BAB II DASAR TEORI

BAB II
DASAR TEORI
Pada bagian ini dijelaskan mengenai teori-teori yang mendukung pengelompokan data
ekspresi gen, bentuk data ekspresi gen dan jenis analisis dari data ekspresi gen
tersebut. Dasar-dasar teori ini digunakan untuk menyelesaikan tugas akhir. Dasar teori
ini didapat dari studi literatur.
2.1 DNA (Deoxy-Ribonucleic Acid)
Sel adalah bagian terkecil dari makhluk hidup. Setiap sel merupakan suatu sistem
kompleks yang terdiri dari berbagai macam struktur pembangun yang dibungkus oleh
membran [BRA01]. Pada setiap sel ini berbagai aktifitas sel, seperti metabolisme,
pembelahan sel, ekspresi gen dilakukan secara teratur dan terkontrol. Pada umumnya
makhluk hidup terbagi menjadi dua macam, prokariota dan eukariota, sehingga
terdapat dua macam sel sesuai jenisnya. Perbedaan mendasar terletak pada ukuran dan
struktur penyusun tubuhnya. Sel prokariota pada umumnya lebih kecil dan memiliki
struktur yang lebih sederhana dibandingkan sel eukariota, misalnya: sel prokariota
tidak memiliki membran dalam sel. Sel eukariota memiliki nukleus atau inti sel yang
dipisahkan dari bagian sel lainnya dengan membran dalam. Pada inti sel eukariota ini
terdapat rangkaian DNA (Deoxy-Ribonucleic Acid) yang menyimpan rangkaian
instruksi untuk mengatur berbagai aktifitas sel.
DNA merupakan pembawa informasi utama di suatu sel [BRA01]. Rangkaian
instruksi yang tersimpan didalamnya mengatur aktifitas sel seperti metabolisme,
pembelahan sel, dan ekspresi gen. Rangkaian instruksi pada DNA juga akan
diturunkan kepada setiap sel anak yang dihasilkan, sehingga pada suatu makhluk
hidup, setiap sel memiliki rangkaian DNA yang sama. DNA tersusun dari molekul
kecil yang bernama nukleotida. Terdapat empat macam nukleotida yang berbeda
yaitu: Adenosin, Guanien, Cytosine dan Thymine yang dilambangkan dengan A, C, G,
dan T. Nukelotida ini membentuk suatu rangkaian DNA yang panjang dan memiliki
struktur double helix.
II-1
II-2
Rangkaian DNA tersebut memiliki kode-kode yang merepresentasikan ciri fisik
makhluk hidup, bagaimana sel harus bekerja dan sebagainya. Pada dasarnya DNA
akan mengalami transkripsi menjadi RNA (Ribo-nucleic Acid), yaitu rangkaian
nukleotida mirip DNA dimana nukleotida Thymine diganti dengan Uracil (U). Pada
proses transkripsi, molekul DNA pada salah satu benang disalin menjadi pre mRNA.
Proses selanjutnya adalah splicing, yaitu membuang potongan rangkaian DNA yang
tidak perlu (introns) dan menyambung semua potongan rangkaian yang akan
dikodekan (exons) menjadi satu rangkaian mRNA. Setelah ini, dilakukan proses
translasi, yaitu proses pembentukan protein dengan menyatukan asam amino yang
terkodekan dengan urut pada mRNA. Asam amino dikodekan dengan tiga nukleotida
yang urut pada DNA (disebut dengan triplet). Setiap triplet disebut dengan codon dan
memiliki arti sebuah asam amino. Protein yang telah dibentuk memiliki fungsi yang
berbeda-beda yang berkaitan dengan fungsi sel itu sendiri. Proses pengubahan DNA
menjadi protein dapat dilihat pada gambar II-1.
Gambar II-1 Proses perubahan DNA menjadi protein [BRA01]
2.2 Data Ekspresi Gen
Ekspresi gen merupakan proses biologi dimana sekuen DNA diterjemahkan
menghasilkan protein. Seiring perkembangan teknologi, telah ditemukan metode
untuk menemukan urutan rangkaian DNA secara lengkap pada suatu makhluk hidup.
Selain itu, perkembangan teknologi juga membawa penemuan teknologi cDNA dan
microarray yang dapat mengukur tingkat ekspresi gen dalam skala besar. Microarray
adalah perkembangan teknologi terakhir dalam biologi molekul, yang dapat mengukur
tingkat ekspresi gen dari puluhan ribu gen secara paralel dan menghasilkan data yang
sangat besar dan berharga [BRA00]. Dengan adanya data sebesar ini maka masalah
utama yang muncul adalah menganalisis dan menangani data tersebut.
II-3
Gambar II-2 Contoh microarray [AND06]
Microarray pada dasarnya adalah suatu representasi pada sebuah bidang kaca (atau
material lainnya), dimana molekul DNA diikatkan pada titik (spot) tertentu. Terdapat
puluhan ribu titik pada sebuah array, masing-masing mengandung sejumlah besar
molekul DNA atau fragmen dari molekul yang identik, yang panjangnya berkisar
antara puluhan hingga ratusan nukloetida. Contoh cuplikan microarray dapat dilihat
pada gambar II-2, dimana baris merepresentasikan gen dari suatu organisme dan
kolom merepresentasikan sampel.
Data mentah pada eksperimen microarray berbentuk gambar. Untuk mendapatkan
data mengenai tingkat ekspresi gen, gambar tersebut harus dianalisis, masing-masing
titik diidentifikasi, diukur intensitasnya dan dibandingkan dengan latar belakangnya.
Data tersebut kemudian dimasukkan kedalam sebuah hasil akhir berupa matriks
ekspresi gen, matriks inilah yang nantinya dianalisis untuk proses lebih lanjut. Pada
matriks ini, baris merepresentasikan gen, dan kolom merepresentasikan berbagai
macam sampel seperti tisu atau kondisi eksperimen. Angka pada baris dan kolom
II-4
yang bersesuaian merepresentasikan tingkat ekspresi gen tertentu pada sampel
tertentu.
Tabel II-1 Matriks Ekspresi Gen Saccharomyces cerevisiae [EIS05]
YORF
YHR051W
YKL181W
YHR124W
YHL020C
YGR072W
…
Cell-cycle Alpha-Factor 1
0.03
0.33
0.36
-0.01
0.2
…
Cell-cycle Alpha-Factor 2
0.3
-0.2
0.08
-0.03
-0.43
…
…
…
…
…
…
…
…
Contoh matriks ekspresi gen dapat dilihat pada tabel II-1. Matriks tersebut diambil
dari organisme yeast (Saccharomyces cerevisiae). Baris pertama merupakan nama
sampel pada kolom tersebut dan kolom pertama merupakan nama gen pada baris
tersebut. Selain baris dan kolom yang telah disebutkan berisi tingkat ekspresi gen
pada sampel tertentu (kolom) dan gen yang bersangkutan (baris). Contoh matriks
ekspresi gen ini telah diperkecil, ukuran aslinya mencapai kurang lebih 6000 gen dan
80 sampel.
2.3 Analisis Data Ekspresi Gen
Terdapat dua macam sisi bagaimana data ekspresi gen dianalisis [BRA00]:
1. membandingkan
tingkat
ekspresi
dari
masing-masing
gen
dengan
membandingkan baris pada matriks ekspresi gen.
2. membandingkan tingkat ekspresi gen dari masing-masing sampel dengan
membandingkan kolom pada matriks ekspresi gen.
Dua metode di atas dapat dikombinasikan jika data sudah dinormalkan terlebih
dahulu. Pada saat membandingkan baris ataupun kolom, dapat dicari kesamaan
maupun perbedaan dari data yang ada. Misalnya, jika ditemukan bahwa ada dua baris
yang mirip, maka dapat disimpulkan bahwa kedua gen yang bersangkutan mungkin
memiliki fungsi yang mirip dalam sel. Jika yang dibandingkan adalah kolom, dapat
dilihat gen mana yang dipengaruhi oleh kondisi sampel tertentu.
II-5
Sebelum data dibandingkan, perlu ditemukan cara untuk menghitung kedekatan atau
jarak dari dua buah objek yang dibandingkan. Objek – objek tersebut dapat dianggap
sebagai sebuah titik pada dimensi n, atau sebuah vektor berdimensi n, dimana n
adalah jumlah sampel untuk perbandingan gen, atau jumlah gen untuk perbandingan
sampel. Metode yang biasa dipakai adalah penghitungan dengan jarak Euclidean.
Jarak Euclidean dihitung dengan mencari akar dari jumlah kuadrat selisih masingmasing dimensi dari dua buah titik. Jika dituliskan sebagai rumus adalah sebagai
berikut:
d E ( x, y ) =
n
∑ (x − y )
i =1
i
2
i
Metode ini cukup valid untuk dipakai sebagai perhitungan kesamaan atau jarak dua
buah objek yang dibandingkan pada matriks ekspresi gen. Meskipun menurut Alvis
Brazma dan Jaak Vilo, tidak ada metode penghitungan jarak yang benar-benar valid
[BRA00].
Gambar II-3 Analisis unsupervised (kiri) dan supervised (kanan) [BRA00]
Setelah memilih metode penghitungan jarak yang sesuai, data ekspresi gen dapat
dianalisis dengan cara supervised atau unsupervised. Pendekatan supervised
dilakukan jika untuk beberapa atau semua data, ada informasi tambahan berupa fungsi
utama dari gen atau kondisi sakit atau normal pada sampel yang ada. Informasi
tambahan ini dapat dimasukkan pada matriks sebagai baris atau kolom tambahan.
Dengan adanya informasi ini, tujuan utama analisis adalah membangun sebuah
penggolong (classifier) yang mampu memprediksi informasi tambahan dari data baru
yang
diberikan.
Sedangkan
tujuan
utama
analisis
unsupervised
adalah
mengelompokkan data untuk menemukan gen – gen atau sampel – sampel yang saling
II-6
berkaitan. Sebagai perbandingan kedua analisis dapat dilihat pada gambar II-3.
Misalkan data ekspresi gen digambarkan pada ruang berdimensi 2. Pada gambar di
sebelah kiri, titik-titik yang memiliki kemiripan dicoba untuk dikelompokkan, sebagai
contoh terdapat 3 cluster pada gambar, masing-masing terdiri dari beberapa titik yang
saling berdekatan. Sebuah algoritma untuk analisis unsupervised harus dapat
menemukan cluster tersebut. Pada gambar di sebelah kanan, sebagai contoh terdapat
titik berisi dan titik berlobang, tujuan dari analisis unsupervised adalah menemukan
sebuah aturan untuk menggolongkan titik-titik setepat mungkin. Sebagai contoh, garis
putus-putus merupakan garis pemisah antara titik berisi dan titik berlobang.
Selanjutnya dibahas satu persatu mengenai analisis supervised dan unsupervised.
2.3.1 Unsupervised Analysis
Tujuan utama dari analisis ini adalah mengelompokkan (clustering) objek yang
memiliki kesamaan. Pada umumnya, clustering dibagi menjadi 4 model [BRY05]:
1. Exclusive clustering
Pada clustering ini, suatu objek hanya termasuk pada satu cluster saja.
2. Overlapping clustering
Model clustering ini dapat memasukkan suatu objek pada beberapa cluster
sekaligus.
3. Probabilistic clustering
Suatu objek pada model clustering ini termasuk pada masing-masing cluster
dengan probabilitas tertentu.
4. Hierarchical clustering
Pada model clustering ini, semua objek secara kasar dibagi menjadi cluster
pada tingkat tertinggi. Untuk setiap cluster, dilakukan pembagian lagi untuk
level selanjutnya, hal ini dilakukan hingga cluster beranggotakan sebuah objek
saja.
Clustering bukan merupakan teknik baru, sudah banyak algoritma dikembangkan dan
banyak yang sudah menerapkan algoritma tersebut untuk analisis data ekspresi gen.
Untuk clustering data ekspresi gen, model yang umum digunakan adalah exclusive
clustering dan hierarchical clustering. Algoritma yang telah digunakan antara lain:
II-7
hierarchical, K-means dan self-organizing maps. Seperti pada paper DeRisi, yang
menggunakan DNA untuk mempelajari metabolisme yeast. Beberapa penelitian lain
dilakukan oleh Brazma, dan Van Helden untuk mempelajari regulasi sel [BRA00].
Algoritma hierarchical berjalan secara iteratif dengan menggabungkan dua cluster
terdekat dimulai dengan cluster beranggotakan satu objek. Setelah menggabungkan
dua cluster, jarak antara semua cluster yang ada dengan cluster yang baru dihitung
ulang. Perlu dicatat bahwa untuk clustering yang lebih baik, perlu ditambahkan batas
jarak yang ideal antar cluster yang merupakan masukan dari pengguna.
Algoritma II-1 Algoritma K-means [HOO04]
1. Choose k initial center points randomly
2. Cluster data using Euclidean distance (or other distance
metric)
3. Calculate new center points for each cluster using only
points within the cluster
4. Re-Cluster all data using the new center points
1. This step could cause data points to be placed in a
different cluster
5. Repeat steps 3 & 4 until the center points have moved such
that in step 4 no data points are moved from one cluster to
another or some other convergence criteria is met
Algoritma pengelompokan K-means, dapat dilihat pada algoritma II-1, secara khusus
menggunakan metode jarak Euclidean untuk menghitung jarak dua objek pada ruang
berdimensi n. Pada awalnya, pengguna menentukan berapa banyaknya cluster yang
diinginkan. Untuk menentukan jumlah cluster, belum ada teori atau algoritma yang
baku [BRY05]. Setelah itu ruang dimensi dibagi menjadi sejumlah cluster sesuai
masukan pengguna. Algoritma berjalan secara iteratif dengan menghitung ulang titik
tengah masing-masing cluster dan menyesuaikan diri dengan setiap objek yang
dimasukkan ke cluster terdekat. Proses ini terus berjalan hingga mencapai keadaan
stabil atau batas maksimal iterasi terlampaui. Penentuan cluster awal sebelum
algoritma berjalan dapat bermacam-macam, salah satunya ditentukan secara acak.
II-8
Analisis unsupervised ini telah digunakan untuk clustering gen maupun sampel.
Proses clustering gen untuk menemukan gen-gen yang saling berkaitan fungsinya bisa
dilakukan jika terdapat sekumpulan data gen lengkap dari suatu organisme. Beberapa
penelitian telah dilakukan untuk menemukan gen-gen yang saling berkaitan dalam
fungsi metabolisme sel [BRA00]. Sedangkan untuk mengelompokkan sampel tidak
diperlukan data gen lengkap dari suatu organisme, karena dengan hanya sedikit gen
dapat dicari nilai kedekatan atau kesamaan dari dua buah sampel.
Cluster yang telah dihasilkan dapat diperiksa keabsahannya melalui beberapa cara
[HOO04]:
1. ukuran (diameter) cluster dibandingkan dengan jarak antar cluster
2. jarak antara masing-masing anggota cluster dengan pusat cluster
3. diameter dari cluster terkecil
2.3.2 Supervised Analysis
Tujuan utama dari analisis supervised dari data ekspresi gen adalah membentuk
classifier seperti garis pemisah lanjar, pohon keputusan atau support vector machines
(SVM) yang memetakan objek-objek ke suatu kelas tertentu. Sebagai contoh, jika
sebuah classifier dapat dibangun dari sejumlah data yang dapat memisahkan sampel
yang terkena tumor dan tidak, maka dapat dipakai untuk diagnosa tumor lebih dini.
Lebih lanjut lagi, jika classifier tersebut berdasar pada aturan yang sederhana, dapat
dipelajari mekanisme dalam pembentukan tumor. Pembentukan classifier didasari
pada teori pembelajaran mesin. Sebuah classifier dilatih dengan sejumlah data latih
yang sudah diketahui kelasnya. Kemudian, classifier tersebut, dapat berupa aturan
atau yang lainnya, diuji dengan sejumlah data uji untuk memeriksa keabsahannya.
Jika memenuhi kualitas ketelitian tertentu, classifier dapat digunakan untuk sejumlah
data yang belum diketahui kelasnya.
Perlu dicatat bahwa, untuk menggolongkan sampel, terdapat masalah dimana atribut
data (gen) jauh lebih banyak daripada objek (sampel) yang digolongkan. Hal ini
menyebabkan mudahnya menemukan pemisah yang sempurna jika tidak hati-hati
dalam membatasi keruwetan classifier yang dibuat. Untuk menghindari masalah
II-9
tersebut harus dicari classifier yang sangat sederhana, sambil tetap menjaga akurasi
classifier.
Kedua analisis di atas dapat digunakan bersama, dengan pada awalnya menggunakan
analisis unsupervised untuk mencari cluster dengan keterkaitan tinggi. Kemudian,
digunakan analisis supervised pada salah satu cluster saja untuk membatasi jumlah
atribut yang terlalu banyak.