Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi DNA microarray menghasilkan data ekspresi gen yang dapat digunakan untuk membantu berbagai pemecahan masalah dalam dunia kesehatan. Data ekspresi gen merupakan matriks berukuran besar berisi gen dan kondisi eksperimental yang tak jarang mengandung missing values dan outlier. Data yang mengandung missing values dapat mengganggu dan membatasi analisis. Untuk mengatasinya, metode komputasi dinilai layak untuk imputasi missing values pada data ekspresi gen sebelum dilakukan analisis lanjutan, terlebih untuk data yang memiliki outlier. Oleh karena itu, pada penelitian ini digunakan metode imputasi missing values NCBI-LPCM untuk mengatasi permasalahan missing values pada data ekspresi gen yang memiliki outlier. Metode NCBI-LPCM menggunakan ukuran korelasi LPCM yang dapat menangani keberadaan outlier untuk pembentukan bicluster dan imputasi least square yang merupakan metode imputasi dengan pendekatan lokal. LPCM mengidentifikasi gen-gen yang memiliki pola korelasi similar sehingga menjadi informasi lokal untuk dasar imputasi. Metode ini diterapkan pada data ekspresi gen pasien Leukemia Limfoblastik Akut pada missing rate 5%, 10%, 15%, 20%, 25%, 30%, dan 35%. Berdasarkan RMSE dan korelasi Pearson, metode NCBI-LPCM lebih baik jika dibandingkan dengan NCBI-SSSim yang juga dapat menangani keberadaan outlier.

---

DNA microarray technology produces gene expression data that can be used to help solve various problems in healthcare. Gene expression data is a large matrix of genes and experimental conditions that often contains missing values and outliers. Data containing missing values can interfere with and limit analyses. To overcome this, computational methods are considered feasible for imputing missing values in gene expression data before further analysis is carried out, especially for data that has outliers. Therefore, in this study, the NCBI-LPCM missing values imputation method was used to overcome the problem of missing values in gene expression data with outliers. The NCBI-LPCM method uses the LPCM correlation measure which can handle the presence of outliers for bicluster formation and least square imputation which is an imputation method with a local approach. LPCM identifies genes that have similar correlation patterns so that they become local information for the basis of imputation. This method was applied to gene expression data of Acute Lymphoblastic Leukaemia patients at missing rates of 5%, 10%, 15%, 20%, 25%, 30%, and 35%. Based on RMSE and Pearson correlation, the NCBI- LPCM method is better than NCBI-SSSim which can also handle the presence of outliers."

"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."

"Bioinformatika merupakan ilmu yang ditujukan untuk menganalisis informasi biologis. Dalam perkembangan penelitian bioinformatika, data diperoleh salah satunya dengan menggunakan teknologi microarray. Teknologi microarray digunakan oleh lingkup biologi molekuler dalam melihat perbedaan tingkat ekspresi gen dengan cara mengonversi gambar monokromik yang berisi ratusan bahkan ribuan gen dari sampel sel dan menghasilkan data ekspresi gen. Teknologi microarray sering kali menghasilkan data ekspresi gen yang hilang atau tidak terdeteksi akibat adanya kesalahan teknis. Oleh karena itu, diperlukannya suatu metode imputasi pada data untuk mengatasi missing values. Pada penelitian ini, akan dikembangkan suatu metode imputasi yang disebut Biclustering Terurut berbasis k-Nearest Neighbor, Mean Squared Residual, dan Jarak Euclidean. Metode ini merupakan metode imputasi berbasis biclustering dimana bicluster dibentuk berdasarkan suatu kriteria yang melibatkan skor Mean Squared Residue dan Jarak Euclidean. Penggunakan k-Nearest Neighbor sebagai metode pra-imputasi didasarkan pada data ekspresi gen yang sering kali memiliki pola kompleks dan sulit terdeteksi, sehingga perlu pendekatan yang dapat memetakan struktur korelasi pada data. k-Nearest Neighbor mempertimbangkan korelasi pada data microarray dengan menyeleksi kumpulan gen yang memiliki profil ekspresi mirip dengan gen yang ingin diimputasi (gen target). Pada penelitian ini, metode SBi-kNN-MSREimpute diterapkan pada data ekspresi gen pasien penderita COVID-19 yang dilakukan tes rapid harian. Evaluasi kinerja metode SBi-kNN-MSREimpute dilakukan dengan menggunakan NRMSE, dimana hasilnya dibandingkan dengan metode SBi-MSREimpute. Berdasarkan penelitian yang dilakukan, metode SBi-kNN-MSREimpute dinilai lebih baik dibandingkan dengan SBi-MSREimpute untuk setiap missing rate pada tingkatan c berbeda. Nilai c optimal untuk imputasi missing values pada data COVID-19 adalah c = 10% untuk missing rate 25%, 30%, 40% dan c = 15% untuk missing rate 5%, 10%, 15%, 20%, dan 50%. Hasil akhir juga menunjukkan bahwa nilai NRMSE untuk SBi-kNN-MSREimpute relatif stabil bahkan untuk data dengan missing rate tinggi hingga 50%.

---

Bioinformatics is a study designed to analyze biological information. In the development of bioinformatics research, data was obtained using microarray technology. Microarray technology is used by the scope of molecular biology in transposing hundreds and even thousands of genes from cellular samples simultaneously and producing a gene expression data. Microarray technology often produces data that is lost or undetected as a result of technical error. Therefore, an imputation method is needed to address the missing values. In this study, a new imputation method called Sequential Biclustering based k-Nearest Neighbor, Mean Squared Residual, and Euclidean Distance (SBi-kNN-MSRE) will be developed. This method is a biclustering-based imputation method where the bicluster is formed based on a criterion involving Mean Squared Residue and Euclidean Distance. The use of k-Nearest Neighbor as a pre-imputation method is based on data on gene expression that often has a complex and difficult pattern of detection, so it requires an approach that can map correlation structures on data. K-nearest neighbor considers a correlation on a microarray data by selecting groups of genes that have an expression profile similar to a gene that wants to be imputed (the target gene). In this study, the SBi-kNN-MSRE method was applied to the data on the genes of patients with covid-19 that daily rapid tests were performed. The performance evaluation of the SBi-kNN-MSRE method is done using NRMSE, where the results are compared to the SBi-MSRE method. According to the result, the SBi-kNN-MSRE method performed better than SBi-kNN-MSRE for each missing rate on different c levels. The optimal c value on the covid-19 data is c = 10% for missing rate 25%, 30%, 40% and c = 15% for missing rate 5%, 10%, 15%, 20% and 50%. The results also showed that NRMSE scores"

"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%)."

"Latar Belakang: Status kebersihan rongga mulut yang buruk ditandai dengan biofilm dalam jumlah banyak. Biofilm terbentuk dari perlekatan bakteri ke permukaan padat dan dengan bakteri lain. Bakteri later colonizers patogen periodontitis di biofilm seperti Treponema denticola bergantung pada early colonizers seperti Veillonella parvula. Protein VtaA dan Msp berperan dalam fungsi perlekatan Veillonella parvula dan Treponema denticola. Akumulasi biofilm dapat menyebabkan periodontitis. Akan tetapi periodontitis tidak umum dibahas pada anak. Tujuan: Penelitian ini bertujuan menganalisis hubungan jumlah Veillonella parvula dan Treponema denticola, serta ekspresi gen VtaA dan Msp spesifik tiap bakteri dari saliva anak terhadap status rongga mulut. Metode: Penelitian ini menggunakan 40 sampel saliva anak yang dikelompokkan berdasarkan kategori OHI-S. Ekstraksi RNA untuk analisis ekspresi gen dan DNA untuk jumlah bakteri target dari sampel menggunakan GeneZol Kit. Konversi RNA menjadi cDNA menggunakan SensiFast cDNA Kit. Ekstrak DNA dan cDNA diuji dengan Real-time PCR. Analisis jumlah bakteri menggunakan kuantifikasi absolut dan tingkat ekspresi gen menggunakan kuantifikasi relatif. Hasil: Tidak ada perbedaan bermakna antara jumlah kedua bakteri maupun tingkat kedua ekspresi gen di antara kategori OHI-S. Jumlah Veillonella parvula cenderung menurun dan Treponema denticola cenderung meningkat seiring memburuknya skor OHI-S. Kesimpulan: Deteksi peningkatan jumlah Veillonella parvula tidak dapat menjadi bioindikator inisiasi penyakit periodontal. Ekspresi gen VtaA dan Msp tidak dapat digunakan sebagai bioindikator pembentukan biofilm dalam jumlah tinggi.

---

Backgrounds: Poor oral hygiene status is marked by large amount of biofilms. Biofilms are made from bacterial adhesion to solid surfaces and to other bacteria. Later colonizers periodontitis pathogenic bacteria in biofilms like Treponema denticola, depend on early colonizers such as Veillonella parvula. VtaA and Msp are proteins that function in adhesion of Veillonella parvula and Treponema denticola. Biofilms accumulation can cause periodontitis. However, periodontitis is not a common discussion on children. Objectives: This research aims to analyze the correlation between the quantity of Veillonella parvula and Treponema denticola, also VtaA and Msp gene expression with oral status from children’s saliva. Methods: This study uses 40 samples of children’s saliva which has been grouped according to OHI-S category. RNA extraction to analyze gene expression and DNA extraction to quantify target bacteria from samples using GeneZol Kit. RNA conversion to cDNA uses SensiFast cDNA Kit. DNA extract and cDNA are tested using Real-time PCR Analysis of bacteria quantity with absolute quantification dan gene expression levels with relative quantification. Results: There is no significant difference between target bacteria quantity also gene expression levels between the OHI-S categories. Veillonella parvula’s quantity tends to decrease and Treponema denticola tends to increase as OHI-S scores worsens. Conclusions: Detection of increasing quantity of Veillonella parvula cannot be used as a bioindicator of periodontal disease initiation. VtaA and Msp gene expression cannot be used as a bioindicator of high rates of biofilm’s formation."

"Sindrom ovarium polikistik (SOPK) merupakan gangguan reproduksi yang disebabkan oleh berbagai faktor endokrin dan metabolisme. Penderita SOPK merupakan wanita usia reproduktif (8—10%) disertai dengan kondisi obesitas (50—80%; IMT≥25). Meski etiologi SOPK belum sepenuhnya diketahui, namun kelainan endokrin seperti abnormalitas rasio kadar LH (luteinizing hormone) dan FSH (follicle stimulating hormone) merupakan penyebab utama terjadinya SOPK. Gen KISS1, TAC3, dan PDYN, diketahui dapat memengaruhi pulsatilitas GnRH (gonadotropin releasing hormone) yang meregulasi sekresi LH dan FSH. Gangguan ekspresi pada ketiga gen ini akan menyebabkan gangguan pada sistem endokrin yang mengarah pada SOPK. Penelitian ini bertujuan untuk mengetahui ekspresi mRNA gen KISS1, TAC3, dan PDYN pada wanita SOPK dan non-SOPK dengan obesitas dan non-obesitas. Penelitian dilakukan pada masing-masing 10 sampel darah perifer yang dibagi ke dalam empat kelompok, yaitu non-SOPK non-obesitas, SOPK non-obesitas, non-SOPK obesitas, dan SOPK obesitas. Ekspresi mRNA dianalisis menggunakan teknik quantitative real time PCR (qPCR) dan dikuantifikasi secara relatif menggunakan metode Livak. Hasil penelitian menunjukkan ekspresi mRNA gen KISS1 dan TAC3 ditemukan lebih tinggi pada wanita SOPK dibandingkan wanita non-SOPK dengan obesitas maupun non-obesitas, sedangkan ekspresi mRNA gen PDYN lebih rendah pada wanita SOPK dibandingkan wanita non-SOPK dengan obesitas maupun non-obesitas. Namun, berdasarkan hasil uji statistik, tidak seluruh pasangan kelompok memiliki perbedaan ekspresi yang signifikan. Meski begitu, hasil dari penelitian ini menunjukkan bahwa ekspresi mRNA gen KISS1, TAC3, dan PDYN pada darah perifer terkait dengan SOPK dan obesitas.

---

Polycystic ovary syndrome (PCOS) is a reproductive disorder caused by complex endocrine and metabolic factors. This syndrome occurs in reproductive age women (8—10%) with obesity (50—80%; BMI≥25). Although its etiology is not fully understood, endocrine disorders such as ratio abnormality of LH (luteinizing hormone) and FSH (follicle stimulating hormone) is the main causes of PCOS. KISS1, TAC3, and PDYN gene expression are known to affect the pulsatility of GnRH (gonadotropin releasing hormone) which regulates LH and FSH secretion. Abnormality of these gene expressions will cause endocrine disruption that leads to PCOS. This study aimed to determine KISS1, TAC3, and PDYN mRNA gene expression levels in PCOS and non-PCOS with obese and non-obese women. The study was conducted on each of 10 peripheral blood samples divided into four group, non-PCOS non-obese, non-PCOS obese, PCOS non-obese, and PCOS obese. The mRNA expression was analyzed using quantitative real time PCR (qPCR) with Livak relative quantification method. This study found that both KISS1 and TAC3 mRNA gene expressions were higher in PCOS than non-PCOS in both obese and non-obese women, while PDYN mRNA gene expression was lower in PCOS than non-PCOS in both obese and non-obese women. However, not all pair of groups had statistically significant differences. Nevertheless, the result of this study suggests that KISS1, TAC3, and PDYN mRNA gene expressions in peripheral blood are related with PCOS and obesity."

"Ekspresi gen sintentik gag HIV-1 subtipe CRF01_AE dalam E. coli BL21 dan E. coli BL21-CP telah dilakukan. Gen gag merupakan salah satu gen pada HIV-1 yang tidak mengalami mutasi secara signifikan sehingga gen tersebut dapat digunakan untuk pengembangan vaksin yang dapat dimanfaatkan dalam jangka waktu yang panjang. Pengembangan vaksin HIV membutuhkan protein Gag untuk digunakan sebagai antigen yang mampu merespon pembentukan antibodi pada hewan uji coba. Protein Gag didapatkan dengan cara melakukan ekspresi gen gag yang telah diklon ke dalam vektor ekspresi pQE-81L, dan ditransformasi ke dalam bakteri E. coli BL21 dan E. coli BL21-CP. Ekspresi dilakukan dengan tiga faktor optimasi yaitu, suhu, konsentrasi isopropyl-β-D-thiogalactopyranoside (IPTG) dan waktu ekspresi setelah induksi dilakukan. Analisis hasil ekspresi dilakukan dengan SDS-PAGE dan menunjukkan tidak ada protein Gag yang dihasilkan pada semua keadaan optimasi yang dilakukan. Kegagalan ekspresi gen gag pada E. coli BL21 dan E. coli BL21-CP disebabkan oleh peristiwa kodon bias, dan pemilihan sel inang ekspresi yang kurang tepat.

---

Expression of gag gene on HIV-1 subtype CRF01_AE in E. coli BL21 and E. coli BL21-CP had been conducted. Gag gene on HIV-1 is one of the genes that can?t be significantly mutated, so it can be utilized for long term vaccines development. HIV vaccine development requires Gag protein as antigen in order to response antibody formation in animal experiment. Gag protein was obtained by gag gene expression that had been cloned into expression vector pQE-81L and transformed into E. coli BL21 and E. coli BL21-CP. Expression of the gag gene as optimized by temperature, isopropyl-β-D-thiogalactopyranoside (IPTG) concentration, and expression time after IPTG induction. The expression was analyzed by SDS-PAGE and it showed no protein produced in all optimization conditions. The failure of gag gene expression in E. coli BL21 and E. coli BL21-CP caused by codon ray and inappropriate host cell."

"

Analisis triclustering merupakan pengembangan dari analisis clustering dan biclustering. Analisis triclustering bertujuan mengelompokkan data tiga dimensi secara simultan yang menghasilkan submatriks dinamakan tricluster. Pendekatan yang digunakan dalam analisis triclustering di antaranya adalah pendekatan berdasarkan greedy dan pattern. Salah satu contoh pendekatan analisis triclustering berdasarkan greedy adalah metode  Î´ – Trimax. Sedangkan salah satu contoh analisis triclustering berdasarkan pattern adalah metode Timesvector. Metode δ – Trimax bertujuan menghasilkan tricluster yang memiliki mean square residual kecil dari threshold  dengan volume data tricluster yang maksimal. Metode Timesvector bertujuan mengelompokkan matriks data yang menunjukkan pola yang sama atau berbeda pada data tiga dimensi. Implementasi metode  Î´ – Trimax dan metode Timesvector pada penelitian ini dilakukan pada data ekspresi gen pasien penderita penyakit periodontitis. Ekspresi gen diukur pada 14 titik kondisi dan 4 titik waktu. Berdasarkan beberapa skenario yang telah diterapkan, metode Î´ – Trimax memberikan hasil terbaik pada saat menerapkan skenario dengan nilai threshold =0,0028564 dan =1,25 dengan jumlah tricluster yang dihasilkan adalah 260 tricluster. Dari 260 tricluster tersebut, dipilih tricluster ke-216 yang dianalisis dengan menggunakan metode Timesvector. Hasil tricluster yang diperoleh dapat menambah wawasan bagi ahli medis dalam memberikan periodontal treatment kepada pasien penderita periodontitis berikutnya.

---

Triclustering analysis is the development of clustering and biclustering. Triclustering analysis aims to group three-dimensional data simultaneously, forming the initial subspace known as a tricluster. It utilizes two main approaches that are greedy-based and pattern-based approaches, exemplified by the δ – Trimax and Timesvector methods, respectively. The δ – Trimax method aims for triclusters with smaller mean square residuals than the threshold δ, while Timesvector groups data matrices with similar or different patterns. In a study on periodontitis patients gene expression data, comprising 14 condition points and 4 time points, both methods were implemented. The δ – Trimax method yielded optimal results under specific conditions (δ = 0.0028564, λ = 1.25), producing 260 triclusters. Among these, the 216th tricluster was selected for further analysis using the Timesvector method. The insights gained from these triclusters can enhance periodontal treatment strategies for patients with subsequent periodontitis, providing valuable guidance to medical experts.

 

"

"Latar Belakang: Partikel mirip logam telah terdeteksi pada apusan mukosa peri-implan dari sampel klinis yang menderita peri-implantitis maupun sample yang tidzak menderita peri-implantitis dengan menggunakan sitologi eksfoliatif sel epitel dan makrofag. Ion metal titanium yang sudah terlepas dari ikatannya akan menginduksi kejadian dan reaksi biologis yang menyebabkan hilangnya stabilitas biologis dan meningkatnya osteolisis lokal di sekitar implan gigi. Penelitian in vitro menunjukkan bahwa peningkatan ekspresi sitokin inflamasi dan aktivasi osteoklas terjadi ketika ion titanium hadir. Berdasarkan penelitian yang dilakukan sebelumnya, diketahui terdapat perbedaan signifikan dari hasil polimorfisme gen CXCR2 antara pasien dengan peri-implantitis dan pasien control. Namun, kemampuan ekspresi gen CXCR2 pasien sehat pengguna Implan Gigi masih belum ditentukan. Tujuan: Menganalisis ekspresi gen pada pasien pengguna implan gigi dibandingkan dengan individu sehat yang tidak menggunakan implant gigi. Metode:Sampel RNA pasien pengguna implan (n=9), dan sample pasien control non-pengguna (n=9) diperoleh dan disimpan di Laboratorium Oral Biologi  Fakultas Kedokteran Gigi Universitas Indonesia. Kemudian, dilakukan esktraksi RNA, sintesis cDNA dan pengecekan konsentrasi sampel hasil sintesis cDNA. Selanjutnya, ekspresi gen CXCR2 dan gen referensi GAPDH diuji dengan quantitative reverse-transcription PCR (RT-qPCR). Hasil: Tidak   terdapat perbedaan bermakna ekspresi gen CXCR2, antara pasien pengguna implant gigi dan pasien yang tidak menggunakan implant gigi (p≥0,05). Kesimpulan: Tidak terdapat perbedaan bermakna secara statistik antara perbedaan ekspresi gen CXCR2 pada

---

Background: Exfoliative cytology of epithelial cells and macrophages has been used to identify metal-like particles in peri-implant mucosal smears from clinical samples with and without peri-implantitis. Free titanium ions cause biological processes and reactions that result in localized osteolysis surrounding dental implants and a loss of biological stability. In vitro studies have shown that inflammatory cytokine expression and osteoclast activation increase when titanium ions are present. Based on previous studies, it is known that there are significant differences in the results of CXCR2 gene polymorphisms between patients with peri-implantitis and control patients. However, the expression ability of the CXCR2 gene in healthy patients using dental implant has not been determined.

Objective: To analyze gene expression in patients with dental implants compared to healthy individuals who do not use dental implants.

Methods: RNA samples from implant users (n=9), and non-user control patient samples (n=9) were obtained and stored at the Oral Biology Laboratory, Faculty of Dentistry, University of Indonesia. Then, RNA extraction, cDNA synthesis was carried out and checking the concentration of the cDNA synthesized samples. Next, the expression of the CXCR2 gene and the GAPDH reference gene were tested by quantitative reverse-transcription PCR (RT-qPCR).

Results: There was no significant difference in CXCR2 gene expression between patients with implants. Conclusion: There is no statistically significant difference between differences in gene expression in dental implant users and non-users."

"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."