has entries 0 and 1. In the adjacency matrix of a directed graph, the entry 1 denotes there is an directed edge that connects the vertex to the vertex, while the entry 0 denotes there are no directed edges that connect the vertex to the vertex. While in the antiadjacency matrix, those entries denote the otherwise. In general, every coefficient of characteristic polynomial of antiadjacency matrix of a directed graph has relation with the Hamiltonian path, while every coefficient of characteristic polynomial of adjacency matrix of a directed graph does not. In this research, it is proved that every coefficient of the characteristic polynomial of or has properties that are in accordance with the generality. In addition the antiadjacency and the adjacency matrix of directed cyclic wheel graph, each of them has real and complex eigenvalues. It is also obtained that the complex eigenvalues of equals to the negative of the complex eigenvalues of."

"This unique textbook/​reference presents unified coverage of bioinformatics topics relating to both biological sequences and biological networks, providing an in-depth analysis of cutting-edge distributed algorithms, as well as of relevant sequential algorithms. In addition to introducing the latest algorithms in this area, more than fifteen new distributed algorithms are also proposed. Topics and features: Reviews a range of open challenges in biological sequences and networks, beginning with an informal description of the problem before defining it formally Describes in detail both sequential and parallel/​distributed algorithms for each problem, briefly discussing software packages if there are any available Suggests approaches for distributed algorithms as possible extensions to sequential algorithms, when the distributed algorithms for the topic are scarce Proposes a number of new distributed algorithms in each chapter, to serve as potential starting points for further research Concludes each chapter with self-test exercises, a summary of the key points, a comparison of the algorithms described, and a literature review This clearly-written and easy to follow work is ideal as a textbook for graduate and senior undergraduate students of computer science and biology, and as a self-study guide for any interested reader with a basic background in discrete mathematic s and algorithms. Researchers in bioinformatics will also find the book to be a useful reference on this subject. Dr. K. Erciyes is Rector of Izmir University, Turkey, where he also serves as a professor in the Computer Engineering Department. His other publications include the Springer title Distributed Graph Algorithms for Computer Networks."

"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 %."