tersebut pada subnetwork. Pada penelitian ini analisis topologi jejaring dilakukan pada subnetwork bukan pada topologi jejaring PPI. Hal ini dilakukan dengan
pertimbangan bahwa banyak nodeprotein pada jejaring PPI yang bukan kandidat proteinnode signifikan yang tidak perlu di ikut sertakan dalam analisis topologi.
Perumusan Masalah
Bagaimana membangun jejaring protein-protein interaction PPI untuk selanjutnya melakukan analisis terhadap jejaring tersebut sehingga dapat ditentukan
rangking protein-protein signifikan yang berasosiasi dengan DM tipe 2.
Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian ini adalah mengidentifikasi protein-protein signifikan yang berasosiasi dengan DM tipe 2 melalui pendekatan
Network Pharmacology dengan mengkonstruksi jejaring PPI, kemudian melakukan
analisis topologi terhadap jejaring PPI tersebut.
Manfaat Penelitian
Kontribusi penelitian ini adalah penemuan protein-protein signifikan yang berasosiasi dengan DM tipe 2 untuk digunakan dalam proses pengembangan dan
penemuan obat diabetes baru menggunakan pendekatan network pharmacology.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah sebagai berikut : 1.
Konstruksi dan analisis topologi jejaring PPI digunakan untuk mengidentifikasi protein-protein signifikan yang berasosiasi dengan DM tipe 2.
2. Hasil identifikasi penelitian ini merupakan usaha untuk memperkecil ruang
pencarian protein protein signifikan yang berasosiasi dengan DM tipe 2 dari ribuan protein-protein yang ada.
3. Asumsi data kandidat protein-protein signifikan dan data PPI yang
dikembalikan oleh basis data OMIM dan basis data STRING adalah data yang benar.
3
2. TINJAUAN PUSTAKA
Jejaring Protein-Protein Interaksi PPI dan Subnetwork dari Jejaring PPI
Protein-protein interaksi PPI adalah kontak fisik yang terbentuk antara dua protein yang telah dipelajari dari berbagai perspektif seperti biokimia, kimia
kuantum, dinamika molekuler, transduksi sinyal dan gaya elektrostatik Herce HD. 2013, Jones S and Thornton JM. 1996 dan Phizicky EM and Fieds S. 1995. Semua
informasi interaksi biner antar protein yang diperoleh dari PPI dapat digunakan untuk mengkonstruksi sebuah model jejaring PPI Raman K. 2010 sehingga dapat
membantu untuk memahami bagaimana jejaring biologis beroperasi Xia Y. et. al. 2004. Subnetwork merupakan jejaring interaksi antar protein dengan jumlah
minimal node dari semua node protein yang ada pada jejaring PPI.
Analisis Topologi Jejaring
Connectivity degree k, betweenness centrality BC dan closeness
centrality CC adalah tiga parameter penting dalam teori graf yang dianalisis untuk
mengidentifikasi protein-protein signifikan yang berasosiasi terhadap suatu penyakit Hwang S. et. al. 2008 dalam sebuah jejaring PPI.
Degree k adalah karakteristik yang paling dasar dari sebuah node dalam
jejaring didefinisikan sebagai jumlah interaksi satu protein dengan protein lain yang bertetanggaan langsung dengannya dalam jejaring. Dengan demikian semakin
besar nilai degree sebuah node dalam jejaring maka node tersebut semakin banyak memiliki tetangga yang berinteraksi langsung dengannya dalam jejaring.
Betweenness centrality BC didefinisikan sebagai berapa kali sebuah node
bertindak sebagai jembatan sepanjang lintasan terpendek antara dua node dalam jejaring dan dirumuskan sebagai berikut :
= ∑
� � �
≠�≠ ∈�
1 di mana
υ adalah node yang akan dihitung nilai BC-nya, s adalah source node, t
adalah target node, σ
st
υ adalah jumlah jalur terpendek dari s ke t yang melalui
node
υ, dan σ
st
adalah jumlah lintasan terpendek yang terbentuk dengan tidak menjadikan node
υ sebagai node source atau target. Nilai BC menunjukkan
seberapa penting node tersebut dalam jejaring, sehingga semakin besar nilai BC sebuah node dalam jejaring maka semakin penting node tersebut dalam jejaring
Freeman LC. 1982 karena node tersebut semakin sering dijadikan “jembatan”
sepanjang lintasan terpendek antara dua node. Closeness centrality
CC didefinisikan sebagai ukuran panjang rata-rata jalur terpendek untuk mengakses semua protein lain dalam jejaring Wasserman S
and Faust K. 1994. Semakin besar nilai CC suatu node, semakin sentral node tersebut dalam jejaring. CC
υ dihitung untuk setiap kategori fungsional, dengan
mempertimbangkan semua jalur terpendek untuk setiap node dan dirumuskan sebagai berikut:
� =
�−1 ∑
�
�,
∈�
2 di mana
υ adalah node yang akan dihitung nilai CC-nya, t adalah target node,
N adalah jumlah node, d
G
υ,t merupakan panjang lintasan terpendek antara dua
node
υ dan t pada jejaring dan d
G
υ, υ = 0, d
G
υ, t = d
G
t, υ dalam undirected
graph .
Algoritme All_Shortest_Paths
Merupakan algoritme pencarian semua jalur terpendek sepasang node source - target pada sebuah graph G. Algoritme ini merupakan salah satu
algoritme yang terdapat dalam paket perangkat lunak berbahasa Python bernama NetworkX yang dirancang dan ditulis oleh Aric Hagberg, Dan Schult dan Pieter
Swart 2002-2003 dan di publikasikan pertama kali pada bulan April 2005. Algoritme ini merupakan algoritme yang diadopsi dari algoritme brute force
dengan kompleksitas waktu eksekusi untuk kasus terburuknya adalah On . n. Algoritme ini memang tidak efisien akan tetapi algoritme ini sederhana, mudah
diimplemantasikan dan merupakan algoritme yang kokoh robust. Algoritme all_shortest_paths
ini bekerja pada setiap siklus pemanggilanya sebagai berikut :
- Parameter masukan algoritme :
G - sebuah graph, Source node – node awal dan Target node – node akhir
- Menemukan semua node predecessor dari node source pada graph G
- Menelusuri lintasan terpendek dilakukan dimulai dari node target menuju node source
berdasarkan data node predecessor yang telah ditemukan -
Tiap sebuah lintasan terpendek diperoleh, lintasan tersebut disimpan dalam sebuah list -
Keluaran algoritme adalah sebuah list yang berisi semua lintasan terpendek dari pasangan node source-target
Berikut source code dalam bahasa python algoritme all_shortest_paths diatas :
Gambar 1. Source code dalam bahasa python untuk mencari semua lintasan terpendek pasangan kandidat protein-protein signifikan
