II TINJAUAN PUSTAKA. Gambar 1. Proses pembentukan protein

Transkripsi

1 5 II TINJAUAN PUSTAKA 2.1 Srukur Proein Proein merupakan bagian yang sanga pening pada seiap makhluk hidup. Proses unuk mendapakan proein dinamakan dengan ranslasi. Seiap makhluk hidup memiliki kode geneik yaiu DNA (deoxyribonucleic acid) yang ersusun dari basa nirogen adenin (A), guanin (G), hymine (T) dan cyosine (C). Melalui proses ranskripsi, DNA ersebu diranskripsikan menjadi RNA (ribonucleic acid). RNA mengalami proses ranslasi unuk kemudian menghasilkan proein (Jones dan Pevzner 2004). Secara ringkas proses erbenuknya proein dapa diliha pada Gambar 1. ranskripsi ranslasi DNA RNA PROTEIN Gambar 1. Proses pembenukan proein Proein merupakan elemen dasar dari suau organisme yang dibenuk dari asam amino. Terdapa 20 asam amino dengan srukur kimia yang berbeda (Polanski dan Kimmel 2007). Susunan asam amino pembenuk proein dapa diliha pada Tabel 1. Asam amino ersebu erbenuk dari iga huruf (riple) dari kombinasi Asam Deoksirobosa (DNA) yang disebu dengan codon. Codon riple pembenuk proein dapa diliha pada Tabel 2. Sau proein proein erdiri aas sejumlah sekuens asam amino. Ilusrasi dari pembenukan sau proein berdasarkan sekuensnya dapa diliha pada Gambar 2.

2 6 DNA RNA Proein : TAC CGC GGC TAT TAC TGC CAG GAA GGA ACT : AUG GCG CCG AUA AUG ACG GUC CUU CCU UGA : Me Ala Pro Ile Me Thr Val Leu Pro Sop Gambar 2. Conoh uruan asam amino pembenuk suau proein Gambar 2 merupakan ilusrasi proses pembenukan proein mulai dari uruan sekuens DNA sampai dengan proses ranslasi yang dapa menghasilkan suau proein. Tabel 1. Asam amino, singkaan, simbol dan karakerisik Asam Amino Singkaan Simbol Karakerisik Alanine Ala A Nonpolar, hydrophobic Arginine Arg R Polar, hydrophilic Asparagine Asn N Polar, hydrophilic Asparic acid Asp D Polar, hydrophilic Cysein Cys C Polar, hydrophilic Gluamine Gln Q Polar, hydrophilic Gluamic acid Glu E Polar, hydrophilic Glycine Gly G Polar, hydrophilic Hisidine His H Polar, hydrophilic Isoleucine Ile I Nonpolar, hydrophobic Leucine Leu L Nonpolar, hydrophobic Lysine Lys K Polar, hydrophilic Mehionine Me M Nonpolar, hydrophobic Phenylalanine Phe F Nonpolar, hydrophobic Proline Pro P Nonpolar, hydrophobic Serine Ser S Polar, hydrophilic Threonine Thr T Polar, hydrophilic Trypophan Trp W Nonpolar, hydrophobic Tyrosine Tyr Y Polar, hydrophilic Valine Val V Nonpolar, hydrophobic

3 7 Tabel 2. Codon pembenuk proein U C A G UUU Phe UCU Ser UAU Tyr UGU Cys U UUC Phe UUA Leu UCC Ser UCA Ser UAC Tyr UAA Sop UGC Cys UGA Sop UUG Leu UCG Ser UAG Sop UGG Trp CUU Leu CCU Pro CAU His CGU Arg C CUC Leu CUA Leu CCC Pro CCA Pro CAC His CAA Gln CGC Arg CGA Arg CUG Leu CCG Pro CAG Gln CGG Arg AUU Ile ACU Thr AAU Asn AGU Ser A AUC Ile AUA Ile ACC Thr ACA Thr AAC Asn AAA Lys AGC Ser AGA Arg AUG Me ACG Thr AAG Lys AGG Arg GUU Val GCU Ala GAU Asp GGU Gly G GUC Val GUA Val GCC Ala GCA Ala GAC Asp GAA Glu GGC Gly GGA Gly GUG Val GCG Ala GAG Glu GGG Gly Srukur proein erdiri aas srukur primer, srukur sekunder dan srukur ersier ( Polanski dan Kimmel 2007). Srukur primer dari suau proein adalah rangkaian asam amino pembenuknya di sekiar ranai polipepida. Daabase Bioinformaics memiliki 3 x 10 6 aau sekuens asam amino dari proein. Srukur primer ini yang dibenuk dari hasil ranslasi DNA sampai menjadi codon. Hormon merupakan conoh proein yang dapa diliha dari susunan asam aminonya. Sebagai conoh, prolakin adalah salah sau hormon perumbuhan yang dimiliki seiap makhluk hidup. Gambar 3 adalah conoh asam amino dari hormon prolakin pada manusia.

4 8 Gambar 3. Conoh susunan asam amino hormon prolakin pada manusia Srukur sekunder adalah srukur proein yang dienukan oleh benuk alpha-helix (H), beha-shee (B) dan coil (C) penyusunnya. Srukur sekunder diperoleh dari sekuens asam amino, yang erika dengan ikaan pépida. Dari sekuens asam amino ersebu, akan membenuk iga kemungkinan segmen yaiu alpha-helix (H) yang benuknya berpilin, beha-shee (B) yang benuknya lurus aau coil (C). Conoh benuk keiganya dapa diliha pada Gambar 4. Gambar srukur sekunder proein ersebu didapakan dengan menggunakan perangka lunak RasMol Versi sebagai perangka lunak unuk memodelkan srukur proein yang bersifa free sofware. (a) (b) (c) Gambar 4. Gambar srukur sekunder proein : (a). alpha-helix (H), (b). behashee (b) dan (c). coil (c) Srukur ersier proein adalah srukur sekunder proein yang mengalami pelipaan aau dikenal dengan isilah melakukan folding proein. Srukur ersier proein erjadi dengan adanya ineraksi unaian ranai alpha-helix, beha-shee dan coil yang kemudian melakukan proses pelipaan (Lesk 2002). Benuk srukur

5 9 ersier proein seperi diliha pada Gambar 5 dengan menggunakan perangka lunak RasMol Versi Gambar 5. Srukur ersier proein Daa srukur ersier proein dapa diperoleh dari suau daabase yang bernama Proein Daa Bank (PDB). Dari daa ini proein dapa divisualisasikan dalam benuk iga dimensi. Fungsi proein akan erliha apabila sudah melakukan pelipaan aau proein folding. Proein merupakan molekul kompleks dengan srukur iga dimensi (3D) yang dikenal dengan srukur ersier. Namun, demikian srukur kompleks ersebu dibangun dari srukur primer yang erdiri aas sekuens asam amino pembenuknya ( Polanski dan Kimmel 2007). 2.2 Prediksi Srukur sekunder proein Srukur sekunder proein merupakan ahap awal dari proses prediksi srukur iga dimensi (3D) suau proein. Prediksi srukur sekunder proein berujuan unuk mendapakan informasi segmen alpha-helix (H), beha-shee (B) aau coil (C) dari unaian asam amino primer yang membenuknya. Srukur Proein dapa diprediksi dengan beberapa cara. Cara perama adalah dengan melakukan eksperimen secara kimiawi menggunakan X-Ray

6 10 Crysallography dan Nuclear Magneic Resonance (NMR) specroscopy. (Alber e al. 2007). Cara ini akan menghasilkan srukur proein secara epa dan sanga memungkinkan menghasilkan srukur baru. Cara kedua adalah dengan pendekaan heurisic yaiu dengan comparaive modelling yang hasilnya berupa prediksi. Prediksi srukur proein dengan menggunakan pendekaan heurisik ini, idak akan menghasilkan penemuan srukur proein baru karena pendekaan ini hanya melakukan perbandingan anara daa yang kia miliki dengan model yang sudah ada. 2.3 Hidden Markov Model (HMM) Hidden Markov Model (HMM) merupakan model probabilisik yang dapa diaplikasikan unuk menganalisis model dere waku aau sekuens linear (Eddy 1998). Pada sekiar ahun 1990, unuk membandingkan dua buah sekuens daa biologi baik DNA aau RNA digunakan perbandingan pasangan anara dua sekuens yang akan disamakan. Namun, erdapa kendala yang ada apabila dua sekuens ersebu idak sama di samping kesulian apabila adanya sekuens baru (Baldi dan Brunak 2001). HMMs adalah salah sau pendekaan yang digunakan unuk memodelkan kumpulan sekuens ersebu. HMMs elah banyak dikembangkan pada banyak permasalahan seperi speech recogniion (Rabiner 1989). Menuru Rabiner (1989), aplikasi pada HMMs pada akhirnya akan direduksi unuk menyelesaikan iga jenis permasalahan, yaiu : 1. Jika diberikan suau model λ = (A,B, π), bagaimana menghiung peluang dari sukuens observasi O = O 1,O 2,...O T yang dinoasikan dengan P(O λ) 2. Jika diberikan suau model λ = (A,B, π), bagaimana memilih sae sekuens I = I 1,I 2,...I T sehingga P(O, I λ) sebagai peluang bersama dari sekuens observasi O = O 1,O 2,...O T dan sae sekuens ersebu memiliki nilai maksimum 3. Mendapakan parameer model HMM yang opimal sehingga peluang suau observasi memiliki nilai maksimum,

7 11 dengan λ adalah model HMM A adalah Mariks peluang ransisi, B adalah Mariks peluang emisi dan π adalah Mariks peluang awal / Mariks prioriy O = O 1,O 2,...O T adalah variabel observasi P(O λ) adalah peluang variabel observasi jika diberikan model Hidden Markov Model (HMMs) menggambarkan disribusi peluang dari sejumlah sekuens yang idak erbaas (Eddy 1998). Nama "Hidden Markov Model" berawal dari faka bahwasannya sae dari sekuens merupakan orde perama dari ranai Markov sebagai variabel yang idak eramai. Adapun sekuens dari simbol (seperi A,C,G,T/U) merupakan variabel yang secara langsung dapa diobservasi. Pada kasus analisis sekuens dari daa biologi, sae sekuens akan berasosiasi dengan label biologis yang bermakna (seperi: srukur pada posisi lokus 42) (Eddy 1998). 2.4 Algorime Baum-Welch Algorime Baum-Welch merupakan salah sau algorime yang digunakan unuk melakukan pelaihan dalam melakukan esimasi parameer model dari HMMs yang dinoasikan sebagai. Algorime ini mampu melakukan perbaruan nilai Marikss peluang ransisi A, Mariks peluang emisi B dan Mariks priorias π. Algorime ini disebu juga dengan nama forward-backward algorihm. Beriku adalah prosedur Algorime Baum-Welch (Dugad dan Desai 1996) Inisialisasi : se nilai λ = (A,B, π). Algorime ini akan memperbaiki nilai λ secara ieraif sampai konvergen. prosedur forward : definisikan α (i)= p(o1 = O1,O2,... O,i = i, λ) sebagai peluang observasi parsial dari sekuens O 1,O 2,...O sampai dengan sae ke-i pada saa. Secara rekursif, (i) dapa dihiung sebagai beriku :

8 12 α(i)= πib i(o1 ) (1) N α+ 1 (j)= b j(o+ 1 ) α(i). aij (2) i= 1 prosedur backward :definisikan β (i) = P(O + 1,O + 2,...,O T i = i, λ) adalah peluang observasi parsial sekuens dari + 1 sampai T dengan sae i pada saa dan model λ. Secara efisien dapa dihiung : β T (i)=1, 1 i N (3) β (i) = N j= 1 a ij b j (o )β (j) (4) Dengan menggunakan α dan β, akan dienukan dua variabel, yaiu γ (i) dan ξ (i, j) dengan persamaan sebagai beriku: γ (i) = N i= α (i) β (i)...(5) α (i) β (i) 1 ξ (i, j) = N α N i= 1 j= 1 (i)a α ij β (i)a + 1 ij (j)b β + 1 j (o (j)b + 1 j (o ) + 1 )...(6) Dengan mengasumsikan model saa inisialisasi adalah λ = (A,B, π), maka, updae nilai baru unuk mereesimasi parameer adalah: π 1 i = γ (i), 1 i N...(7) T 1 ξ (i, j) = 1 a ij = T 1, 1 i N, 1 j N...(8) γ (i) = 1

9 13 b j T 1 O vk T ( k ) 1 j N, 1 k M...(9) γ (i) = 1 γ (i) dengan λ adalah model HMM A adalah mariks peluang ransisi, B adalah mariks peluang emisi dan π adalah mariks peluang awal / marik prioriy O = O 1,O 2,...O T adalah variabel observasi P(O λ) adalah peluang variabel observasi jika diberikan model λ (i) adalah peluang parsial dari sekuens observasi O 1, O 2, O sampai dengan sae ke-i pada saa ke- β T (i) adalah peluang parsial dari sekuen dari + 1 sampai dengan T (dimana T = -1) pada sae ke-i pada saa 2.5 Algorime Vierbi Algorime Vierbi digunakan unuk mendapakan sae yang opimal sehingga peluang suau observasi adalah yang paling maksimal. Beriku adalah langkah-langkah algorime Vierbi. Inisialisasi Proses rekusif.....(10) unuk dan unuk dan....(11)

10 14 Terminasi (12) Proses menemukan kemungkinan nilai peluang paling besar dari suau observasi yang berakhir pada saa = T Backracking sehingga,.(13) Membaca (decoding) pah sekuens erbaik dari vekor 2.6 Hidden Semi Markov Model Hidden Semi Markov Model (HSMM) adalah benuk perluasan dari Hidden Markov Model (HMM) yang memperimbangkan durasi suau observas erhadap sae yang dimiliki. Pada HSMM, panjang durasi D pada suau sae secara eksplisi dinyaakan sehingga dinamakan juga dengan HMM dengan durasi variabel (Yu 2009). Sae durasi aau D merupakan varibel acak yang memiliki nilai ineger D = {1, 2, 3 D}. Peluang panjang durasi P(d) adalah peluang panjang durasi suau sae dengan panjang erenu. Benuk umum dari Hidden Semi Markov Model seperi yang diliha pada Gambar 6 (Yu 2009)

11 15 Gambar 6. Benuk umum HSMM (Yu 2009) Pada HSMM erliha bahwa suau sae dapa membangikan lebih dari sau observasi aau bahkan sejumlah sekuens observasi. Sepanjang observasi T, seiap sae pada HSMM akan memiliki panjang durasi sae dengan nilai erenu. Pada prediksi sruku proein sekunder observasi ini merupakan sekuens dari asam amino yang membenuk proein sedangkan sae adalah srukur proein yang akan diidenifikasi aau diprediksi. Beriku ini adalah ahap algorime pada HSMM (Yu dan Kobayashi 2006) Proses Forward......(16)

12 16 Proses Backward Penenuan Sae Opimal Esimasi Parameer