Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKProtein memiliki peranan penting dalam mengontrol fungsi enzim, mengatur produksi dan aktivitas di dalam sel. Untuk melakukan hal ini, protein berinteraksi dengan protein-protein lainnya, DNA dan molekul-molekul lainnya. Jaringan interaksi protein-protein ini memiliki ukuran yang sangat besar. Sehingga untuk memudahkan dalam menganalisis jaringan ini diperlukan metode clustering. Pada penelitian ini, algoritma Markov clustering digabungkan dengan algoritma firefly yang disebut sebagai algoritma firefly-Markov clustering FMCL . Pada algoritma FMCL, posisi kunang-kunang akan menggantikan nilai parameter inflate. Kemudian proses clustering akan berlangsung menggunakan algoritma Markov clustering MCL . Selanjutnya posisi kunang-kunang akan terus diperbarui dan proses clustering akan terus dilakukan sampai diperoleh hasil clustering terbaik. Komputasi paralel pada algoritma FMCL menggunakan OpenMP. Setiap thread menjalankan proses pada Markov clustering menggunakan parameter inflate yang ditentukan oleh posisi kunang-kunangnya. Hasil yang diperoleh pada data jaringan interaksi protein HIV ada 4 cluster. Dari 4 cluster ini terdapat satu cluster besar yang saling terhubung dengan 6 pusat cluster lainnya yaitu NEF, GAG, GAG-POL, VPR, VIF dan VPU. Pada 3 cluster lainnya yang menjadi pusat cluster adalah TAT, REV dan ENV. Sedangkan dengan menggunakan data jaringan interaksi protein pada Human Herpesvirus tipe 4 HHV-4 diperoleh 14 cluster. Protein yang menjadi pusat cluster adalah EBNA-LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2-BBLF3, EBNA3B, BRLF1, BGLF4, BYRF1. Selain itu, juga dapat dilihat bahwa ada beberapa cluster yang hanya merupakan interaksi antara dua protein yaitu BBRF1 dengan NFKB2, EBNA3A dengan CHEK2, LMP2A dengan ITCH, dan EBNA3C dengan EP300. Speed up algoritma FMCL yang dijalankan menggunakan OpenMP pada data HIV dan HHV-4 adalah 4.73x dan 3.21x lebih cepat dibandingkan dengan algoritma FMCL yang dijalankan secara sekuensial.

---

ABSTRACTProtein plays an important role in controlling enzyme function, regulating production and activity in cell. To do this function, proteins will interact with other protein, DNA and other molecules. Protein interaction network have a very large size. Then to simplify analyzing this network is required clustering method. In this study, Markov clustering algorithm combined with a firefly algorithm called firefly Markov clustering algorithm FMCL . In FMCL algorithm, firefly position will be replace the value of inflate parameter. Then clustering process will take place using Markov clustering algorithm MCL . Futhermore, the firefly position will be updated and clustering process will be continue until its get the best clustering. Parallel computing on FMCL algorithm using OpenMP. Each thread will run the process on Markov clustering by using inflate parameter specified by the position of firefly. The clustering result from protein interaction network on HIV is 4 clusters. From this cluster, there is a large cluster connected with 6 other cluster centers, they are NEF, GAG, GAG POL, VPR, VIF and VPU. In the 3 other clusters that become the center of the cluster are TAT, REV and ENV. While by using protein interaction network on HHV 4 obtained 14 clusters. The proteins that become the center of the clusters are EBNA LP, BKRF1, BPLF1, LMP1, SUMO2, BBLF2 BBLF3, EBNA3B, BRLF1, BGLF4 and BYRF1. In addition, it can be seen that there are several clusters that are just interaction between two proteins, BBRF1 with NFKB2, EBNA3A with CHECK2, LMP2A with ITCH and EBNA3C with EP300. The speed up of FMCL algorithm by using OpenMP HIV and HHV 4 data is 4.73x and 3.21x faster than the sequentially executed."

"ABSTRAKAlgoritma Markov Clustering adalah algoritma pengelompokan yang banyak digunakan pada bidang bioinformatik. Operasi utama pada algoritma ini adalah operasi ekspansi. Pada operasi ekspansi dilakukan perkalian dua buah matriks. Karena data pada bidang bioinformatik umumnya berukuran sangat besar dan memiliki tingkat sparsity yang sangat tinggi, diperlukan metode untuk menghemat penggunaan memori dan mempercepat proses komputasi. Sementara itu, Graphics Processing Unit (GPU) berkembang menjadi suatu platform komputasi paralel dengan performa yang lebih baik dari pada Central Processing Unit (CPU). Pada skripsi ini data yang diproses disimpan dalam bentuk sparse matriks ELL-R dan perkalian matriks yang dilakukan menggunakan Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R dibuat dengan melakukan Sparse Matrix Vector Product (SpMV) ELL-R beberapa kali. Algoritma MCL yang dibuat menggunakan komputasi paralel dengan GPU.

---

ABSTRACTMarkov Clustering Algorithm is a clustering algorithm that used often in bioinformatics. The main operation of this algorithm is expand operation. The multiplication of two matrix was done in expand operation. Because data processed in bioinformatics usually have a vast amount of information and have high sparsity, a method to save memory usage and make the computating process faster is needed. Meanwhile, Graphics Processing Unit (GPU) developed into a parallel computing platform with better performance compared to Central Processing Unit (CPU). In this skripsi, processed data stored using ELL-R sparse matrix and matrix multiplication done using Sparse Matrix Matrix Product (SpMM) ELL-R. SpMM ELL-R made by doing Sparse Matrix Vector Product (SpMV) ELL-R several times. MCL Algorithm made using parallel computing with GPU."

"ABSTRAKSkizofrenia telah diderita oleh lebih dari 21 juta orang di seluruh dunia. Masalahgenetik dan lingkungan menjadi salah satu faktor yang berkontribusi dalamperkembangan penyakit ini. Beberapa penelitian menunjukkan beberapa gen yangberhubungan dapat meningkatkan risiko penyakit ini. Gen-gen kandidat yangdiperoleh dari beberapa penelitian ternyata membentuk sebuah jaringan besar padainteraksi tingkat proteinnya. Oleh karena itu, perlu dilakukan studi terhadapjaringan interaksi protein dari gen kandidat. Algoritma Regularized MarkovClustering (RMCL) adalah salah satu metode graph clustering yang merupakanpengembangan dari algoritma Markov Clustering (MCL). Dalam skripsi ini,dibahas mengenai implementasi algoritma RMCL pada data jaringan interaksiprotein gen-gen kandidat faktor risiko skizofrenia yang dibangun menggunakanbahasa pemrograman R. Simulasi algoritma RMCL dilakukan dengan parameterpenggelembungan berbeda-beda. Kemudian, hasil simulasi algoritma RMCLdibandingkan dengan hasil simulasi algoritma MCL dengan parameter yang sama.Algoritma RMCL memberikan hasil dalam bentuk overlapping cluster, hal inimenunjukkan keterikatan antar cluster yang terbentuk. Sehingga, berdasarkanhasil simulasi algoritma RMCL, terdapat hubungan antar cluster protein daribeberapa gen kandidat, salah satunya adalah hubungan gen NRG1 dan CACNG2.

---

ABSTRACTSchizophrenia has been suffered by over 21 million people worldwide. Geneticand environmental issues are one of the contributing factors in the development ofthis disease. Some research suggests that several related genes may increase therisk of this disease. Candidate genes that obtained from several research turns up alarge network of protein-protein interaction. Therefore, it is necessary to study theprotein-protein interaction network of the candidate gene. Regularized MarkovClustering Algorithm (RMCL) is a graph clustering method which is thedevelopment of Markov Clustering Algorithm (MCL). This minithesis discussedabout implementation of the RMCL algorithm on protein-protein interactionnetworks on schizophrenia?s risk factors candidate genes data that is built using aprogramming language R. RMCL algorithm simulation performed with differentinflation parameters. Then, the results of the RMCL algorithm simulationcompared with MCL algorithm simulation with the same parameters. RMCLalgorithm provides results in the form of overlapping clusters, which mean thereare relation between clusters. Thus, based on the results of RMCL algorithmsimulation, there are relation between protein clusters of several candidate genes,one of which is the relationship of gene NRG1 and CACNG2."

"ABSTRAKAlgoritma Regularized Markov Clustering RMCL adalah suatu metode graf clustering yang merupakan pengembangan dari Markov Clustering MCL . Algoritma RMCL masih memiliki kelemahan pada parameter penggelembungan yang biasanya selalu diinputkan oleh pengguna untuk mendapatkan hasil clustering yang baik. Pada penelitian ini, RMCL digabungkan dengan algoritma Firefly untuk menganalisis jaringan interaksi protein yang disebut algoritma Firefly Regularized Markov Clustering FRMCL . Algoritma Firefly merupakan algoritma yang terinspirasi dari perilaku kunang-kunang dalam mencari koloninya. Implementasi algoritma FRMCL dilakukan pada data jaringan interaksi protein HIV-1 dan Human Herpesvirus 1. Data yang digunakan direpresentasikan ke dalam sebuah graf tak-berarah . Selanjutnya, posisi kunang-kunang pada algoritma firefly akan berperan sebagai parameter penggelembungan. Setiap firefly akan melakukan proses RMCL, sehingga diperoleh beberapa hasil RMCL dengan parameter berbeda. Setiap proses RMCL memberikan nilai global chaos, yang dipilih adalah global chaos minimum yang akan dijadikan best firefly, kemudian akan dilakukan proses perhitungan kembali. Posisi firefly baru ini selanjutnya bertindak sebagai parameter penggelembungan yang baru dan dilakukan proses FRMCL berlanjut hingga diperoleh cluster terbaik. Komputasi paralel akan digunakan saat setiap firefly menjalankan proses FRMCL dengan bahasa pemrograman OpenMP. Berdasarkan hasil simulasi yang dilakukan, diperoleh 14 cluster untuk data Human Herpesvirus 1 dan 4 cluster untuk data HIV-1. Sedangkan proses paralel yang dilakukan pada kedua data PPI tersebut diperoleh running time dan speed up yang menunjukkan komputasi paralel menggunakan 8 thread diperoleh 3,66x dan 4,51x lebih cepat dibandingkan dengan komputasi sekuensial.

---

ABSTRACTRegularized Markov Clustering RMCL algorithm is a clustering graph method which is the development of Markov Clustering MCL . The RMCL algorithm still has weaknesses on inflate parameters that are usually always input by the user to get best clustering results. In this research, RMCL combined with the Firefly algorithm to analyze a protein interaction network called the Firefly Regularized Markov Clustering FRMCL algorithm. The Firefly algorithm is an algorithm that is inspired by the behavior of fireflies looking for their colonies. Implementation of the FRMCL algorithm was carried out on the data network of HIV 1 protein interactions and Human Herpesvirus 1. The data used to be represented in an undirected graph G. Then, firefly position on the firefly algorithm will act as an inflate parameter. Every firefly will perform the RMCL process, and then obtained some RMCL results with different parameters. Each RMCL process give generated from global chaos, which will be selected minimum global chaos which will be the best firefly, it will be processed back again. This new firefly position will act as a new inflate parameter and perform the FRMCL process until to produce the best clusters. Parallel computations will be used when each firefly runs the FRMCL process with the programming language using OpenMP. Based on the results of the simulation, 14 clusters are obtained for Human Herpesvirus 1 and 4 cluster data for HIV 1 data. The parallel processing performed on both PPI data is due to running time and speed shows 3,66x and 4,51x parallel computing using 8 thread which faster than sequential computing."

"Tesis ini membahas pengelompokan virus-virus influenza A. Virus influenza A adalah virus RNA yang berbahaya, karena memiliki kemampuan mutasi yang tinggi dan menyebabkan wabah di beberapa negara. Dengan kemajuan bioinformatika, virus-virus dapat dikelompokkan dengan menganalisis sekuens-sekuens protein dari virus-virus tersebut. Markov clustering (MCL) telah diaplikasikan dengan baik pada bioinformatika, seperti; mengelompokkan jaringan-jaringan antara protein yang satu dengan yang lain, jaringan kemiripan antar protein, dan penentuan keluarga protein. Tujuan penelitian ini adalah mengelompokkan virus-virus influenza A berdasarkan protein hemaglutinin (HA) menggunakan algoritma Markov clustering (MCL) dan program menggunakan perangkat lunak Octave berbasis open source. Simulasi program menggunakan tiga buah faktor penggelembungan yang berbeda, yaitu; r = 1.5, r = 2.0, dan r = 2.5. Pengelompokan virus-virus influenza A menghasilkan dua kelompok. Kelompok pertama dengan pusat kelompoknya A/duck/Jiangsu/115/2011(H4N2) dan kelompok kedua dengan pusat kelompoknya A/duck/Victoria/0305-2/2012 (H5N3). Struktur pengelompokan virus-virus influenza A berdasarkan sekuens protein hemaglutinin (HA) yang diperoleh dengan menggunakan algoritma Markov clustering (MCL) mempunyai kemiripan struktur dengan struktur pengelompokan protein hemaglutinin (HA), dengan demikian pengelompokan virus-virus influenza A dapat mengacu pada pengelompokan keluarga protein hemaglutinin (HA).

---

The focus of this study is the clustering of influenza A viruses. Influenza A virus is an RNA virus that is dangerous, because it has a high mutation capability and caused outbreaks in several countries. With the development of bioinformatics, the viruses can be clustered by analyzing the protein sequences of these viruses. Markov clustering (MCL) has been very well applied to bioinformatics, such as to cluster protein-protein interactions (PPI) networks, determine the similarity between the protein network, and determine the protein families.

The aim of this study is to cluster influenza A viruses based on hemagglutinin protein (HA) using Markov clustering (MCL) and programs using software Octave which based on open source. The simulation of program using three different inflation factors, ie; r = 1.5, r = 2.0 and r = 2.5.

Clustering of influenza A viruses resulted in two clusters. The center of the first cluster is A / duck / Jiangsu / 115/2011 (H4N2) and the center of the second cluster is A / duck / Victoria / 0305-2 / 2012 (H5N3). Clustering structure of influenza A viruses using Markov clustering (MCL) have the similar structure with clustering structure of the hemaglutinin protein (HA), thus clustering of influenza A viruses can refer to the clustering of hemagglutinin proteins (HA) families."