bio inform a tika

Bioinformatika

Monica Dwi Hartanti

2

MATERI

• Latar Belakang• Konsep Dasar Biologi Molekuler• Teknik Bioinformatika• Area Bioinformatika• Aplikasi• Teknologi Terkait Komputer

3

Latar Belakang

4

2000• Peristiwa besar terjadi – merubah sejarah manusia

• Kerjasama Ingris dan Amerika

• Pertandingan – siapa yang pertama menyelesaikan

• GENOM MANUSIA – HUMAN GENOME PROJECT

5

MASA DEPAN......

• Sebuah virus menimbulkan epidemik

• Ahli genetik dan bioinformatika bekerja

• Materi genetik virus dibandingkan dengan data dasar

materi genetik virus lain yang telah ada

• Karakteristik virus lain telah diketahui

• Dari program materi genetik komputer akan muncul

protein yang dibutuhkan virus untuk bertahan hidup

• Ketika protein (sikuens dan struktur) diketahui, terapi /

obat – obatan dirancang

6

Definisi • Gabungan ilmu komputer dan biologi molekuler

– Algoritma dan teknik ilmu komputer digunakan untuk

menyelesaikan masalah bidang biologi molekuler

• Teknologi informasi digunakan pada manajemen

dan analisis data biologi

– Penyimpanan dan Analisis – dua fungsi terpenting –

ahli bioinformatika membuat alat

7

Biologi Kimia

StatistikIlmu

Komputer

Bioinformatics

8

Definisi

• Masa sekarang : masa Teknologi Informasi• Penyimpanan data bukan hal baru• Informasi sebanyak kamus Dorlan tersimpan dalam

setiap sel• ‘Bioinformatika mencoba menentukan info mana

yang penting secara biologi’

9

Konsep Dasar Biologi Molekuler

10

DNA dan Gen

• DNA : tempat menyimpanan informasi genetik

• Penampilan manusia diturunkan oleh DNA

• Gen – Unit dasar penurunan sifat

– Terdapat gen untuk karakteristik (gen untuk rambut, dll)

• Gen berisi informasi berupa sikuens nukleotida

• Gen : konsep abstrak

• Gen terbuat dari nukleotida

12

Nucleotida (nt)• Setiap nt :

– Gula pentosa

– Fosfat

– Basa

• Basa nt : membedakan satu nt dengan yang lain

• Ada4 macam basa

• G(uanine),A(denine),T(hymine),C(ytosine)

• Informasi : urutan nukleotida

• Gen dapat tersusun atas beribu-ribu nt

• Set lengkap instruksi genetik : genom

13

Kromosom

• Pita DNA : kromosom• Analogi

– Huruf – nt– Kalimat – gen– Tiap volume kamus/ ensiklopedia - kromosom– Seluruh volume – Genom

14

Untai Ganda• DNA : untai ganda

• Setiap pita memiliki informasi komplementer

• Setiap basa tertentu pada satu pita berikatan dengan basa

tertentu lain pada pita yang lain

– G - C

– A - T

• Misal :

– AATGC satu pita

– TTACG satu pita

15

Protein• Protein sangat penting pda

kehidupan• Asam amino menyusun protein• 20 macam asam amino• Fungsi protein tergantung pada urutan

asam amino

16

Protein…• Informasi dibutuhkan untuk membuat asam

amino yang disimpan dalam DNA• Sikuens DNA menentukan sikuens asam amino• Sikuens asam amino menentukan struktur

protein• Struktur protein menentukan fungsi protein• RNA digunakan untuk membawa informasi

yang terdapat dalam DNA – protein• Penyimpanan – DNA • Transfer informasi – RNA• RNA : tukang pos!

M.Alroy Mascrenghe 17

Dogma Sentral

DNA transcription RNA Translation Protein RNA Polymerase Ribosomes


Protein…..• Karena ada 20 asam amino : satu nt

tidak dapat terdiri dari 1 atau 2 aa• 3 kode – kodon – informasi protein• Kodon yang tidak berhubungan dengan

protein : kodon stop – UAA, UAG, UGA (RNA :

U bukan T)

• Beberapa kodon : kodon awal – AUG : metionin

20

Struktur Protein • Menunjukkan beragam bentuk : kebalikan dengan

struktur DNA uniform• X-ray crystallography atau Nuclear Magnetic

Resonance (NMR) digunkan untuk mengetahui struktur

• Struktur terkait fungsi : struktur menentukan fungsi

• Walaupun protein dibuat sebagai struktur linier rantai aa, mereka melipat menjadi struktur 3 D

• Jika dibentangkan dan ditinggalkan – kembali pada struktur awal (naturalisasi struktur protein)

• Hanya dalam struktur natural : protein berfungsi baik

• Bahkan setelah translasi selesai, struktur protein mengalami perubahan

21

Ekspresi Gen• Proses transkripsi DNA dan translasi RNA untuk

membuat protein

• Dimana gen mulai pada kromosom?

• Bagaimana RNA mengidentifikasi awal gen untuk

membuat protein

• Nt tunggal tidak bisa : sering muncul

• Kombinasi tertentu nt bisa

• Sikuens promoter – urutan nt : tanda awal dari gen

22

Teknik Bioinformatika

23

Prediksi dan Pengenalan Bentuk / Pola

• Dua area utama :• Pengenalan Pola

– ‘Sikuens atau struktur tertentu telah diketahui sebelumnya’ dan merupakan karakteristik tertentu dapat berhubungan dengannya

• Prediksi– Dari sikuens (tahu) – prediksi

struktur dan fungsi (belum tahu)

24

Dot plots….

• Cara mudah evaluasi kesamaan antar dua sikuens

• Grafik : satu sikuens di satu sisi, sikuens lain di sisi lainnya

• COCOK : tandai

26

Alignments• Kecocokan antara karakter dua / lebih sikuens• Misal :

– TTACTATA– TAGATA

• Banyak cara untuk meratakan 2 sikuens tersebut– 1.

• TTACTATA• TAGATA

– 2.• TTACTATA• TAGATA

– 3.• TTACTATA• TAGATA

• Pilih yang mana dan berdasarkan apa?• Solusi : nilai cocok dan nilai tidak cocok

27

Alignments

28

Gap

• Memakai gap dan nilai pinalti untuk gap• Tidak semua gap jelek

– TTGCAATCT– CAA– Bagaimana meratakan?– ---CAA---– Tidak signifikan

29

Matriks Nilai

• Untuk perataan sikuens DNA/protein : matriks• Jika A dan A : nilai 1• Jika A dan T : nilai -5• Jika A dan C : nilai -1

30

Dynamic Programming

• Panjang sikuens bertambah dan perbedaan panjang antara dua sikuens juga bertambah – lebih banyak gap yang harus dimasukkan dalam beragam posisi

• Tidak mungkin melakukan pencarian• Ledakan kombinasi muncul – terlalu banyak kombinasi yang

perlu dicari• Dynamic programming : cara menggunakan formulasi

spekulasi untuk mencari pola yang paling menentukan


Database• Informasi sikuens disimpan dalam

database• Dapat dimanipulasi dengan mudah• db terletak pada tempat yang

berbeda• Saling bertukar informasi setiap

hari : up-to-date dan sinkron• Db utama – data sikuens

DB Primer UtamaNucleic Acid ProteinEMBL (Europe) PIR -

Protein Information Resource

GenBank (USA) MIPSDDBJ (Japan) SWISS-PROT

University of Geneva, now with EBITrEMBLA supplement to SWISS-PROTNRL-3D

34

Composite DB

• Banyak db – mana yang dipakai? Kelebihan dan kekurangan

• Composite db – beberapa db sebagai database• Pencarian diindex dan lebih efisien – sikuens yang

sama tidak dicari dua kali pada db yang berbeda

35

Composite DB• OWL memiliki db primer mereka

– SWISS PROT (prioritas atas)– PIR– GenBank– NRL-3D

36

DB Sekunder

• Menyimpan informasi struktur sekunder atau hasil pencarian db primer

Compo DB Primary Source

PROSITE SWISS-PROT

PRINTS OWL

37

Pencarian Database• Gen telah disikuens dan diidentifikasi.

Diketahui apa yang mereka lakukan• Sikuens disimpan pada database• Jika menemukan gen baru pada genom

manusia, dibandingkan dengan gen yang telah ditemukan (tersimpan pada database)

• Karena ada banyak databas, tidak dapat dilakukan perataan sikuens untuk setiap sikuens

• Formulasi spekulasi harus digunakan lagi


Area dalam Bioinformatika…

39

Genomik

• Struktur multiseluler – setiap tipe sel mengekspresikan gen

dengan jalan yang berbeda – walaupun setiap sel memiliki

genetik yang sama

• Misal : semua informasi untuk sel hepar untuk menjadi sel

hepar juga ada pada sel hidung – hanya ekspresi gen yang

berdeferensiasi

40

Genomik – Menemukan Gen• Gen pada data sikuens – jarum dalam tumpukan

jerami• Jarum berbeda dengan tumpukan jerami – tidak

berbeda dengan seluruh data sikuens• Apakah seluruh data nt yang harus ditemukan dan

menandai sebuah set nt sebagai gen ?• Satu tantangan bidang bioinformatika

Organism Genome Size (Mb) bp * 1,000,000

Gene Number

Web Site

Yeast 13.5 6,241 http://genome-www.stanford.edu/Saccharomyces

Fruit Flies 180 13,601 http://flybase.bio.indiana.edu

Homo Sapiens

3,000 45,000 http://www.ncbi.nlm.nih.gov/genome/guide

42

Proteomik

• Proteome : jumalh total protein organisme• Lebih sulit daripada genomik

– 4 20– Terbuat dari kemikal sederhana kompleks– Dapat duplikasi tidak dapat

• Memasuki ‘post era genom’• Artinya : banyak yang telah dilakukan pada Gen

43

Proteomik…..• Hubungan antara RNA dan protein yang dikodenya biasanya sangat

berbeda

• Setelah translasi, protein berubah

– Sikuens aa tidak memberikan informasi tentang perubahan post

translasi

• Protein tidak aktif sampai mereka dikombinasikan menjadi kompleks

yang lebih besar atau berpindah pada lokasi tertentu di dalam atau di

luar sel

• Aa hanya petunjuk untuk hal tersebut

• Protein harus dipelihara lebih hati – hati di lab ----- cenderung berubah

saat bersentuhan dengan material yang tidak sesuai

44

Prediksi Struktur Protein

• Tantangan terbesar bioinformatika, terutama biokimia

• Tidak ada algoritma yang secara konsisten memprediksi struktur protein

45

Metode Prediksi Struktur

• Comparative Modeling– Struktur protein target dibandingkan dengan

protein yang berhubungan– Protein dengan sikuens yang sma dicari

strukturnya

46

Phylogenetics• Sistem taksonomi mencerminkan hubungan evolusi• Pohon phylogenetics : sistem yang mencerminkan hubungan

evolusi melalui gambar / grafik• Pohon yang berakar – tempat satu – satunya nenek moyang• Pohon yang tidak berakar – menunjukkan hubungan• Rekonstruksi algoritma pohon phylogenetic – area penelitian

47

Phylogenetics

48

Aplikasi….

49

Implikasi Medis• Farmakogenomik

– Tidak semua obat bekerja pada pasien, beberapa menimbulkan kematian

– Analisis gen sebelum terapi – obat tersebut dapat dihindari– Obat yang paling sering menimbulkan kematian – penggunaan

minimal untuk orang dengan gen yang paling cocok (sukarela)• Terapi Gen

– Menggantikan atau menyediakan gen yang defek atau yang hilang– Misal : Insulin dan Faktor VII atau Hemofilia

• Senjata Biologis (?????)

50

Diagnosis Penyakit• Diagnosis penyakit

– Identifikasi gen yang menyebabkan penyakit dapat membantu mendeteksi dini penyakit - Huntington disease

• Gejala – gerakan seperti menari yang tidak terkontrol, gangguan mental, perubahan personaliti dan kegagalan intelektual

• Kematian pada 10-15 tahun• Gen diidentifikasikan• Berisi CAG berulang yang berlebihan• Terdeteksi : pasangan dapat dikonseling

51

Desain Obat

• Dapat mencapai 15 tahun dan $700 juta• Satu tujuan bioinformatika : mengurangi

waktu dan biaya• Proses

– Penemuan• Metode Komputer dapat memperbaiki hal tersebut

– Percobaan

52

Penemuan

Identifikasi Target– Identifikasi molekul yang dibutuhkan oleh kuman untuk

bertahn hidup– Ciptakan molekul lain (obat) yang akan berikatan dengan

target– Kuman tidak dapat berinteraksi dengan target– Biasanya protein

53

Penemuan...

• Misal : HIV memproduksi HIV protease – protein yang akan “memakan” protein lain

• HIV protease memiliki situs aktif yang berikatan dengan molekul lain

• Obat HIV akan berikatan pada situs aktif tersebut– Teori gampang, praktek ????

54

Penemuan…

• Lead compounds : molekul yang berikatan dengan situs aktif protein

• Biasanya – metode trial and error • Saat ini : dipindahkan dalam komputer

55

Teknologi Terkait Komputer………….

56

PERL

• Perl – kalkulasi bioinformatika – mampu memanipulasi simbol karakter

• Default : bahasa CGI• Awal : bahasa draft – berkembang menjadi bahasa

lengkap• IT adalah segalanya, bahkan ada web service support• http://bio.perl.org

57

PERL

58

Tempat XML & Web Services• Beragam bahasa penanda telah diciptakan – Gene Markup language, dsb –

untuk mempresentasikan sikuens / data gen• Web Services – program untuk interaksi program, membuat pusat aplikasi

web• Jadi memiliki landasan bahasa tersendiri yang independen• Protokol seperti SOAP – membantu • Bioinformatika : beragam database digunakan, landasan yang berbeda,

bahasa yang berbeda, dsb• Jadi, web services membantu mencapai kemandirian landasan dan

interaksi program• Sikuens database ada dalam beragam format, landasan SOAP juga

membantu menyamakan

59

GRID• GRID – metode baru• Menggunakan banyak komputer

untuk memenuhi tugas - tugas komputasi tunggal

• Bioinformatika – landasan ideal – berhubungan dengan sejumlah besar data pada perataan dan pencarian

• E-science dibuat di Inggris• ORACLE 10g – database GRID pertama

60

Data base dan Mining

• Banyak sikuens database dipublikasi• DB menyangkut beragam data, teknik mining

digunakan untuk mengambil data• Banyak literatur – artikel dsb – pada area ini, data

mining pada literatur – tidak pada data sikuens ----- Topik Disertasi

61

European Molecular Biology Network (EMBnet)

• Sistem sentral untuk berbagi, training, dan sentralisasi up to date bio info

• Beberapa situsEMBnet sites :• SQENET

– http://www.seqnet.dl.ac.uk• UCL

– http://www.biochem.ucl.ac.uk/bsm/dbbrowser/embnet/• EBI – European Bioinformatics Institute

– www.ebi.ac.uk

http://www.seqnet.dl.ac.uk/

http://www.biochem.ucl.ac.uk/bsm/dbbrowser/embnet/

http://www.ebi.ac.uk/

Kesimpulan

63

Terima Kasih

bio inform a tika

Documents