IMPLEMENTASI PENSEJAJARAN GLOBAL SEKUENS DNA MENGGUNAKAN GSA TREE

Transkripsi

1 IMPLEMENTASI PENSEJAJARAN GLOBAL SEKUENS DNA MENGGUNAKAN GSA TREE Nama Mahasiswa : MOCHAMAD SAFI I NRP : Jurusan : Matematika FMIPA-ITS Pembimbing : Prof. DR. Mohammad Isa Irawan, MT. Abstrak Pada Tugas Akhir ini diselidiki masalah pensejajaran global pasangan sekuens DNA. Metode ini terdiri dari 3 bagian: (1) algoritma pensejajaran sederhana, (2) algoritma ekstension untuk substring umum terpanjang, (3) Graphical Simple Alignment Tree (GSA tree) menggunakan penelusuran post-order traversal. Pendekatan pertama mendapatkan sebuah representasi grafis dari skor sekuens DNA dengan persamaan skor R 0 R S 0 S Σ(a+bk). Selanjutnya GSA tree akan dibangun untuk menyelesaikan masalah pensejajaran global pasangan sekuens DNA. Untuk Proses validasi digunakan tools EMBOSS pairwise alignment. Pengujian penggunaan parameter gap opening (a=10) dan gap extension (b=0.5) lebih baik dari pada penggunaan parameter gap opening (a=15) dan gap extension (b=1), dengan syarat parameter match R=9 dan mismatch S=1. Kata-kunci: Pairwise Alignment, Pensejajaran Global, Post-order traversal, Struktur Data Tree. 1. Pendahuluan Bioinformatika adalah ilmu yang mempelajari penerapan teknik komputasional untuk mengelola dan menganalisis informasi biologis dengan menerapkan beberapa cabang ilmu lain. Bidang ini mencakup penerapan metodemetode matematika, statistika, dan informatika. Informasi biologi tersebut adalah tentang sekuens DNA, RNA dan Protein. Salah satu cara untuk menganalisis informasi tersebut adalah melalui pensejajaran sekuens (sequence alignment). Sequence alignment juga penting dalam ilmu bioinformatika karena dapat digunakan untuk penelitian penyakit genetik dan epidemi. Misalnya, sequence alignment dapat digunakan untuk menentukan asal, variasi, perkembangan epidemi, untuk menemukan virus dan bakteri penyebab penyakit bahkan dapat digunakan sebagai metode penemuan obat [6]. Oleh karena itu, sequence alignment sangat penting di bidang bioinformatika karena berfungsi sebagai metode prediktif yang kuat. Metode alignment yang berbasis program dinamik pertama kali di usulkan oleh Needleman dan Wunsch yang dikenal dengan algoritma NW (Nedleman-Wunsch). Algoritma ini tidak praktis untuk perhitungan sekuens yang besar karena membutuhkan biaya komputasional yang mahal [1, 3]. Kemudian muncul algoritma heuristik yang lebih cepat dari metode berbasis program dinamik. Dalam penelitian ini akan digunakan pendekatan heuristik untuk mensejajarkan 2 sekuens DNA dengan metode struktur data tree. Metode ini terdiri dari 3 bagian(1) algoritma improved simple alignment, (2) algoritma ekstension untuk substring umum terpanjang, (3) Graphical Simple Alignment Tree (GSA tree) menggunakan penelusuran post-order traversal. Implementasi pada penelitian ini dibuat dalam bahasa pemrograman java. Pemilihan bahasa pemrograman java untuk implementasi pensejajaran global sekuens DNA punya satu alasan yaitu pertimbangan hak cipta intelektual. Sebagaimana diketahui compiler java dengan Netbeans 6.9 merupakan free open source software (FOSS). Berdasarkan latar belakang yang ada, maka rumusan masalah dari tugas akhir ini adalah (1) Bagaimana mengimplementasikan metode struktur data tree pada pensejajaran global sekuens DNA, (2) Bagaimana hasil similaritas, gaps dan skor Pensejajaran Global struktur data tree bila dibandingkan dengan tools EMBOSS pairwise alignment. Batasan masalah dari tugas akhir ini adalah: (1) Data DNA diambil dari Gen Bank, (2) Bahasa pemrograman yang digunakan dalam implementasi penelitian adalah bahasa pemrograman java, (3) Ukuran sekuens maksimal tiga belas ribu base pair. Tujuan dari penelitian ini adalah untuk menghasilkan program yang dapat menentukan hasil pensejajaran global meliputi kesamaan, gaps, dan skor dari 2 sekuens DNA secara akurat menggunakan struktur data tree.

2 2. Dasar Teori 2.1. Pensejajaran Sekuens DNA adalah rantai double utama dari molekul sederhana yang disebut nukleotida diikat bersama sama dalam sebuah struktur helix yang dikenal sebagai double helix. DNA mempunyai peran sebagai materi genetik yang menyimpan cetak biru segala aktivitas sel. Nukleotidanukleotida dibedakan oleh basa nitrogen yang terdiri dari 4 macam yaitu: Adenosin, Sitosin, Guanin dan Timin. Base pairs adalah satuan umum untuk mengukur panjang DNA. DNA bisa ditentukan secara unix dengan mendaftar sekuens-sekuens nukleotida atau pasangan basa oleh karena itu untuk tujuan praktis DNA diabstraksikan sebagai teks panjang dengan 4 abjad masing-masing mewakili nukleotida yang berbeda A, C, T, dan G [1]. Pensejajaran antara dua sekuens adalah mencari pasangan kecocokan antar karakter pada setiap sekuens. Pensejajaran dari nukleotida atau sekuens asam amino sebenarnya sebagai salah satu penggambaran hubungan evolusi antara 2 atau lebih sekuens homologs (sekuens yang berasal dari nenek moyang yang sama) [2]. Tiga macam perubahan yang dapat terjadi di sebarang posisi dalam sekuens. (1) mutasi yang mengganti karakter dengan yang lain, (2) insersi yang menambah satu atau lebih posisi atau (3) delesi yang menghapus satu atau lebih posisi Persamaan Penskoran berdasarkan matriks Penskoran Pensejajaran terbaik sangat bergantung pada persamaan penskoran dan parameter-parameter penskoran yang digunakan, yaitu bagaimana memberikan skor pada setiap kecocokan, ketidakcocokan dan gap. Matriks skoring dalam pensejajaran sekuens DNA ini relatif sederhana, yaitu setiap kecocokan ditandai dengan skor R positif (R > 0). Selanjutnya ketidakcocokan ditandai dengan skor S positif (S > 0). tetapi skor S harus dikurangi dari skor total pada sebuah pensejajaran. Untuk gaps dalam hal ini dibedakan menjadi dua yaitu gap open (a) dan gap ekstension (b). Biaya untuk gap open lebih besar daripada biaya untuk gap extension (a > b) [4]. Terdapat cara untuk menghitung biaya penalty untuk sebuah gaps pada n posisi adalah a + (n 1) b, dimana a adalah gaps open penalty dan b adalah gaps extension penalty. Misalkan k = (n 1), maka persamaan penskoran R 0 R S 0 S Σ(a + bk), dengan R adalah skor untuk setiap kecocokan, S skor untuk setiap ketidakcocokan dan (a + bk) adalah skor setiap gaps, parameter R 0 dan S 0 masing-masing menunjukkan menunjukkan jumlah total kecocokan dan jumlah total ketidakcocokan [3] Algoritma Improved simple alignment Misalkan terdapat dua sekuens primer DNA: G 1 (g 1 g 2 g 3... g M ) dan G 2 (g 1 g 2 g 3... g N ), dimana M dan N masing-masing menunjukkan panjang dari G 1 dan G 2. Algoritma ini membangun semua kemungkinan pensejajaran 2 Gambar 1: Proses improved simple alignment (Panjang G 1 adalah M. Panjang G 2 adalah N dan M N ) tanpa spasi diantara sekuens. Gambar 1 menunjukkan proses improved simple alignment. Step (1) pada gambar 3 menunjukkan pensejajaran awal yang posisi base pertama G 1 overlaps pada base pertama G 2. selanjutnya proses sliding selesai masing-masing sepanjang arah kiri dan kanan. Pertama, anggap proses sliding selesai sepanjang arah kanan yang ditunjukkan di step (2). setiap pensejajaran punya sebuah skor dengan persamaan skoring R 0 R S 0 S (a + bk). kemudian skor S i menjadi skor pada step ke-i. Selanjutnya S max adalah skor tertinggi dibandingkan dengan semua skor(contoh, S max = max{s 1, S 2,..., S i 1 }, i > 1). Untuk setiap step, masih mendefinisikan skor lain yakni S i = R 0 R + S 0 R (a+bk). Dalam persamaan skoring di asumsikan semua basis yang cocok overlapped dengan yang lain, proses sliding berhenti ketika S max S i. Langkah-langkah yang tersisa selanjutnya di sepanjang arah kanan tidak perlu karena semua langkah-langkah yang tersisa tidak memiliki kesempatan untuk mendapatkan skor yang lebih tinggi. Kemudian anggap proses sliding selesai sepanjang arah kiri. Skor tertinggi dengan semua skor dengan semua skor S max adalah max{s max, S 1, S 2,..., S j 1 }(J > 1). Persamaan skor S j = R 0 R + S 0 S (a + bk). Proses sliding berhenti ketika S max S j Algoritma Perluasan untuk Substring Umum Terpanjang. Dengan algoritma pensejajaran sederhana R yang baik dari G 1 dan G 2 ditentukan saat skor pensejajaran sederhana menghasilkan nilai yang maksimum. Misalkan C adalah substring umum terpanjang di R, dengan C = φ {C 1, C 2, C 3,..., C m }. Jika C = φ, maka tidak terdapat substring terpanjang di R. Jika C = C 1, C 2, C 3,..., C m, maka terdapat m substring terpanjang di R. Dengan C 1 = C 2 =... = C m = k dan k menunjukkan banyaknya kecocokan pada substring terpanjang. Algoritma perluasan untuk substring umum terpanjang adalah sebagai

3 berikut [3]: 1. Misalkan K adalah panjang dari substring umum terpanjang di G 1 dan G 2. Nilainya didapatkan saat algoritma pensejajaran sederhana dilakukan pada sekuens G 1 dan G 2 2. Ketika k = K, tidak ada substring terpanjang C i pada R yang dapat diperluas menjadi substring terpanjang. Substring terpanjang di R adalah C 1, C 2,..., C m 3. Ketika k < K, terdapat paling sedikit sebuah substring yang lebih panjang dari C i.terdapat beberapa sub-step untuk mencari substring yang lebih panjang, yaitu : a. Misalkan L l adalah banyaknya ketidakcocokan (mismatches) dari ujung kanan C i 1 sampai ujung kiri C i. Saat i = 1, L l menunjukkan banyaknya mismatches dari ujung kiri G 1 dan G 2 sampai ujung kiri C 1. Demikian juga sebaliknya, Misalkan L r adalah banyaknya mismatches dari ujung kanan C i sampai ujung kiri C i+1. Saat i = 1, L r menunjukkan banyaknya mismatches dari ujung kanan C 1 sampai ujung kanan pada G 1 dan G 2 b. Ketika K < L l, K yang mismatches diekstrak dari kiri pada C i. Sebaliknya jika K L l, L l yang mismatches diekstrak dari kiri pada C i. Sama ketika K < L r, K yang mismatches diekstrak dari kanan pada C i. Sebaliknya jika K L r, L r yang mismatches diekstrak dari kanan pada C i. Kemudian sekuens diekstrak dari kiri pada C i, C i dan dari kanan C i dihubungkan dua sub-sekuens Si 1 dan S2 i. c. Selanjutnya, diterapkan algoritma pensejajaran sederhana untuk Si 1 dan Si 2. Jika terdapat substring umum baru yang lebih panjang dalam Si 1 dan Si 2 daripada C i, terdapat pilihan substring umum yang lebih panjang atau C i. Jika ada kenaikan tajam(sore) saat substring lebih panjang yang baru menjadi ada, maka C i asli akan diganti dengan substring baru yang juga disebut sebagai C i. 4. Sehingga setiap C i pada R, C i asli digantikan oleh substring umum terpanjang baru, jika substring baru ada Akan diberikan contoh praktis untuk menjelaskan step diatas. Terdapat 2 sekuens acak misalkan : G 1 (GCCTAGTTCCCCCA) dan G 2 (GCCTCGCATCCCCCA). Dengan algoritma pensejajaran sederhana, pensejajaran R yang baik di G 1 dan G 2 dapat ditentukan, dimana pensejajaran R adalah : GCCTAGTTCCCCCA GCCTCGCATCCCCCA Substring umum terpanjang C pada R adalah GCCT (C 1 ) dan CCCC (C 2 ). Namun, substring umum terpanjang pada G 1 dan G 2 adalah TCC- CCCA dengan panjang K adalah 7. Jelas, bahwa terdapat sedikitnya sebuah substring umum yang lebih panjang daripada GCCT atau GCCC. Untuk GCCT, dua subsekuens baru masing-masing GCCTAGTTC (S1) 1 dan GCCTCGCAT (S1). 2 karena tidak terdapat kenaikan tajam sunstring umum asli GCCT (C 1 ) tidak berubah. Untuk CCCC, dua subsekuens baru masing-masing AGTTCCCCCA (S2) 1 dan CGCATCCCCCA (S2) 2 Karena terdapat kenaikan tajam, substring umum asli CCCC C 2 diganti dengan substring umum yang terpanjang TCCCCCA. Untuk tambahan, algoritma extension untuk substring umum terpanjang melindungi substsring umum yang lebih panjang C i Dari pemotongan oleh C i. Sekarang diberikan U adalah substring yang dipisahkan oleh C i, dimana U = φ{u 1, U 2,..., U n }. Selanjutnya, String G 1 dan G 2 disejajarkan kedalam 2 tipe substring: (i) substring umum terpanjang C dengan kecocokan berlanjut : G 1 [i] = G 2 [i] (tentunya, kecocokan tunggal juga diizinkan) dan (ii)substring U dengan ketidakcocokan berlanjut G 1 [i] = G 2 [i] dan keduanya tanpa gap. Pensejajaran sederhana yang baik R pada G 1 dan G 2 ini secara bergantian di atur oleh C dan U (contoh R = C1, 1 U2 1, C3, 1 U4 1, dimana C1 1 = C3. 1 Disini superscript pada C atau U menunjukkan level sunpensejajaran. superscript 1 menunjukkan level pertama. Subscript menunjukkan indeks substring di subpensejajaran saat ini. pensejajaran R adalah hasil pada level pertama subpensejajaran). Untuk menjelaskan parameter diatas, diberikan contoh praktis. terdapat 2 sekuens acak:g 1 (GCCTAGTTCCCCCA) dan G 2 (GCCTCGCATCCCCCA). G 1 [i] = G 2 [i] masingmasing menunjukkan basis pada G 1 dan G 2. menjadi kecocokan ketika G 1 [i] = G 2 [i]. dengan algoritma pensejajaran sederhana, pensejajaran sederhana R yang baik pada G 1 dan G 2 dapat ditentukan. Pensejajaran R adalah GCCTAGTTCCCCCA GCCTCGCATCCCCCA Algoritma extension substring umum yang terpanjang C pada R adalah GCCT dan TCCCCCA. selanjutnya G 1 dan G 2 diatur oleh C kedalam 3 substring: C1 1 adalah GCCT, U2 1 AGT dan CGCA, C3 1 adalah TCCC- CCA Graphical Simple Alignment Tree (GSA tree) Diberikan sekuens G 1 dan G 2, sebuah GSA tree dibangun dengan algoritma pensejajaran sederhana dan algoritma perluasan untuk substring umum terpanjang. Diberikan R sebagai pensejajaran sederhana yang baik dari G 1 dan G 2. Misalkan Ci 1 dan Uj 1 substring umum terpanjang dari R. Dapat dilihat bahwa substring terpanjang Ci 1 dari R menunjukkan skor maksimal untuk pensejajaran global. Tetapi, Uj 1 dari R menyediakan sebuah kenaikan skor pada pensejajaran global jika diberikan gaps yang sesuai dengan Uj 1, walaupun skor U j 1 lebih rendah dalam level pertama sub-alignment. Berikut langkahlangkah dari algoritma GSA tree [3]:

4 1. Hitung skor dari semua pensejajaran sederhana dari Uj 1 menggunakan algoritma pensejajaran sederhana. Sebuah pensejajaran sederhana yang baik Rj 1 pada U j 1 dipilih ketika skor nya maksimal 2. Jika terdapat kenaikan skor karena gaps yang sesuai dalam Uj 1, U j 1 dibagi menjadi sub-alignment level kedua. Misalkan Ci 2 sebagai substring terpanjang dari Rj 1, dimana C2 i = φ {Ci+1 2, C2 i+2, C2 i+3,..., C2 i+m }. Kemudian ada 2 sub tahap : a. jika Ci 2 = {Ci+1 2, C2 i+2, C2 i+3,..., C2 i+m }, terdapat m substring umum terpanjang. Kemudian Uj 1 dibagi menjadi sub-alignment level kedua dengan Ci 2. Diberikan U j 2 adalah substring yang terpisah oleh Ci 2, dimana U j 2 = φ {Uj+1 2, U j+2 2, U j+3 2,..., U j+m 2 }. Kemudian setiap substring Ci+k 2 (k = 1, 2,..., n) dari C2 i menjadi node daun dalam GSA tree. Untuk setiap substring Uj+k 2 (k = 1, 2,..., n) dari U j 2, arah operasi kembali ke tahap 1. b. Jika Ci 2 = φ, maka tidak ada substring terpanjang di Rj 1. Kemudian U j 1 tidak bisa dipecah lagi. Sebuah pensejajaran sederhana Rj 1 yang baik dari Uj 1 menjadi node daun di GSA tree. Dua sekuens dari Rj 1 mungkin seluruhnya overlapping atau sebagian overlapping. Ketika dua sekuens dari Rj 1 seluruhnya overlapping maka tidak terdapat gap dalam Rj 1. Sebaliknya ujung yang menggantung dari overlap menjadi gaps dari Rj 1. Posisi relatif dari gaps ini tidak ditentukan, dan menjadi gap-gap dalam pensejajaran global akhir Gambar 2: Notasi untuk general trees. Node P adalah parent dari node V, S 1 dan S 2. Selanjutnya V, S 1 dan S 2 adalah anak dari P. Node R dan P adalah ancestors dari V. V, S 1 dan S 2 disebut siblings Kunjungan pada general tree Jenis-jenis kunjungan pada general tree adalah postorder dan preorder. Kunjungan preorder pada general tree dilakukan dengan mengunjungi root pada tree kemudian mengunjungi subtree dari ujung kiri ke kanan. Kunjungan postorder merupakan kunjungan yang dilakukan mulai dari node-node turunan pada subtree kiri ke kanan, kemudian root. Kunjungan Inorder tidak mempunyai definisi murni pada general tree, karena tidak terdapat jumlah anak tertentu untuk sebuah node dalam. namun dari definisi sembarang yakni mengunjungi subtree paling kiri di inorder, root, kemudian mengunjungi subtree yang tersisa. Kunjungan preorder pada pohon di gambar Tahap-tahap diatas berulang sampai semua U dalam level terakhir sub-alignment tidak bisa dibentuk oleh algoritma pensejajaran sederhana dan algoritma perluasan untuk substring umum terpanjang General tree Tree T adalah himpunan berhingga dari satu atau lebih node, misalkan sebuah node R, disebut root T jika himpunan (T R) tidak kosong, node ini dipartisi menjadi T 0, T 1, T 2,..., T n 1 subset terpisah. Setiap T n adalah tree dengan root-root R 1, R 2, R 3,..., R n yang masing masing adalah anak dari R. Subset T i (0 i < n) disebut subtree dari T. Subtree ini tersusun dalam T i sebelum T j jika i < j. Dengan aturan, subtree yang disusun dari kiri ke kanan dengan subtree T 0 disebut anak paling kiri dari R [5]. Setiap node dalam tree mempunyai tepat satu parent, kecuali node root yang tidak mempunyai parent. Dapat dikatakan bahwa tree dengan n node akan mempunyai (n 1) edges. Karena setiap node, selain root mempunyai sebuah edge yang menghubungkan node ke parent nya [5]. Di gambar 2 menunjukkan contoh dari general tree 4 Gambar 3: Contoh general tree 3 adalah RACDEBF. sedangkan kunjungan postorder adalah CDEAF BR Implementasi Dinamis Left-Child/Right-Sibling Impelementasi left-child/right-sibling menyimpan jumlah pointer yang tetap untuk setiap nodenya. Ini dapat dengan mudah diadaptasi untuk implementasi dinamis. Pada dasarnya kita ganti sebuah binari tree untuk general tree. Anak kiri dari binari tree adalah anak kiri pertama dalam general tree, sedangkan anak kanan binari tree adalah sibling kanan pada general tree [5]. Implementasi pada gambar 4 hanya membutuhkan 2 pointer per node. Karena setiap node dari general tree berisi sejumlah pointer tetap dan karena masing-masing fungsi ADT pohon umum sekarang dapat diimplementasikan secara

5 Gambar 4: implementasi dinamis left-child/right-sibling efisien. Implementasi dinamis leftchild-rightsibling lebih disukai daripada implementasi general tree lainnya Pensejajaran global berdasarkan GSA tree FASTA dari GenBank (Sebuah repositori gratis yang menyediakan informasi DNA dari seluruh makhluk hidup). Informasi masukan adalah nukleotida (DNA). dalam kasus ini setelah informasi sekuens diberikan aplikasi akan otomatis dapat mengenali tipe DNA atau bukan. Dan sistem dapat meload data dalam bentuk FASTA, format FASTA dapat dilihat pada gambar 7. Format FASTA diawali dengan 1 baris deskripsi diikuti dengan baris data sekuens. Baris deskripsi dipisahkan dari data urutan dengan simbol ( > ). Kata setelah simbol > adalah identifier dari sekuens, dan sisanya yang dipisahkan oleh spasi berupa keterangan. 2. Memproses sekuens. Aktor pengguna memproses dua sekuens pada aplikasi. User memilih nilai-nilai parameter kecocokan, ketidakcocokan, gap opening, dan gap extension. Kemudian user menekan tombol proses yang akan mengirim 2 sekuens untuk disejajarkan dengan algoritma GSA tree. 3. Lihat hasil pensejajaran. Aktor pengguna menginginkan melihat hasil dari pensejajaran dalam bentuk grafis yang berupa similaritas, gaps, dan skor serta letak gap dari kedua sekuens DNA. Gambar 5: contoh GSA tree Dari contoh GSA tree pada gambar 5, dapat dilihat bahwa ada 2 tipe dari node yaitu node dalam (inner node) dan node daun (leaf node). Node dalam terdiri dari substring U yang bisa dipecah menjadi beberapa substring. Node daun termasuk substring C dan U. Dimana U tidak bisa lebih dipecah lagi dengan GSA tree. Untuk mendapatkan pensejajaran global dari string G 1 dan G 2 menggunakan post order traversal. Kemudian semua node-node dalam dihapus dari hasil post order traversal, selanjutnya akan dicapai pensejajaran global dari string G 1 dan G 2. Contoh hasil post order traversal dari gambar 5 adalah C1U C2U C3U C2U C5U C4U C7C 2 3U U8 2 U5 1 C6. 1 Kemudian dengan menghapus node dalam di dapat pensejajaran global G 1 dan G 2 C1U C2C 3 3C 2 2U C5C 2 4U C7C 2 3U C6. 1 Gambar 6: Use case Diagram 3. Perancangan dan Implementasi Sistem 3.1. Use Case Diagram Dalam sub bab ini akan dijelasakan diagram use case untuk sistem pensejajaran sekuens DNA dengan GSA tree. Dari identifikasi permasalahan sebuah aktor ditentukan. Sistem hanya mempunyai satu aktor yaitu pengguna yang akan melakukan pensejajaran sekuens DNA. Dari gambar 6 terlihat 3 use case yaitu : 1. Input sekuens. Aktor pengguna memasukkan informasi berupa sekuens DNA ke dalam aplikasi. Input data dapat berupa sekuens DNA yang berbentuk teks atau juga dapat juga membaca format data berupa 5 Gambar 7: Sekuens dengan format FASTA 3.2. Class diagram Class diagram keseluruhan dari sistem ditunjukkan pada gambar 8. Terdapat 16 class yang masing-masing mempunyai fungsi tersendiri. Proses pensejajaran sekuens DNA pertama kali dilakukan pada kelas Frameutama kemudian di cek di kelas Controller kemudian jika data valid maka proses selanjutnya berada di kelas ModelGSAtree yang akan memproses 3 algoritma yaitu algoritma improved simple alignment, algoritma Extension, dan GSA

6 tree. Setelah dari kelas ModelGSAtree kemudian di kembalikan lagi ke kelas FrameUtama melalui interface ListenerMUtama. Gambar 9: Rancangan Antar Muka Form Pensejajaran Gambar 8: Class diagram 3.3. Perancangan Antar Muka Sistem Desain antarmuka sistem melihat dari tools emboss dikarenakan tools emboss sudah sangat dikenal oleh khalayak ramai khususnya peneliti yang biasa mensejajarkan sekuens DNA, sehingga bila orang lain memakai tools GSA tree ini tidak terlalu kesulitan walaupun ada perbedaan dalam penentuan penskoran yang di emboss dan di GSA tree Implementasi Algoritma GSA tree 1 p u b l i c void g s a t r e e ( S t r i n g G1, S t r i n g G2) { 2 i n t i =0; l e v e l =0; 3 runwaktu ( ) ; // c a t a t waktu mulai 4 i f ( i ==0){ 5 i n s e r t r o o t b a r u (G1, G2) ; 6 } 7 do{ 8 tahap1gsa (G1, G2) ; 9 i f (!C. isempty ( ) ) { 10 i n s e r t t r e e ( ) ; 11 t r e e. u b a h p o s i s i r o o t ( ) ; 12 // j i k a G1 dan G2 sama 13 i f (G1. e q u a l s ( t r e e. getcurr ( ). value ( ). getg1 ( ) ) && G2. e q u a l s ( t r e e. getcurr ( ). value ( ). getg2 ( ) ) ) { 14 break ; 15 } 16 G1=t r e e. getcurr ( ). value ( ). getg1 ( ) ; 17 G2= t r e e. getcurr ( ). value ( ). getg2 ( ) ; 18 } e l s e { // C kosong ukuran U=1, U t i d a k dapat dipecah 19 // U1 l e b i h panjang d a r i U2 20 i f (U1. get ( 0 ). trim ( ). l e n g t h ( )>U2. get ( 0 ). trim ( ). l e n g t h ( ) ) { 21 i n t s e l i s i h=u1. get ( 0 ). trim ( ). l e n g t h ( ) U2. get ( 0 ). trim ( ). l e n g t h ( ) ; 22 S t r i n g lama=u2. get ( 0 ) ; S t r i n g tambah= ; 23 f o r ( i n t j =0; j<s e l i s i h ; j++){ 24 tambah+= ; // tambahkan gap 25 } 26 U2. s e t ( 0, lama+tambah ) ; 27 } 28 //U2 l e b i h panjang d a r i U1 29 i f (U2. get ( 0 ). trim ( ). l e n g t h ( )>U1. get ( 0 ). trim ( ). l e n g t h ( ) ) { 30 i n t s e l i s i h=u2. get ( 0 ). trim ( ). l e n g t h ( ) U1. get ( 0 ). trim ( ). l e n g t h ( ) ; 31 S t r i n g lama = U1. get ( 0 ). trim ( ) ; S t r i n g tambah= ; 32 f o r ( i n t j =0; j<s e l i s i h ; j++){ 33 tambah+= ; // tambahkan gap 34 } 35 U1. s e t ( 0, lama+tambah ) ; 36 } 37 sekuens= new Sekuens ( ) ; 38 sekuens. setg1 (U1. get ( 0 ) ) ; 39 sekuens. setg2 (U2. get ( 0 ) ) ; 40 t r e e. UpdateU (U1. get ( 0 ), U2. get ( 0 ) ) ; // update i s i node 41 t r e e. u b a h p o s i s i r o o t 2 ( ) ; // c a r i r o o t s e l a n j u t n y a 42 G1=t r e e. getcurr ( ). value ( ). getg1 ( ) ; 43 G2= t r e e. getcurr ( ). value ( ). getg2 ( ) ; 44 } 45 c l e a r ( ) ; 46 } w h i l e ( t r e e. getcurr ( ). parent ( )!= n u l l ) ; 47 // lakukan sampai rootawal parentnya n u l l 48 stopwaktu ( ) ; // c a t a t waktu s e l e s a i 6

7 49 tampil ( ) ; 50 } Gambar 10: Kode Program Algoritma GSA tree 4. Uji Coba dan Pembahasan pada bab ini akan dibahas mengenai uji coba proses dan uji coba program yang telah diimplementasikan sebelumnya. perangkat keras yang digunakan dalam uji coba adalah komputer dengan Processor Intel Pentium Dual Core 2,16 GHz, Memory DDRAM 1 GB, Hardisk 120 GB, VGA on Board 256 MB. Sedangkan perangkat lunak yang digunakan adalah Sistem Operasi Linux UBUNTU 10.10, dan bahasa pemrograman Java serta IDE NETBEANS 6.9. Terdapat 2 sekuens DNA G 1 dan G 2 masing-masing : G 1 =AATCACACAGATCTAACAGGATTATTTC G 2 =TATTACACAAATCTTAACAGGACTATTTC parameter gapopening=15 dan gapextension=1. Panjang masing-masing 28 bp dan 29 bp. Hasil dari improved simple alignment didapatkan skor maksimum 127 dengan pensejajaran R : -AATCACACAGATCTAACAGGATTATTTC TATTACACAAATCTTAACAGGACTATTTC Tabel 1: Semua Substring dan skor maksimal Level Parent Substring SM level 1 G 1, G 2 U1 1 (G 1)=AATCACACAGATC 72 U1 1 (G 2)=TATTACACAAATCT C2 1 (G 1) = C2 1 (G 2)=TAACAGGA 72 U3 1 (G 1)=TTATTTC 53 U3 1 (G 2)=CTATTTC level 2 U1 1 (G 1) U1 2 (G 1)=AATC 16 U1 1 (G 2) U1 2 (G 2)=TATT C2 2 (G 1) = C2 2 (G 2)=ACACA 45 U3 2 (G 1)=GATC 11 U3 2 (G 2)=AATCT U3 1 (G 1) U4 2 (G 1)=T -1 U3 1 (G 2) U4 2 (G 2)=C C5 2 (G 1) = C5 2 (G 2)=TATTTC 54 level 3 U1 2 (G 1) U1 3 (G 1)=A -1 U1 2 (G 2) U1 3 (G 2)=T C2 3 (G 1) = C2 3 (G 2)=AT 18 U3 3 (G 1)=C -1 U3 3 (G 2)=T U3 2 (G 1) U4 3 (G 1)=G -1 U3 2 (G 2) U4 3 (G 2)=A C5 3 (G 1) = C2 3 (G 2)=ATC 27 U6 3 (G 1)= U6 3 (G 2)=T Keterangan : Substring umum terpanjang C di R adalah C 1 =TAACAGGA dengan k=8. substring umum terpanjang di G 1 dan G 2 adalah TAACAGGA dengan K=8. String G 1 dan G 2 Selanjutnya di algoritma extension. karena k=k maka tidak ada substring umum yang lebih panjang maka C tetap tidak berubah. Berikut adalah tabel data semua substring dan skor maksimum dari setiap step pensejajaran ditiap level yang dapat dilihat pada tabel 1, Sedangkan representasi bentuk tree nya dapat dilihat pada gambar 11. Pada gambar 11 terlihat bahwa string G 1 dan G 2 terdiri dari 3 substring di level pertama sub-pensejajaran yaitu: U1 1 C2U Substring U1 1 terdiri dari 3 substring di level kedua sub-pensejajaran yaitu: U1 2 C2U Substring U3 1 terdiri dari 2 substring di level kedua sub-pensejajaran yaitu: U1 2 C2. 2 Substring 2 terdiri dari 3 substring di level ketiga sub-pensejajaran yaitu:u1 3 C2U Substring U3 2 terdiri dari 3 substring di level ketiga sub-pensejajaran yaitu: U4 3 C5U Sehingga Hasil pensejajaran globalnya adalah: U1 3 C2U C2U C5U C2U C5. 2 Hasil dalam program GSA tree dapat dilihat pada gambar 12. Panjang didapatkan dari panjang sekuens masing-masing ditambah dengan gap yang ada di masing-masing sekuens. Presentase similaritas (similarity) didapatkan dari jumlah kecocokan dibagi dengan panjang. Sedangkan presentase gaps didapatkan dari jumlah gaps dibagi dengan panjang. Skor 7 U 2 1 U 3 1 C 3 2 U 3 3 U 1 1 C 2 2 U 2 3 C 1 2 U 1 3 U 3 4 C 3 5 U 3 6 U 2 4 C 2 5 Gambar 11: GSA tree dalam mensejajarkan sekuens G 1 dan G 2 (G 1, AATCACACAGATCTAACAGGATTATTTC; G 2, TATTA- CACAAATCTTAACAGGACTATTTC)

8 Gambar 12: Hasil Pensejajaran contoh 3 program GSA tree Tabel 2: Tabel Hasil Percobaan I Program Parameter Percobaan (I) GSA tree a=15 length: 7526 b=1 similarity: 4220 (56.07) % gaps: 618 (8.21) % skor: GSA tree a=10 length: 7859 b=0.5 similarity:4551 (57.9) % gaps: 1284 (16.337) % skor: Jemboss a=10 length: 8266 b=0.5 similarity:4696 (56.8) % gaps: 2098 (25.4) % skor: didapatkan dari hasil penskoran R 0 R S 0 S (a + bk). Lamanya waktu didapatkan dari selisih antara waktu selesai dengan waktu mulai. Untuk Percobaan pertama (I) Data sekuens yang diambil dari Gen bank adalah NC sebagai Human papillomavirus type 134, complete genome dan NC sebagai Human papillomavirus type 132, complete genome. Sedangkan untuk percobaan kedua (II) adalah NC sebagai Necator americanus mitochondrion, complete genome dan NC sebagai Ancylostoma duodenale mitochondrion, complete genome. Percobaan pada program GSA tree dilakukan dengan menggunakan parameter match=9 dan mismatch=1 sedangkan gap open (a) yang digunakan adalah 15 dan 10 sedangkan gap extension (b) yang digunakan adalah 1 dan 0.5. Selanjutnya untuk Jemboss dilakukan dengan menggunakan setting default dari EMBOSS (Needle) yaitu Matrix: DNAfull, gap open=10 dan gap extend=0.5. Hasil pada percobaan pertama dapat dilihat pada 2. Sedangkan hasil pada percobaan kedua dapat dilihat pada 3 Dari percobaan 1 menunjukkan bahwa tingkat similaritas GSA tree dengan gap open=10 dan gap extend=0.5 yaitu sebesar 57.9 % mendekati dengan hasil pada tools emboss sebesar 56.8 %. Sedangkan dari percobaan 2 dengan gap open=10 dan gap extend=0.5 sebesar (82.05) % mendekati dengan hasil pada tools Jemboss sebesar (83.1)%. Sedangkan pada percobaan II Jemboss tidak dapat mensejajarkan sekuens 8 Tabel 3: Tabel Hasil percobaan II Program Parameter Percobaan (II) GSA tree a=15 length: b=1 similarity: (81.6) % gaps: 398 (2.87) % skor: GSA tree a=10 length: b=0.5 similarity:11457 (82.05) % gaps: 600 (4.297) % skor: Jemboss a=10 Died: Sequences too big. b=0.5 EMBOSS a=10 length: b=0.5 similarity:11620 (83.1) % gaps: 648 (4.6) % skor: dikarenakan data terlalu besar yang berarti memori yang digunakan harus lebih besar daripada memori yang terdapat pada komputer. Dari hasil simiritas pada percobaan II menunjukkan bahwa terdapat selisih presentase yang kecil bila dibandingkan dengan EMBOSS (needle) untuk gap open=15 dan gap extend=1 selisih presentase sebesar ( ) %= 1.5 % sedangkan untuk gap open=10 dan gap extend=0.5 selisih presentase sebesar ( ) %= 1.05 %. Selanjutnya dilakukan perbandingan menggunakan sekuens yang kecil untuk mengamati letak perbedaan gap antara Jemboss (needle) dengan GSA tree. Sekuens pertama (G 1) dengan kode accession GY sebagai Sequence 32 from patent US dan sekuens kedua (G 2) dengan kode accession GY sebagai Sequence 33 from patent US G 1(ACCGAGCACCCAGGTAGGCGTGACGACCTCCAG) dan G 2(CTGGAGGTCGTCCGCGGTACCTGGGTGCTCGTT) dengan menggunakan persamaan skor R 0 R S 0 S (a+bk), dengan parameter R = 9, S = 1, a = 15, dan b = 1. Hasil pensejajaran global dari algoritma GSA tree sebagai berikut: Program: GSA tree Mulai: Jul 8, :54:17 AM Selesai: Jul 8, :54:17 AM Lamanya waktu: detik ======================================= 1: 2: Match: 9 Mismatch: 1 Gap_open: 15 Gap_extend: 1.0 length: 38 similarity: 16 ( ) % gaps: 10 ( ) % skor: 80.0

9 ======================================= ACCGAGCA---CCCAGGTAG--GCGTGACGACCTCCAG CTGGAGGTCGTCCGCGGTACCTGGGTG-----CTCGTT Selanjutnya digunakan parameter yang sama untuk match dan mismatch masing-masing R = 9 dan S = 1, sedangkan gap open (a=10) dan gap extension (b=15). Diperoleh hasil pensejajaran sebagai berikut : Program: GSA tree Mulai: Jul 8, :01:25 AM Selesai: Jul 8, :01:25 AM Lamanya waktu: detik ======================================= 1: 2: Match: 9 Mismatch: 1 Gap_open: 10 Gap_extend: 0.5 length: 39 similarity: 18 ( ) % gaps: 12 ( ) % skor: 99.5 ======================================= ACCGAG--CACCCA-GGTA---GGCGTGACGACCTCCAG CTGGAGGTCGTCCGCGGTACCTGG-GTG-----CTCGTT Kemudian digunakan Jemboss untuk menghitung hasil dari pensejajaran menggunakan sekuens sama, dengan menggunakan matrik DNAfull, a=10 dan b=0.5. Didapatkan hasil sebagai berikut : ======================================= Aligned_sequences: 2 1: 2: Matrix: EDNAFULL Gap_penalty: 10.0 Extend_penalty: 0.5 Length: 48 Identity: 16/48 (33.3%) Similarity: 16/48 (33.3%) Gaps: 30/48 (62.5%) 9 Score: 19.5 ======================================= 1 ACCGAGCACCCAGGTAGG-CGTGACG----ACCTCCAG CTGG-AGGTCGT-CCGCGGTACCT---GGGTGCTCGTT Dari hasil terlihat bahwa pada Jemboss jumlah kecocokan sama dengan GSA tree dengan parameter a=15 dan b=1 sejumlah 16 tetapi menghasilkan jumlah gap berbeda masing-masing 30 dan 10 dengan similaritas pada Jemboss sebesar 33.3 % dan GSA tree sebesar 42.1 %. Selanjutnya dengan parameter a=10 dan b=0.5 pada GSA tree jumlah kecocokan sebanyak 18, jumlah gap 12, dan similaritasnya sebesar 46.5(%). Terlihat bahwa GSA tree dengan a=10 dan b=0.5 menghasilkan pensejajaran yang lebih optimal daripada GSA tree dengan a=15 dan b=1 maupun dengan Jemboss. 5. KESIMPULAN DAN SARAN 5.1. Kesimpulan 1. Pengujian penggunaan parameter gap opening (a=10) dan gap extension (b=0.5) lebih baik dari pada penggunaan parameter gap opening (a=15) dan gap extension (b=1), dengan syarat parameter match R=9 dan mismatch S=1. 2. Algoritma GSA tree yang menerapkan metode heuristik ini tidak selalu dapat menghasilkan pensejajaran global yang optimal hal ini dipengaruhi oleh inisialisasi awal pensejajaran sekuens dan pemilihan parameter. 3. Perbandingan similaritas antara GSA tree dan Jemboss tidak terlalu jauh tetapi kadang-kadang similaritas Jemboss bisa lebih besar daripada GSA tree tapi juga bisa Jemboss lebih kecil daripada GSA tree. 4. Untuk sekuens besar yang ukurannya ± bp Jemboss tidak dapat mensejajarkan sekuens sedangkan pada GSA tree dapat mensejajarkan Saran Berdasarkan hasil yang sudah dicapai pada penelitian ini, terdapat beberapa hal yang perlu dipertimbangkan untuk pengembangan penelitian ini, antara lain sebagai berikut : 1. Untuk penelitian selanjutnya penggunaan algoritma GSA tree dapat diterapkan tidak hanya pada sekuens DNA, melainkan dapat juga digunakan untuk protein. 2. Perlu dilakukan percobaan lebih untuk menentukan parameter-parameter yang lebih cocok dari parameterparameter yang digunakan untuk mendapatkan pensejajaran yang lebih optimal. 3. Untuk penelitian selanjutnya algoritma GSA tree tidak hanya terbatas pada pensejajaran 2 sekuens saja melainkan dapat digunakan pada pensejajaran lebih dari 2 sekuens (multiple alignment). 4. Untuk perhitungan biaya running time perlu dilakukan penelitian selanjutnya khususnya masalah perhitungan do-while.

10 References [1] Annibal, S. (2003). Sequence Alignment Algorithms. Advanced Computing. London: Department of Computer Science School of Physical Sciences and Engineering King s College. [2] Krane, D. E., & Raymer, M. L. (2003). Fundamental Concepts of Bioinformatics. San Francisco: Pearson Education, Inc. [3] Qi, Z.-H., Qi, X.-Q., & chen Liu, C. (2010). New method for global alignment of 2 dna sequences by the treedata structure. Theoretical Biology, 263, [4] Rosenberg, M. S. (2009). Sequence Alignment Methods Models Concepts and Strategies. London: University of California Press. [5] Shaffer, C. A. (2011). A Practical Introduction to Data Structure and Algoritma Analysis volume 3.1 of Java Version. Blacksburg: Department of Computer Science Virginia Tech. [6] Shen, S. N., & Tuszynski, J. A. (2008). Theory and Mathematical Methodes for Bioinformatics. San Francisco: Springer Vierlag. 10