Kajian DNA Mitokondria Manusia

Daerah Hypervariabel Menggunakan

Bayesian Network

Zulkifli
10106077
Pembimbing : Dr. Sutawanir Darwis
Achmad Saifuddin Noer, Ph.D
Penguji
: Dr. Agus Yodi Gunawan

LOGO
MA4091 Seminar Matematika I

12 November 2009

DNA
Mitokondria

Rumusan
Masalah

Bayesian
network

DNA Mitokondria

LOGO

Sel

Gambar 1. Penampang sel

LOGO

DNA Mitokondria (mtDNA)

Gambar 2. Penampang mitokondria

mtDNA adalah DNA (Deoksiribonukleat Acid) yang terdapat dalam

organel manusia yaitu mitokondria

LOGO

Stuktur DNA yaitu

1.Doubel helix

2.Terdiri dari pasangan

nukleotida / basa purin (A-T)
dan basa pirimidin (C-G)
Khusus mitokondria

1.Sirkular

2.Tidak dilindungi membran

LOGO

Keunikan mtDNA
1.Hanya diturunkan dari ibu saja
2.Mempunyai laju mutasi yang cukup
tinggi yaitu 5 10 kali lebih cepat
dibandingkan dengan DNA kromosom
(inti sel)
3.Mempunyai polimorfisme yang cukup
tinggi ( perbedaan urutan basa DNA
yang cukup besar antar individu)

LOGO

Mutasi
Definisi
Mutasi adalah perubahan secara acak urutan
nukleotida.
* Mutasi : jika berbeda dengan keadaaan yg di
alam
* Pada mtDNA, biasanya disebut mutasi jika
urutan nukleotida manusia berbeda dengan
urutan yang telah ditetapkan / urutan standar
rCSR (revised Cambridge Reference Sequence)
LOGO

Jenis mutasi
1. Mutasi titik : perubahan basa pada DNA atau RNA
2. Mutasi tidak titik
1. Delesi : mutasi tingkat kromosom yaitu hilangnya satu
atau lebih nukloetida
2. Abresi : perubahan urutan dan susunan (urutan gen)
dalam kromosom
3. Translokasi : penataan ulang abnormal pada
kromosom yang disebabkan oleh pertukaran pada
bagian-bagian pada kromosom yang tak homolog
4. Inversi : penataan ulang pada kromosom yang didalam
segmentnya terdapat keterbalikan diantara ujungnya

Contoh mutasi titik pada mtDNA manusia

Posisi

16 16
00 01

16
02

16
03

16
04

rCRS

Pada posisi 1601 terjadi mutasi dari C ke T

Mutasi Subsitusi Basa

1. Transisi (Purin Purin, Pirimidin Pirimidin)
2. Tranversi (Purin - Pirimidin)
C

Mutasi mtDNA
Pengamatan dilakukan pada
daerah D-Loop yaitu daerah
pengontrol non pengode yang
mempunyai dua daerah variasi
yang tinggi yaitu
1. HVR1 (Hypervariabel Region 1)
2. HVR2 (Hypervariabel Region 2)
Gambar 4 . Daerah pada mtDNA

Rumusan
Masalah

LOGO

Permasalahan
Motivasi khusus
Mutasi DNA inti pada t-35 dari mutasi di t
mempunyai pola tertentu yaitu TATA yang
ditandai dengan awal mulainya sintesis

Masalah
Apakah mutasi mtDNA mempunyai
pola ?

Kenapa mutasi pada mtDNA

Salah satu sifat unik mtDNA adalah laju mutasi
yang relatif lebih tinggi dibandingkan DNA inti.
Laju mutasi mtDNA yang tinggi menyebabkan
adanya perbedaan urutan nukleotida mtDNA
antar individu yang cukup besar (tingkat
polimorfisme yang tinggi)

mtDNA mempunyai rantai basa yang lebih

pendek yaitu sekitar 16569 rantai basa

Tujuan
Menentukan pola mutasi mtDNA
HVR1 pada t dan t-k, k=2,.... Dimana t
adalah posisi dalam rantai mtDNA
tempat terjadinya mutasi.
Mengkuantifikasi pola mutasi

Pembatasan Masalah
Mutasi hanya dilihat pada daerah HVR1 yang
terdiri lebih kurang sekitar 400 nukleotida
dengan menggunakan data yang berasal dari
bank data sekitar 8951 individu dengan batasan
saat ini hanya untuk kasus dari t-k sampai t
dengan k=2,...

Hanya membahas mutasi subsitusi basa

Bayesian Network

LOGO

Bayesian Network
Definisi

Bayesian network diberikan oleh :

1. Himpunan variabel dan himpunan garis berarah yang
menghubungkan variabelnya
2. Setiap variabel mempunyai himpunan state yang terbatas
3. Variabel dan garis berarah didapatkan dari DAG
(directed acyclic graph). Graf berarah acyclic yaitu jika
tidak ada jalan berarah dari A1 A2 ... An sehingga
A1 = An
4. Variabel A dengan parent B1,...,Bn , maka tabel peluang
bersyaratnya diberikan oleh P(A| B1,...,Bn )

Network Sederhana
Seri

Divergen

Konvergen

Causal Network
Causal network adalah network yang terdiri dari himpunan
variabel dan himpunan garis berarah yang
menghubungkan antar titik.

Variabel
: Ruang sampel
Garis berarah : Hubungan causal diantara variabel
Setiap variabel mempunyai state ( keadaan) yang
berhingga
Ada Hubungan relasi jika graf berarah dari A ke B maka A
adalah parent B

Contoh

Pada network disamping, A, B, C disebut

node ( variabel acak )
Misal
Node A menyatakan Keadaaan Tangki Bensin
State A : 1. penuh
2. setengah
3. kosong
A adalah parent dari B

Proposisi (The General Chain Rules)

Misalkan adalah U { A1 ,..., An } adalah himpunan variabel
maka distribusi peluang P(U ) diberikan oleh

P(U ) P( An | A1,..., An1 ) P( An1 | A1,..., An2 )...P( A2 | A1 )P( A1 )

Bukti

P(U ) P( An | A1 ,..., An 1 ) P( A1 ,..., An 1 ),

P( A1 ,..., An 1 ) P( An 1 | A1 ,..., An 2 ) P ( A1 ,..., An 2 ),

P( A1 , A2 ) P( A2 | A1 ) P( A1 ).

Chain Rules untuk BN

Teorema
Misalkan BN adalah Bayesian Network atas U { A1 ,..., An }
Maka BN mempunyai distribusi peluang bersyarat P(U )
yang unik diberikan oleh perkalian semua tabel peluang
bersyarat BN yakni
n

P(U ) P( Ai | pa( Ai ))
i 1

dimana P(Ai) adalah semua parent dari Ai

Tabel Peluang Bersyarat

Contoh soal
Gambar disamping adalah
suatu model BN. Node menyatakan
suatu variabel acak.
H menyatakan orang Merokok,
B menyatakan penyakit bronkitis
L menyatakan penyakit paru-paru
F menyatakan kelelahan
C menyatakan hasil sinar-X
Setiap Variabel mempunyai dua state

Dapat dihitung

P(b1|h1) = .25
P(b1|h2) = .05

P(f1|b1,l1) = .75
P(f1|b1,l2) = .10
P(f1|b2,l1) = .5
P(f1|b2,l2) = .05

P(h1) = .2
P(h2) = .8

P(l1|h1) = .003
P(l1|h2) = .00005

P(c1|l1) = .6
P(c1|l2) = .02

Ada dua hal yang akan dilakukan dalam BN

1. Konstruksi model graf untuk Bayesian
Network
2. Menghitung tabel peluang bersyarat

Dengan menggunakan Chain rules dapat

dihitung Joint Probabilistic distribution
yaitu peluang semua kejadian variabel
terjadi secara bersamaan.

Model BN Untuk Mutasi mtDNA

t-2

t-1

Rencana Kerja Selanjutnya

1. Menentukan tabel peluang bersyarat dari
masing-masing posisi t-k sampai t dengan
menggunakan Chain Rules
2. Melakukan uji significant untuk
menentukan pola mutasi mtDNA
3. Melakukan simulasi prediksi pola mutasi
mtDNA HVR1

Daftar Pustaka
[1] Jensen, Finn V dan Nielson, Thomas D.2007. Bayesian Network adn Decision
Graphs,2007, Springer
[2] Raifuddin.2007, Mutasi Daerad D-Loop mtDNA sel darah, epitel, dan rambut dari
invidu yang berbeda, Bandung, Central Library ITB
[3] Adiyani, Lira. 2008. Tugas Akhir : Kajian Mutasi mtDNA melalui Rantai
Markov.Bandung. Central Library ITB
Neapolitan, Richard E. Learning Bayesian Network. Chicago

http://www.cartage.org.lb/en/themes/sciences/zoologi
http://biologi.blogsome.com/2007/06/
http://ipvgen.unipv.it/docs/projects/torroni.html
http://www.nfstc.org/pdi/Subject09/pdi_s09_m01_01_b.htm
http://www.sarapanpagi.org/bagaimana-bangsa-bangsa-yang-berbeda-munculvt1661.html
http://evolution.berkeley.edu/evosite/evo101/IIIC3Causes.shtml
http://id.wiki.detik.com/wiki/Nukleotida

Terima
Kasih
LOGO

Bersambung pada seminar dua.........