TUGAS PENGGANTI UTS ENZIMOLOGI Dosen pengampu : Prof. Dr. drh. R. Susanti, M. P Disusun oleh : Laelatul Afifah (4411418001) Biologi Rombel 1 2018 JURUSAN BIOLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI SEMARANG 2020 ANALISIS JURNAL Prediction of Enzyme Classification from Protein Sequence without the use of Sequence Similarity Jurnal ini menjelaskan tentang pendekatan baru untuk memprediksi fungsition protein dari urutan asam amino nya. Diberikan fitur yang dapat dihitung dari asam amino sequence secara langsung (seperti pI, molekul-berat ular, dan komposisi asam amino), teknologinique memungkin kan untuk menjawab pertanyaan seperti: Apakahprotein enzim? Jika demikian, di mana Komisi Enzim-sion (EC) kelasnya? Pendekatan kami menggunakan pembelajaran mesin (ML) untuk mendorong pengklasifikasi yang memprediksi kelas EC suatu enzim dari fiturdiekstrak dari urutan utamanya. Berbagai eksperimen di mana kami mengeksplorasi penggunaan dari tiga teknik ML yang berbeda dalam hubungannya dengan set data pelatihan yang berasal dari PDB dan dari Swiss-Prot. Dengan mengeksplorasi penggunaan beberapa fitur berbeda.set ture. Metode ini mampu memprediksi EC pertamajumlah enzim dengan akurasi 74% (dengan demikian sebagai-menandatangani enzim ke salah satu dari enam kategori besar fungsi enzim), dan untuk memprediksi jumlah EC kedua-ber enzim dengan akurasi 68% (dengan demikian menetapkan-memasukkan enzim ke salah satu dari 57 subk ategori enzim fungsi). Teknik ini bisa menjadi pelengkap yang berhargapencarian urutankesamaan dan ke jalur-metode analisis. Metodologi Menerapkan ML ke kelas enzim masalah klasifikasi adalah sebagai berikut: 1.Cirikan masalah klasifikasi, dan identifikasikarakteristik masalah ini yang akan mempengaruhi-lakukan pilihan metode ML yang sesuai. 2. Pilih satu atau lebih metode ML untuk diterapkan ke kelasmasalah sification. 3. Buat set data kecil dari sumber data yang tersedia. 4. Jalankan metode ML yang dipilih pada kumpulan data kecil Hasil : Beberapa kesimpulan dapat dicapai dari pengalaman ini-ments. Performa relatif dari algoritme ML adalah IB yang terbaik, C4.5 terbaik kedua, dan DNB terburuk. C4.5 memiliki keunggulan lain dibandingkan IB, untuk inspeksi dan pemahaman oleh scimasuk. Set fitur berdasarkan bio-pengelompokan kimiawi asam amino menghasilkan ac-curacy bahwa tidak ada pengelompokan. Fitur struktural menghasilkan sedikit perbaikan ketepatan. Untuk mengeksplorasi kegunaan fitur lain tures yang dapat dihitung dari urutan, untuk ujian-daerah pie, kumparan-kumparan dan transmembran dapat berupa sebagai-terkait dengan kelas enzim tertentu.Tingkat akurasi yang diperoleh di sini dapat diinterpretasikan dalam beberapa cara. Secara umum, hasil ini mendukung kesimpulan yang agak mengejutkan fungsi protein tersebut dapat diprediksi dengan cukup akurat dari fitur yang sangat kasar yang berasal dari pro-tein sequence, tanpa menggunakan homologi atau pola pencarian. Dengan membandingkan akurasi terbaik dari kamimetode pada seluruh dataset Swiss-Prot dengan akurasi yang didapat dengan menebak murni secara kebetulan di antara kelas-kelas di setiap tingka. Kolom 4 menunjukkan strategi menebak lainnya berdasarkan selalu memilih kelas dengan yang tertinggi probabilitas sebelumnya. Kolom 5 menunjukkan akurasi ob-dilakukan oleh analisis urutan.Perbandingan antara Kolom 2 dan 4 adalah paling tidak memuaskan untuk level 0; sulit untuk metode kamiuntuk membedakan enzim dari non-enzim. Perkekuatan dapat ditingkatkan jika kita melatih sistempada kelas protein tambahan, seperti transporterdan protein pengikat DNA. Hasil untuk level 1dan 2 jauh lebih membesarkan hati: pengetahuan yang diberikanbahwa protein adalah enzim, hal ini memungkinkan untuk diprediksi
