Hasil Pencarian  ::  Simpan CSV :: Kembali

"Reposisi obat merupakan proses penting yang digunakan untuk meningkatkan proses penemuan obat, prosesnya dilakukan dengan memanfaatkan banyaknya sumber data dan tipe data seperti data dari dokumen dan data gene expression. Metode yang digunakan untuk mengolah dokumen adalah Text Mining, metode ini mengekstraksi data menjadi sebuah informasi yang berguna. Data gene expression adalah data hasil hibridisasi terhadap sekuen nukleotida dan dari keseluruhan data gene expression tersebut dipilih satu kelompok kecil gen yang merupakan gen yang aktif berkembang jika seseorang mengidap penyakit kanker. Metode pengelompokan yang diusulkan adalah metode Gene Shaving yang dapat mengidentifikasi himpunan bagian dari data gene expression dengan pola ekspresi yang koheren dan varian tinggi. Salah satu permasalahan di dalam mengolah data dengan tipe data yang berbeda adalah pengintegrasian seluruh data. Pendekatan yang diusulkan pada penelitian ini untuk integrasi data adalah Bayesian Network. Tujuan dari integrasi data adalah untuk memprediksi ikatan antara obat dan penyakit. Hasil prediksi ikatan obat dan penyakit yang didapatkan dari model integrasi data teks dan gene expression adalah 81,69%. Hasil ini meningkat dibandingkan dengan hasil prediksi ikatan obat dan penyakit dengan hanya menggunakan satu tipe data saja, di mana nilai prediksi ikatan obat dan penyakit dengan menggunakan tipe data teks adalah 70,58% dan nilai prediksi ikatan obat dan penyakit menggunakan tipe data gene expression adalah 66%.

---

Drug repositioning is an important process that is used to enhance the drug discovery process, the process is carried out by using the number of data sources and types of data such as data from gene expression data and documents. Text Mining is one of method to process of text, this method of data extraction into a useful information. Gene expression is the data from the hybridization of the nucleotide sequence and gene expression of the whole data set is selected a small group of genes that are active genes evolve if someone with cancer. Clustering method that proposed is Gene Shaving, that can identify subsets of genes with expression patterns are coherent and high variants. One of the problems in process of data with different data types is integration all of data. The approach proposed in this study for data integration is Bayesian Netwotk. The purpose of data integration is to predict the bond between the drug and disease. The result of drug and disease prediction bond obtained from the integration model was 81,69 %. These results increased compared with the predicted results by using one type of data, PPV`s values prediction of association drug and disease by text data type was 70,58 % whereas PPV`s values prediction of association drug and disease by gene expression data type was 66%."

"Human Immunodeficiency Virus (HIV) merupakan salah satu virus paling mematikan yang merusak sistem imun manusia melalui interaksi antar protein (PPI). Oleh karena itu, diperlukan suatu metode prediksi yang dapat melihat secara luas interaksi antar protein. Integrasi dari berbagai jenis data yang berbeda merupakan salah satu pendekatan untuk melihat interaksi protein secara luas. Dalam penelitian ini dibangun metode untuk prediksi PPI dengan mengintegrasikan gene expression dan ontology menggunakan Bayesian Network. Langkah pertama pada proses integrasi ini yaitu mencari nilai likelihood ratio berdasarkan evidence berupa nilai probabilistik PPI pada masing-masing dataset. Dimana likelihood ratio diperoleh dari kombinasi evidence menggunakan Bayesian Network. Kemudian hasil prediksi yang diperoleh diverifikasi menggunakan database NIAID sebagai Gold-Standard. Dari hasil keseluruhan eksperimen, model yang dibangun ini dievaluasi menggunakan Positive Predictive Value (PPV) dan memperoleh presisi mencapai 85.07%.

---

.Human Immunodeficiency Virus (HIV) is one of the most deadly virus that could damage the human immune system through protein interaction (PPI). Therefore, the extremely prediction method that determine interactions between proteins extensively is required. The integration of different data is one of the approaches to look at the proteins interactions. In this research, a prediction model of PPI by integrating gene expression and gene ontology using Bayesian Networks will be developed. The first step in the integration process is to find the value of likelihood ratio based on evidence from each dataset. Furthermore the likelihood ratio is obtained from a combination of evidence using Bayesian Networks. Finally, the prediction results will be verified using a database of NIAID as Gold-Standard. Overall, we use PPV as an evaluation method which achieve precision around 85.07%."

"Gen EHMT2 dapat meregulasi metilasi protein histon yang berdampak pada disregulasi epigenetik dan terganggunya proses transkripsi. Hal tersebut dapat menjadi faktor yang memengaruhi metastasis tumor pada kanker paru. Salah satu inhibitor spesifik yang dapat digunakan untuk menghambat aktivitas dan menurunkan ekspresi gen EHMT2 adalah BIX01294. Sejauh ini, konsentrasi inhibitor BIX01294 yang digunakan untuk penelitian ekspresi gen EHMT2 pada kanker paru berkisar pada 2–10 μM. Oleh karena itu, perlu dilakukan penelitian lanjutan terkait efektivitas inhibitor BIX01294 untuk menurunkan ekspresi gen EHMT2 dengan konsentrasi >10 μM. Penelitian ini bertujuan untuk mengetahui efektivitas dari inhibitor BIX01294 dalam menurunkan ekspresi gen EHMT2 pada sel kanker paru A549 melalui empat konsentrasi inhibitor yang berbeda, yakni 12,5 μM, 15 μM, 17,5 μM, dan 20 μM. Metode yang digunakan adalah RT-qPCR. Hasil penelitian menujukkan bahwa inhibitor BIX01294 dapat memengaruhi konfluensi dan viabilitas sel kanker paru A549. Sampel sel kanker paru A549 yang tidak diberi perlakuan dengan inhibitor BIX01294 memiliki konfluensi sel dan nilai viabilitas yang lebih tinggi dibandingkan dengan sampel seri inhibitor BIX01294. Selain itu, inhibitor BIX01294 juga dapat menurunkan ekspresi gen EHMT2 sel kanker paru A549 secara dose - dependant . Dengan demikian, dapat disimpulkan bahwa inhibitor BIX01294 dengan konsentrasi 12,5 μM; 15 μM; 17,5 μM; dan 20 μM dapat menurunkan ekspresi gen EHMT2 dan viabilitas pada sel kanker paru A549 secara dose-dependant.

---

The EHMT2 gene has the ability to control the methylation of histone proteins, which can lead to disruptions in epigenetic regulation and the transcription process. This can be a factor influencing tumor metastasis in lung cancer. A specific EHMT2 gene inhibitor, BIX01294, has been identified as an effective agent in inhibiting the activity of the EHMT2 gene. Previous research on lung cancer used BIX01294 concentrations between 2–10 μM. As a result, additional studies are needed to evaluate the efficacy of the BIX01294 inhibitor in reducing EHMT2 gene expression at concentrations greater than 10 μM. The objective of this study is to evaluate the potency of the BIX01294 inhibitor in reducing EHMT2 gene expression within A549 lung cancer cells at four different concentrations: 12.5 μM, 15 μM, 17.5 μM, and 20 μM. The method used in this study is RT-qPCR. The study’s findings reveal that the BIX01294 inhibitor can impact the confluence and viability of A549 lung cancer cells. The A549 lung cancer cell samples that were not subjected to the BIX01294 inhibitor exhibited higher cell confluence and viability values compared to those that were treated with the inhibitor. Furthermore, the BIX01294 inhibitor can also decrease the expression of the EHMT2 gene in A549 lung cancer cells in a dose-dependent manner. Therefore, it can be concluded that the BIX01294 inhibitor, at concentrations of 12.5 μM, 15 μM, 17.5 μM, and 20 μM, demonstrates a dose-dependent reduction in EHMT2 gene expression and the viability of A549 lung cancer cells."

"Kanker payudara masih menjadi masalah kesehatan global. Modalitas terapi yang digunakan untuk pasien kanker payudara diataranya agen kemoterapi doksorubisin (DOX). DOX digunakan untuk pengobatan kanker dengan mekanisme interkalasi DNA dan penghambatan topoisomerase II, serta penggunaannya mengalami resistensi. Bahan alam berpotensi digunakan untuk terapi kombinasi mengatasi resistensi doksorubisin. Bahan alam yang digunakan diantaranya dari jahe merah yang mengandung 6-shogaol. Senyawa 6-Shogaol sebagai agen kemoterapi yang meregulasi ekspresi gen yang berhubungan dengan proses proliferasi sel. Pada penelitian ini dilakukan analisis ekspresi gen pada basis data Gene Expression Omnibus (GEO) terkait pengobatan doksorubisin (GSE124597) dan pemberian 6-shogaol (GSE36973) dengan tujuan mengetahui perbandingan pola ekspresi gen yang dipengaruhi keduanya terhadap sel kanker payudara MCF7. Dilakukan juga anotasi fungsi gen yang diekspresikan menggunakan Gen Ontologi (GO) dan KEGG, jejaring farmakologi menggunakan basis data STITCH, serta simulasi penambatan molekuler untuk mengetahui mekanisme kerja antikanker. Sifat antikanker doksorubisin, 6-shogaol, dan ekstrak jahe merah kemudian  dikonfirmasi secara invitro meggunakan metode MTT. Hasil analisis Diffrential Expression Genes (DEG) menghasilkan 227 DEG yang sama (DEG bersama) akibat pemberian doksorubisin dan 6-shogaol. Hasil anotasi fungsi gen dengan GO menunjukkan dari 227 DEG terkait dengan proliferasi sel melalui jalur TP53.Demikian juga terkait hasil analisis jejaring farmakologi menunjukkan doksorubisin dan 6-shogaol terhubung dengan protein TP53. Hasil analisis interaksi protein-protein (PPi) menunjukkan jalur persinyalan TP53 terhubung dengan protein CDKN1A, GADD45A, DDIT3 dan CXCL12. Penambatan molekuler senyawa doksorubisin dan 6-shogaol pada protein TP53 menghasilkan energi ikatan berturut-turut -7.97 kcal/mol dan -6.05 kcal/mol. Nilai IC50 senyawa doksorubisin, 6-shogaol, dan ekstrak jahe pada sel MCF-7 berturut-turut adalah: 15.45 µg/ml, 61.24 µg/ml dan 144.99 µg/ml. Hal ini menunjukkan 6-shogaol dapat digunakan sebagai kandidat komplementer antikanker pada sel MCF-7.

---

Breast cancer is still a global health problem. Therapeutic modalities used for breast cancer patients include the chemotherapeutic agent doxorubicin (DOX). DOX is used for the treatment of cancer with DNA intercalation mechanisms and topoisomerase II inhibition, and its use has experienced resistance, so a combination therapy of natural ingredients is needed. The natural ingredients used include red ginger which contains 6-shogaol. 6-Shogaol compound as a chemotherapeutic agent that regulates gene expression related to cell proliferation processes. In this study, gene expression analysis was carried out on the Gene Expression Omnibus (GEO) database related to doxorubicin treatment (GSE124597) and 6-shogaol administration (GSE36973) with the aim of knowing a comparison of gene expression patterns affected by both of them on MCF7 breast cancer cells. Functional annotations of expressed genes were also performed using Gene Ontology (GO) and KEGG, pharmacological networks using the STITCH database, as well as molecular docking simulations to determine the mechanism of anticancer action. The anticancer properties of doxorubicin, 6-shogaol, and red ginger extract were then confirmed in vitro using the MTT method. The results of the Differential Expression Genes (DEG) analysis yielded the same 227 DEGs as a result of doxorubicin and 6-shogaol administration. The results of gene function annotations with GO showed that 227 DEGs were related to cell proliferation through the TP53 pathway. Likewise, the results of pharmacological network analysis showed that doxorubicin and 6-shogaol were linked to the TP53 protein. The results of protein-protein interaction (PPi) analysis showed that the TP53 signaling pathway was connected to the CDKN1A, GADD45A, DDIT3 and CXCL12 proteins. Molecular docking of the compounds doxorubicin and 6-shogaol to the TP53 protein produces a binding energy of -7.97 kcal/mol and -6.05 kcal/mol, respectively. The IC50 values ​​of doxorubicin, 6-shogaol, and ginger extract in MCF-7 cells were: 15.45 µg/ml, 61.24 µg/ml and 144.99 µg/ml, respectively. This shows that 6-shogaol can be used as a complementary anticancer candidate in MCF-7 cells."

"Penelitian biologi dengan menggunakan teknologi microarray menghasilkan data ekspresi gen berbentuk matriks di mana baris adalah gen dan kolom adalah kondisi. Analisis lanjutan dalam data ekspresi gen membutuhkan data yang lengkap. Namun, data ekspresi gen sering kali mengandung nilai hilang atau missing values. Ada berbagai cara untuk mengatasi missing values, antara lain pembuangan gen atau kondisi yang mengandung missing values, pengulangan pengambilan data, dan imputasi missing values pada data ekspresi gen. Pendekatan imputasi missing values awal hanyalah dengan mengisi nilai nol atau rata-rata baris. Namun, pendekatan ini tidak melihat informasi koheren dalam data. Pendekatan imputasi missing values terbagi menjadi empat berdasarkan informasi yang diperlukan pada algoritmanya, yaitu pendekatan lokal, pendekatan global, pendekatan hybrid, dan pendekatan knowledge assisted. Pada penelitian ini peneliti menggunakan algoritma pendekatan lokal dan global. Metode imputasi missing values paling popular untuk pendekatan global adalah Bayesian Principal Component Analysis (BPCA), sedangkan untuk pendekatan lokal adalah Local Least Square (LLS). Pada metode LLS, pemilihan similaritas gen dilakukan dengan teknik clustering dimana seluruh kondisi dalam data digunakan. Kenyataanya, terkadang gen-gen similar hanya dalam beberapa kondisi eksperimental saja. Maka, diperlukan teknik biclustering untuk dapat menemukan subset gen dan subset kondisi yang similar sebagai informasi lokal. Penerapan ide biclustering dalam LLS dinamakan sebagai Iterative Bicluster-Based Least Square (bi-iLS). Salah satu tahapan awal dalam bi-iLS adalah pembentukan matriks komplit sementara yang didapat dengan cara mengisi missing values dengan row average. Namun, row average dinilai kurang bagus karena hanya menggunakan informasi satu baris tersebut. Kekurangan ini diperbaiki dalam penelitian ini. Penggunaan metode BPCA untuk menemukan matriks komplit sementara dinilai lebih baik karena BPCA menggambarkan struktur keseluruhan data. Penggantian row average menjadi BPCA menjadi dasar masalah penelitian ini. Metode iterative Bicluster-based Bayesian Principal Component Analysis dan Least Square (bi-BPCA- iLS) pun diajukan. Penerapan bi-BPCA-iLS terhadap data ekspresi gen yang dihasilkan teknologi microarray terbukti menghasilkan penurunan nilai Normalzied Root Mean Square Error (NRMSE) sebesar 10,6% dan 0,58% secara rata-rata dalam beberapa missing rate (1%, 5%, 10%, 15%, 20%, 25%, dan 30%) jika dibandingkan dengan metode LLS dan bi-iLS.

---

Biological research using microarray technique produce some important gene expression datasets. These data can be expressed as a matrix in which rows are genes and columns are different conditions. Further analysis of these datasets requires a complete dataset or matrix. However, gene expression datasets often contain missing values. There are some ways to handle missing values, such as deletion of genes or conditions that contain missing values, repeat the process of acquiring data, and impute the missing values. Early approaches in missing values imputation are simply to replace missing values with zeros or row averages, but these methods do not use the coherence inside the data. Later, approaches in missing values imputations are categorized into four groups based on the required information, such as local, global, hybrid, and knowledge assisted approaches. In this paper, local and global approaches are used. Bayesian Principal Component Analysis (BPCA) is a well-known global based method, while the most popular local based method is Local Least Square (LLS). In LLS, selection of similar genes uses clustering technique where all conditions in the data are included. The reality is genes sometimes only correlate under some experimental conditions only. So, a technique that can find subset of genes under subset of experimental conditions for local information is needed. This technique is called biclustering. The usage of biclustering in LLS is called the Iterative Bicluster-based Least Square (bi-iLS). One of the early steps in bi-iLS is to find a temporary complete matrix. Temporary complete matrix is obtained by applying row averages to impute missing values. However, row average cannot reflect the real structure of the dataset because row average only uses the information of an individual row. The missing values in a target gene do not only rely on the known values of its own row. In this research, row average in bi-iLS is replaced with BPCA. The benefit of using BPCA is that it uses global structure of the dataset. This update will be the basic problem of this research. The proposed method is called Iterative Bicluster-based Bayesian Principal Component Analysis and Least Square (bi-BPCA-iLS). This new proposed method is applied to gene expression datasets from microarray technique. It shown a decrease in values of Normalized Root Mean Square Error (NRMSE) about 10.6% from LLS and about 0.58% from bi-iLS based on different missing rates (1%, 5%, 10%, 15%, 20%, 25%, and 30%)."

"Metode triclustering merupakan pengembangan dari metode clustering dan biclustering. Berbeda dengan  metode clustering dan biclustering yang bekerja pada data dua dimensi, triclustering bekerja pada data tiga dimensi yang disusun dalam bentuk matriks. Matriks ini terdiri dari dimensi observasi, atribut, dan konteks. Triclustering mampu mengelompokkan ketiga dimensi tersebut secara simultan dan membentuk kelompok berupa subruang yang disebut tricluster. Metode ini umumnya diimplementasikan dalam bidang bioinformatika, terkhususnya dalam analisis data ekspresi gen tiga dimensi untuk menemukan profil ekspresi gen. Data atau matriks ini terdiri dari dimensi gen, kondisi eksperimen, dan waktu eksperimen (time point). Salah satu algoritma triclustering, yaitu Order Preserving Triclustering (OPTricluster), adalah algoritma yang menggunakan pendekatan pattern based dan digunakan untuk menganalisis data ekspresi gen tiga dimensi yang merupakan short time series 3-8 time point). OPTricluster membentuk tricluster dengan mengidentifikasi gen-gen yang memiliki perubahan ekspresi yang sama di sepanjang time points pada sejumlah kondisi eksperimen. Dalam penelitian ini, OPTricluster diimplementasikan pada data ekspresi gen sejumlah pasien yellow fever pasca vaksinasi dengan beberapa skenario yang menggunakan threshold yang berbeda-beda. Skenario dengan threshold yang optimum ditunjukkan oleh rata-rata skor Tricluster Diffusion terendah. Tricluster-tricluster yang dihasilkan berhasil menunjukkan hubungan biologis di antara pasien-pasien tersebut, di mana vaksin cenderung memberikan reaksi yang lebih signifikan pada pasien pria dibandingkan pasien wanita. Selain itu, ditemukan anomali pada pasien-pasien tersebut.

---

Triclustering method is the development of clustering method and biclustering method. Unlike clustering and biclustering that works on two-dimensional data, triclustering works on three-dimensional data that arranged in the form of a matrix consisting of observations, attributes, and contexts dimensions. Triclustering is able to group these dimensions simultaneously and form a subspace called a tricluster. This method is generally implemented in analysis of three-dimensional gene expression data to find profiles of gene expression. This data or matrix consists of genes, experimental conditions and time points dimensions.

One of the triclustering algorithms, Order Preserving Triclustering (OPTricluster), is an algorithm that uses a pattern-based approach and used to analyze short time series data (3-8 time points). The OPTricluster forms the tricluster by identifying genes that have the same expression change across time points under a number of experimental conditions. The change in expression is expressed in a rank pattern which is divided based on three types of patterns, namely constant, conserved and divergent patterns.

In this study, OPTricluster was implemented in gene expression data of yellow fever patients after vaccination using several scenarios with different thresholds. The scenario with the optimum threshold is indicated by the lowest average Tricluster Diffusion score. The resulting triclusters were successful in showing biological relationships among these patients, where the vaccine tending to have a more significant reaction in male patients than in female patients. In addition, anomalies were found in these patients."

"Ekspresi gen adalah proses pembentukan molekul protein dengan cara menguraikan informasi yang terkandung dalam gen. Ekspresi gen dapat diubah menjadi data numerik dengan bantuan teknologi microarray. Penyakit chronic lymphocytic leukemia (CLL) merupakan salah satu penyakit kanker yang terjadi karena pembentukan lymphocytes yang tidak normal pada sumsum tulang. Data ekspresi gen dari pasien CLL dapat diperoleh dengan menggunakan teknologi microarray. Namun, penggunaan teknologi microarray dapat menghasilkan missing values pada data ekspresi gen CLL akibat dari adanya goresan atau debu pada microarray slides. Keberadaan missing values dapat mengakibatkan hasil analisis menjadi bias dan tidak merepresentasikan sifat aslinya. Untuk mengatasi hal tersebut, salah satu pendekatan yang dapat dilakukan adalah dengan melakukan imputasi missing values. Imputasi adalah proses mengisi missing values berdasarkan informasi yang terdapat dalam data. Nilai pada data hasil imputasi diharapkan mendekati nilai dari elemen yang hilang. Proses imputasi menghasilkan data yang lengkap sehingga analisis selanjutnya dapat berjalan dengan baik dan diperoleh hasil yang lebih akurat. Pada penelitian ini dilakukan proses imputasi missing values dengan metode imputasi Cosine Similarity Based Biclustering dan Normalized Mean Residue Similarity (NMRS) Based Biclustering. Metode Cosine Similarity Based Biclustering dan NMRS Based Biclustering melakukan imputasi dengan memanfaatkan analisis biclustering berbasis korelasi cosine similarity dan NMRS. Data yang digunakan untuk melakukan penelitian ini adalah data numerik berupa ekspresi gen pada pasien chronic lymphocytic leukemia (CLL). Kinerja dari metode imputasi pada penelitian ini dievaluasi dengan menghitung korelasi Pearson dari nilai asli pada data awal dengan nilai pada data yang sudah dilakukan imputasi. Hasil evaluasi dari kinerja metode imputasi menggunakan Cosine Similarity Based Biclustering dan NMRS Based Biclustering dibandingkan dengan kinerja metode imputasi K-Means. Berdasarkan hasil penelitian, didapatkan nilai koefisien korelasi Pearson dari metode imputasi menggunakan Cosine Similarity Based Biclustering dan NMRS Based Biclustering untuk missing rate 5%, 15%, 25%, 35% dan 45% memiliki rentang yang lebih tinggi dibandingkan metode imputasi K-Means, dengan sebagian besar nilai korelasi Pearson di atas 0,96. Selain itu metode NMRS Based Biclustering memiliki rentang korelasi Pearson paling tinggi, sehingga dapat dikatakan metode NMRS Based Biclustering menghasilkan nilai imputasi terbaik di antara metode yang digunakan untuk mengisi missing values pada data CLL.

---

Gene expression is the process of forming protein molecules by deciphering the information contained in genes. Gene expression can be converted into numerical data using microarray technology. Chronic lymphocytic leukemia (CLL) is cancer that occurs due to the formation of abnormal lymphocytes in the bone marrow. Gene expression data from CLL patients can be obtained using microarray technology. However, the use of microarray technology can produce missing values in the CLL gene expression data due to scratches or dust on the microarray slides. The existence of missing values can lead to analysis results being biased and not representing their true nature. To overcome this, one approach that can be taken is to impute missing values. Imputation is the process of filling in the missing values based on the information contained in the data. The value of the imputed data is expected to be close to the value of the missing element. The imputation process produces complete data so that further analysis can run well and obtained more accurate results. In this study, the imputation process for missing values was carried out using the Cosine Similarity Based Biclustering and Normalized Mean Residue Similarity (NMRS) Based Biclustering imputation methods. Cosine Similarity Based Biclustering and NMRS Based Biclustering methods perform imputation by utilizing biclustering analysis based on cosine similarity correlation and NMRS. The data used to conduct this research is numerical data in the form of gene expression in chronic lymphocytic leukemia (CLL) patients. The performance of the imputation method in this study was evaluated by calculating the Pearson correlation of the original value in the initial data with the value in the imputed data. The results of the evaluation of the performance of the imputation method using Cosine Similarity Based Biclustering and NMRS Based Biclustering were compared with the performance of the K-Means imputation method. Based on the results of the study, the Pearson correlation coefficient values obtained from the imputation method using Cosine Similarity Based Biclustering and NMRS Based Biclustering for missing rates of 5%, 15%, 25%, 35% and 45% have a higher range than the K-Means imputation method, with most Pearson correlation values above 0.96. In addition, the NMRS Based Biclustering method has the highest Pearson correlation range, so it can be said that the NMRS Based Biclustering method produces the best imputation value among the methods used to fill in the missing values in CLL data."

"Analisis triclustering merupakan salah satu metode data mining yang bertujuan mengelompokkan data berbentuk tiga dimensi. Triclustering kerap digunakan pada bidang bioinformatika untuk menganalisis kesamaan ekspresi gen suatu eksperimen pada titik waktu tertentu. Analisis triclustering yang dilakukan pada penelitian ini menggunakan metode gabungan Fuzzy Cuckoo Search dengan I-Trimax. Metode ini merupakan penggabungan algoritma nodes deletion pada I-Trimax dengan algoritma optimasi Fuzzy Cuckoo Search. Cuckoo Search merupakan metode optimasi yang sudah baik dalam menghasilkan himpunan tricluster yang menggunakan konsep parasitisme spesies cuckoo. Fuzzy Cuckoo Search menggunakan fungsi objektif fuzzy c-means untuk mengatasi ketidakjelasan (indiscernibility) yang biasa terjadi dalam data ekspresi gen sehingga masalah kesulitan membedakan objek karena kurangnya pengetahuan dari informasi yang tersedia dapat diatasi. Algoritma nodes deletion pada I-Trimax digunakan pada fase pembentukan populasi awal dari metode gabungan Fuzzy Cuckoo Search dengan I-Trimax. Hal ini dilakukan demi mendapatkan populasi awal yang sudah baik yaitu memiliki MSR yang minimum karena konsep dari algoritma nodes deletion yaitu dapat menghasilkan himpunan tricluster dengan Mean Square Residue (MSR) kecil yaitu di bawah threshold. Berdasarkan itu proses komputasi algoritma Fuzzy Cuckoo Searchyang dilakukan pada fase optimasi dapat berjalan dengan efektif sehingga menghasilkan himpunan tricluster yang berkualitas baik secara efisien. Analisis triclustering menggunakan metode gabungan Fuzzy Cuckoo Search dengan I-Trimax digunakan pada data ekspresi gen tiga dimensi sel kanker paru-paru fase stabil (A549) yang berkaitan dengan pemberian obat kemoterapi Motexafin Gadolinium (MGd), di mana ekspresi gen diamati pada 6 kondisi dan 3 titik waktu. Pada penelitian ini, himpunan tricluster yang memiliki kualitas terbaik berdasarkan Triclustering Quality Index (TQI) adalah himpunan tricluster yang dihasilkan dengan nilai  dan. Berdasarkan himpunan tricluster tersebut, didapatkan informasi penting mengenai kumpulan gen yang memiliki respon baik terhadap pemberian MGd tapi tidak bertahan setiap titik waktu. Hal ini dapat dijadikan acuan penelitian terkait terapi kanker menggunakan obat kemoterapi MGd yang perlu dilakukan pengembangan agar dapat tetap efektif pada seluruh titik waktu. Terdapat juga kumpulan gen yang memiliki respon cepat dan bertahan hingga jangka panjang dengan pemberian MGd dan mannitol. Gen-gen tersebut merupakan gen yang menunjukkan respon baik pemberian obat kemoterapi MGd tetapi efektivitasnya tidak terlalu maksimal karena responnya beririsan dengan subjek yang hanya diberikan mannitol. Hal ini dapat dijadikan bahan untuk penelitian lebih lanjut dalam pengembangan obat MGd supaya dapat lebih efektif.

---

Triclustering analysis is a data mining method that aims to group data in three dimensions. Triclustering is often used in the field of bioinformatics to analyze the similarity of gene expression under experimental conditions at a certain point in time. The triclustering analysis carried out in this study used the combined Fuzzy Cuckoo Search method with -Trimax. This method is a combination of node deletion algorithm on -Trimax with Fuzzy Cuckoo Search optimization algorithm. Cuckoo Search is a good optimization method in generating tricluster sets that use the concept of parasitism of cuckoo species. Fuzzy Cuckoo Search uses the fuzzy c-means objective function to overcome the indiscernibility that usually occurs in gene expression data so that the problem of difficulty distinguishing objects due to lack of knowledge from available information can be overcome. The nodes deletion algorithm on I-Trimax is used in the initial population formation phase from the combined Fuzzy Cuckoo Search method with I-Trimax. This is done in order to get a good initial population, which has a minimum MSR because the concept of the nodes deletion algorithm is that it can produce a tricluster set with a small Mean Square Residue (MSR), which is below the threshold. Based on that, the computational process of the Fuzzy Cuckoo Search algorithm which is carried out in the optimization phase can run effectively so as to produce a good quality tricluster set efficiently. Triclustering analysis using the combined Fuzzy Cuckoo Search method with I-Trimax was used on three-dimensional gene expression data of stable phase lung cancer cells (A549) associated with the administration of the chemotherapy drug Motexafin Gadolinium (MGd), where gene expression was observed in 6 conditions and 3 time points. In this study, the tricluster set that has the best quality based on the Triclustering Quality Index (TQI) is the resulting tricluster set with values. Based on these tricluster sets, important information was obtained regarding gene pools that responded well to MGd administration but did not persist at any point in time. This can be used as a reference for research related to cancer therapy using MGd chemotherapy drugs that need to be developed in order to remain effective at all time points. There is also a gene pool that responds quickly and persists in the long term with MGd and mannitol administration. These genes are genes that show a good response to MGd chemotherapy drugs but their effectiveness is not maximal because their responses coincide with subjects who are only given mannitol. This can be used as material for further research in the development of MGd drugs so that they can be more effective."

"ABSTRAKPenelitian ini mengimplementasikan metode spectral clustering-Fuzzy C-Means pada tiga microarray data ekspresi gen, dengan tujuan untuk mengelompokkan gen-gen yang memiliki tingkat ekspresi yang similar. Spectral clustering secara teoritis terdiri dari tiga tahap utama yaitu: membangun matriks jarak, membentuk matriks Laplacian, dan proses partisi, khususnya dalam tesis ini menggunakan algoritma partisi Fuzzy C-Means. Oleh karena itu, implementasi dari spectral clustering-FCM lebih sederhana dan intuitif pada pelaksanaannya. Analisis cluster singkat juga akan dipaparkan untuk masing-masing microarray data yang digunakan yaitu: Carcinoma, Leukemia, dan Lymphoma. Hasil cluster yang sangat baik didapatkan, sehingga metode yang diusulkan memiliki potensi besar ke depannya dalam penelitan pada bidang medis.

---

ABSTRACTThis research implements the spectral clustering FCM method on three microarray gene expression data, with the aim of grouping genes with similar expression levels. Spectral clustering is theoretically composed of three main stages building distance matrix, forming Laplacian matrix, and partitioning process, especially in this thesis using Fuzzy C Means partition algorithm. Therefore, the implementation of spectral clustering FCM is simpler and more intuitive in its implementation. Brief cluster analysis will also be presented for each microarray data used Carcinoma, Leukemia, and Lymphoma. Excellent cluster results are obtained, so the proposed method has great potential for future research in the medical field. "

"Kanker paru merupakan salah satu jenis kanker mematikan dengan terjadinya kasus paling banyak di dunia. Mutasi gen yang terjadi pada sel organ paru menjadi penyebab utama terjadinya kanker paru. Salah satu gen yang berpengaruh terhadap pembelahan sel kanker, yaitu ferritin mitokondria (FTMT). Mekanisme yang diatur oleh gen FTMT yaitu dengan memodulasi metabolisme zat besi (Fe2+) didalam mitokondria yang diinduksi oleh adanya stres oksidatif. Mekanisme yang diatur oleh gen FTMT dengan jumlah ekspresi yang tinggi akibat adanya stres oksidatif berupa H2O2 didalam sel kanker. Senyawa stres oksidatif berupa H2O2 merupakan senyawa toksik yang dapat menghasilkan Reactive Oxygen Spesies (ROS) dan berperan penting dalam proses pengaturan sistem fisiologis dalam sel. Reactive Oxygen Spesies (ROS) yang dihasilkan dengan jumlah tinggi akan mengarah ke mekanisme kematian sel (ferroptosis). Penelitian ini bertujuan untuk mengetahui ekspresi gen FTMT dan viabilitas sel pada cell line A549 (non-small cell lung carcinoma) yang diinduksi oleh senyawa H2O2 sebagai stres oksidatif dengan perlakuan berbagai konsentrasi, yaitu 50 μM, 100 μM, 150 μM, 200 μM, dan 300 μM dengan menggunakan metode qRT-PCR. Hasil penelitian ini menunjukkan peningkatan ekspresi gen FTMT dan penurunan viabilitas sel secara signifikan pada perlakuan H2O2 dengan rentang konsentrasi 50 μM sampai 100 μM. Dengan demikian, perlakuan stres oksidatif H2O2 mempunyai peran penting dalam meregulasi gen FTMT yang berkaitan dengan morfologi dan viabilitas sel A549 kanker paru.

---

Lung cancer is a type of deadly cancer with the most cases occurring in the world. Gene mutations that occur in lung organ cells are the main cause of lung cancer. One of the genes that influences cancer cell division is mitochondrial ferritin (FTMT). The mechanism regulated by the FTMT gene is by modulating iron (Fe2+) metabolism in mitochondria which is induced by oxidative stress. The mechanism regulated by the FTMT gene with high levels of expression is due to oxidative stress in the form of H2O2 in cancer cells. Oxidative stress compounds in the form of H2O2 are toxic compounds that can produce Reactive Oxygen Species (ROS) and play an important role in the process of regulating physiological systems in cells. Reactive Oxygen Species (ROS) produced in high amounts will lead to a cell death mechanism (ferroptosis). This study aims to determine the expression of the FTMT gene and cell viability in the A549 (non-small cell lung carcinoma) cell line which was induced by H2O2 compounds as oxidative stress with various concentrations of treatment, namely 50 μM, 100 μM, 150 μM, 200 μM, and 300 μM using the qRT-PCR method. The results of this study showed an increase in FTMT gene expression and a significant decrease in cell viability in H2O2 treatment with a concentration range of 50 μM to 100 μM. Thus, H2O2 oxidative stress treatment has an important role in regulating the FTMT gene which is related to the morphology and viability of lung cancer A549 cells."