Klustering Data Ekspresi Gen dengan Metoda-metoda Berbasis Dekomposisi Nilai Singular Studi Kasus: Data Ekspresi Gen Kanker Paru
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung
Klustering Data Ekspresi Gen dengan Metoda-metoda
Berbasis Dekomposisi Nilai Singular
Dewasa ini informasi yang terkandung dalam DNA yang nantinya akan menghasilkan protein tertentu dapat diukur oleh teknologi microarray. Data
microarray manusia yang memiliki
. Data level ekspresi gen manusia berukuran relatif besar, sesuai dengan jumlah gen pada manusia. Jadi melalui level ekspresi setiap gen ini diperlukan suatu metoda sedemikian sehingga data
utasi pada gen berarti bahwa gen tersebut telah rusak atau hilang. Sebuah mutasi dapat berarti bahwa terlalu banyak protein dibuat atau protein tidak dibuat sama sekali[1]. Seringkali , mutasi yang menyebabkankanker adalah mutasi padagen-gen yangmengatur pertumbuhan sel[2]
Data ekspresi gen yang dihasilkan dari data microarray juga dapat mengukur ekspresi manakala terjadi mutasi pada gen. M
menarik manakala didapatkan informasi penting dari data yang berukuran besar.
microarray inilah menjadi hal yang
ekspresi gen yang direpresentasikan melalui titik-titik warna.Satu sampel pada data microarrayterdiri dari ribuan atau puluhan ribu gen. Pada pengolahan data
microarray ini menyajikan data tingkat
dikodekan dalam DNA berperan sebagai pesan di dalam sel yang memberitahu bagaimana sel berperilaku. Gen yang berbeda memberitahu sel bagaimana membuat protein yang berbeda. Satu kode gen untuk satu protein. Setiap sel memiliki banyak gen dan karena itu dapat membuat banyak protein yang berbeda. Beberapa protein mengontrol bagaimana sel berperilaku. Contohnya protein yang memberitahu sel untuk mereproduksi dengan membagi dirinya menjadi dua[1].
Studi Kasus: Data Ekspresi Gen Kanker Paru
Evi NovianiRangkaian Deoxyribonucleic acid (DNA) merekam setiap karakteristik dan sifat setiap mahluk hidup. Gen yang
PENDAHULUAN
Kata Kunci.SVD-gaps, Dekomposisi Nilai Singular, Data Ekspresi Gen, Klustering.
Abstrak.Pada penelitian ini telah dikelompokkan data ekspresi gen kanker paru dengan
memanfaatkan dekomposisi nilai singular. pasien kanker yang tergolong pada sub tipe
kanker paru yang sama dikelompokkan pada cluster yang sama berdasarkan data ekpresi
gen yang berupa matriks berukuran puluhan ribu sampai ratusan ribu. Pembentukan
cluster dilakukan dengan terlebih dahulu memodelkan ke dalam permasalahan optimisasi
yaitu meminimumkan kesalahan penempatan pasien pada suatu kelompok, atau
maksimumkan ketepatan dalam menempatkan pasien pada suatu kelompok. Masalah
minimisasi/maksimisasi tersebut dapat diselesaikan dengan mengambil nilai singular
kanan pertama dari dekomposisi nilai singular matriks data yang telah dinormalisasi. Dari
proses ini didapatkan beberapa kelompok penderita kanker paru. Data ekspresi gen
kanker paru telah dikelompokkan juga dengan menggunakan SVD-gaps. SVD-gaps ini
mengambil k vektor singular kanan pertama, yang kemudian dicari selisih antara elemen
vektor singular yang telah diurutkan. Dengan toleransi tertentu, maka selisih ini akan
menentukan apakah dibentuk kelompok baru atau tidak. SVD-gaps menghasilkan 11
kelompok pasien kanker paru-paru.2 FMIPA Institut Teknologi Bandung
evinovianisp@gmail.com
1 FMIPA Universitas Tanjungpura Pontianak
2
1 , Kuntjoro Adji Sidarto
1 , Yoga Satria Putra
puluhan ribu gen tersebut dapat terbaca karakteristiknya.Beberapa pasien dikelompokan menjadi satu kelompok jika
Evi Noviani dkk: Klustering Data Ekspresi Gen dengan Metoda-metoda Berbasis Dekomposisi Nilai Singular Studi Kasus: Data Ekspresi Gen Kanker Paru
∑ ∑
1 (
) atau S
2 (
).Tujuan dari pengelompokkan ini adalah diinginkan ketika , dan diinginkan , maka
, ,dan . Dengan klustering ini diharapkan dapat memaksimalkan ketepatan dalam menempatkan gen dan sampel pada grup yang sesuai. Secara matematis dapat dituliskan sebagai berikut:
{ } { }
(1)
2 (
Ketika a
ij
> 0 maka tempatkan gen i dan sampel j di grup yang sama p i q i = 1. Dan ketika a ij < 0 maka tempatkan gen i dan sampel j di grup lain yang berbeda
p i q i = -1.Dengan dimana ( ) ∑ | |
dan dengan ( ) ∑ | | . Matriks menunjukkan setiap entri di dipangkatkan . Untuk selanjutnya, menunjukkan setiap elemennya dipangkatkan k, yaitu . Sehingga masalah optimisasi (1) tersebut dapat dituliskan sebagai berikut:
‖ ‖ ‖ ‖
). Dan misalkan pula adalah vektor indikator apakah sampel j dimasukkan ke S
)atau G
mereka mempunyai karakteristik yang sama dan akan terbagi dalam kelompok yang berbeda manakala karakteristiknya berbeda.
Pada penelitian ini data ekspresi gen yang berukuran relatif besar akan diklusterkan dengan teknik-teknik yang menggunakan dekomposisi nilai singular. Algoritma akan diimplementasikan pada data ekspresi gen pasien kanker paru- paru[8].Garber mengelompokan data
Misalkan adalah vektor indikator apakah gen i dimasukkan ke G
Tujuan graf-bipartit tersebut adalah ingin membagi himpunan G(gen) kedalam 2 atau lebih grup, dan membagi himpunan S(sampel) kedalam 2 atau lebih grup, sehingga untuk masing-masing grup dan sampel level ekspresinya memiliki sifat hampir sama. Hal ini dikarenakan gen berkaitan yang terlibat dalam suatu proses akan aktif di himpunan sampel tertentu yang memiliki sifat hampir sama[6].
jika gen i relatif under-expressed di sampel j.
expressed di sampel j, dan bernilai negatif
Terdapat beberapa metode untuk mengklusterkan data dengan ukuran relatif besar. Diantaranya adalah matrix Factorisation[3], dan Dekomposisi Nilai Singular (Singular Value Decomposition/
SVD )[4,5, 6, 7]. Pada pencitraan digital,
dekomposisi nilai singular telah digunakan. Pada pengiriman citra digital, reduksi dimensi pada data, sehingga hanya beberapa data saja yang digunakan akan tetapi gambar yang dikirim hampir sama dengan gambar asli, sangat menguntungkan terutama pada pemakaian memori.
1 (
Data yang dipublikasikan oleh Garber inilah yang akan disimulasikan dengan menggunakan teknik yang menggunakan dekomposisi nilai singular.
menggunakan teknik hierarchical clustering.
microarray pasienkanker paru dengan
METODE PENELITIAN
. Dengan menyatakan banyaknya gen dan menyatakan banyaknya pasien yang akan dikelompokkan. Elemen matriks pada baris dan kolom ,
, menyatakan level ekspresi gen pada pasien
Data ekspresi gen dapat dinyatakan ke dalam graf bipartit dengan gen dan sampel masing-masing di kelompok titik yang berbeda [6].Bobot pada sisi yang menghubungkan antara gen dan sampel bernilai positif jika gen i relatif over-
Misalkan diberikan suatu matriks data ekspresi gen, sebut , dengan ukuran
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung
HASIL DAN PEMBAHASAN
Penyelesaian di atas berlaku untuk matriks ekspresi gen dengan elemen positif, negatif atau nol. Sedangkan khusus untuk matriks dengan elemen tak negatif, telah disimulasikan oleh Noviani,et. Al pada kankerkanker Leukemia[11].
melibatkan singular kedua dan ketiga sebagai visualisasi hasil pengelompokan sampel data.
clustering .Plot atau juga
6. Hitung bentuk dekomposisi nilai singular dari , ambil vektor singular kiri dan kanan Pertama. Hitung dan sebagai solusi dari masalah
5. Hitung matriks .
truncated SVD, yakni hasil
Pada pengolahan data selanjutnya digunakan normalisasi data terlebih dahulu, yakni dan
dekomposisinya hanya diambil vektor saja. Nilai ditentukan yaitu pada saat nilai singular mengalami lengkungan (elbow).Hal ini berarti bahwa hanya diambil vektor singular yang memiliki pengaruh cukup besar terhadap data.Berikut algoritma SVD gaps yang digunakan pada penelitian ini:
1. Tentukan [ ] 2.
Untuk i = 1 : k, 3. Untuk , pisahkan dan tentukan selisih(gaps) diantara vektor singular kananyang telah diurutkan..
Berdasarkan teorema tersebut, didapat algoritma sebagai berikut[10]:
Matriks data ekspresi gen, , dinormalisasi terlebih dahulu, baru kemudian dicari dekomposisi nilai singularnya. SVD yang digunakan adalah
( ) ( ) .[7]
dengan dan adalah vektor singular kiri dan kanan kesatu dari
( )
dan
( )
dapat diselesaikan dengan mengambil
‖ ‖ ‖ ‖
Masalah klustering (2) dapat diselesaikan dengan teorema berikut[7]: Teorema Masalah
Klustering Dengan Algoritma Higham
Pada penelitian ini akan dibahas implementasi dengan menggunakan algoritma dengan memanfaatkan hasil dari solusi analitik yang dibuat Higham, untuk selanjutnya disebut sebagai algoritma Higham. Untuk selanjutnya akan dibahas juga klustering dengan SVD-gaps pada data kanker paru-paru. SVD gaps pertama kali diperkenalkan oleh Douglas [5], yang menggunakannya untuk mengklusterkan data Yahoo!.
. Secara biologi, normalisasi data dapat menghilangkan efek karena adanya perbedaaan kondisi saat eksperimen dan dilakukan sedemikian sehingga penekanan ada pada pengelompokan(bi-clustering) data [9].
Klustering Dengan Svd-Gaps
1. Input matriks 2.
Bentuk matriks diagonal dengan elemen diagonal utama adalah akar entri dari vektor dan , yang dinotasikan dan
dan kolom
( )
3. Bentuk vektor dari jumlah total ekspresi baris
4. Jika gaps antara baris dan dari cukup besar, lebih dari sama dengan toleransi, maka bagi A dengan baris yang sesuai (columns).
5. Buat vektor kolom yang mengandung nama-nama cluster numerik dari untuk semua kolom.
6. Setelah menemukan untuk semua , bandingkan pola nama
cluster untuk baris .
Hitung jumlah total ekspresi dari nilai mutlak dari elemen di setiap baris ( ) dan setiap kolom ( ).
( ) 4.
Evi Noviani dkk: Klustering Data Ekspresi Gen dengan Metoda-metoda Berbasis
Dekomposisi Nilai Singular Studi Kasus: Data Ekspresi Gen Kanker Paru
Matriks di atas kemudian diacak kolom dan barisnya, kemudian diterapkan algoritma Higham dan SVD-gaps. Hasil algoritma tersebut dapat dilihat pada Gambar 1.
Gambar 5Nilai vektor singular pertama yang telah diurutkan dengan algoritma higham
gen i pada pasien j. Pada Gambar 2 dapat dilihat hasil simulasi dengan menggunakan algoritma Higham.
j matriks tersebut menunjukkan ekspresi
Untuk selanjutnya, dilakukan simulasi pada data kanker paru-paru. Data ekspresi gen kanker paru-paru yang akan diolah, terlebih dahulu diubah menjadi bentuk matriks data. Entri pada baris i dan kolom
Pada Gambar 1 dapat terlihatbahwa dengan algoritma Higham dan SVD-gaps, blok matriks dapat disusun kembali menjadi tiga. Hal ini menunjukkan bahwa dari data yang ada dapat dikelompokkan menjadi tiga kluster.
Matriks terdiri dari tiga submatriks yang relatif berbeda dengan entri yang lain. Gambar 1(c) merupakan matriks hasil pengurutan kembali dengan menggunakan algoritma Higham. Sedangkan Gambar 1(d) merupakan matriks hasil pengurutan dengan menggunakan SVD-gaps.
). Kemudian matriks diacak baris dan kolomnya dan disajikan dalam Gambar 1(b). Matriks hasil acak inilah yang akan diterapkan algoritmaHigham dan SVD- gaps. Dapat dilihat pada Gambar 1 (c) dan (d) matriks data dapat diurutkan kembali.
Gambar 4Hasil algoritma higham dan svd- gaps pada data simulasi Pada Gambar 1 (a) disajikan matriks awal yang dibentuk (
).Sedangkan menyatakan nilai yang dipilih secara random mengikuti distribusi normal dengan rataan 0 dan standar deviasi 1.
Jika kolom dan memiliki pola nama
Notasi rand menyatakan nilai yang dipilih secara random dengan menggunakan distribusi uniform (
| | sel inn
{ jik d n jik d n jik 1 d n
Algoritma Higham dan SVD gaps pertama-tama diimplementasikan pada matriks dengan aturan sebagai berikut:
Implementasi Algoritma
Toleransi yang digunakan untuk penentuan kluster baru pada penelitian ini adalah zscore dari selisih antara nilai vektor singular yang telah diurutkan lebih dari 3,5.
, maka kolom dan termasuk kedalam cluster yang sama.
cluster yang sama dalam
Gambar 2 menyatakan nilai vektor singular pertama dari data ekspresi gen kanker paru yang telah diurutkan. Dari sini terlihat belum adanya ketentuan pasien mana tergolong pada kluster apa. Pembentukan kluster baru terbatas dengan subjektifitas seseorang dalam melihat pengelompokannya. Jika nilai vektor singular pertama dan kedua diplot, maka akan didapatkan seperti pada Gambar 3. (a) 5 10 15 5 10 15 20 (b) 5 10 15 5 10 15 20 (c) 5 10 15 5 10 15 20 (d) 5 10 15 5 10 15 20 10 20 30 40 50 60 70
- -4 80 -6 -2 2 4 6 N 8 x 10 -3 Pasien ila i V e k to r S in g u la r P e rt a m a d e n g a n S k a la
- -6 -4 -2 2 4 6
- -3 8 x 10 -10 -8 -6 -4 -2 2 4 N 6 x 10 -3 Nilai Vektor Singular Kanan Pertama ila i V e k to r S in g u la r K a n a n K e d u a 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung
39
16
11 3 320-00_Adeno_p
73
61 3 237-97_Adeno
17
63 3 319-00PT_Adeno
24 4 184-96_node
72
18
52 3 313-99MT_Adeno
41
65 5 234-97_Adeno
19
18 3 313-99PT_Adeno
38 3 147-96_Adeno
68 3 320-00_Adeno_c
7 6 306-99_node
13
65
64 3 207-97_SCLC
12
34 3 257-97_Adeno
66
72 3 299-99_Adeno
55 3 204-97_Adeno
15
67
66 3 161-96_Adeno
14
39 3 11-00_Adeno
68
31 3 6-00_LCLC
22
20
11
42 8 248-97_LCLC
8 3 319-00MT1
69
62 8 256-97_LCLC
35
73 3 218-97_Adeno
71
36
27 7 184-96_Adeno
35 3 223-97_Adeno
70
25 9 191-96_Adeno
37
26 3 80-96_Adeno
61
34
40
44 3 185-96_Adeno
26
23
37 6 306-99_Adeno
21
32 3 178-96_Adeno
24
70 6 226-97_Adeno
41 3 165-96_Adeno
23 3 319-00MT2
25
28 6 222-97_Adeno
27
6 3 fetal_lung
64
30 6 314-99_SCLC
33
21 3 68-96_Adeno
48 3 230-97_SCLC
Gambar6Nilai vektor Singular Pertama yang telah diurutkan dengan algoritma Higham
17 1 157-96_SCC
57 3 166-96_SCC
32
13 1 314-99_normal
47
45 3 246-97_SCC_c
53
48
16 1 315-99_normal
36 3 246-97_SCC_p
62
46 2 315-99_SCLC
49
60 3 42-95_SCC Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001) Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001)
1
46
31
51
43
Jika diperhatikan, data-data pada Gambar 3 akan sulit untuk menentukan pasien termasuk kluster mana. Oleh karena itu, selanjutnya klustering dicoba dengan menggunakan SVD-gaps.
Dengan menggunakan algoritma pada SVD-gaps dapat diketahui bahwa pasien kanker paru-paru terbagi menjadi 11 kluster. Pasien normal termasuk dalam satu kluster. Sedangkan kluster
3 didominasi oleh pasien Adenocarsinoma. Hasil penghitungan dapat dilihat pada Tabel 1.
TABEL 3Hasil klustering pasien kanker paru Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001) Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001)
28
12 1 306-99_normal
43 3 139-97_LCLC
40 3 75-95_combined
29
10 1 219-97_normal
44
1 3 219-97_SCC
30
4 1 222-97_normal
45
53 3 181-96_Adeno
20 3 245-97_SCC
63
59
7
49 3 199-97_Adeno_p
58
3 3 220-97_SCC
8
47 3 199-97_Adeno_c
9 3 3-00_SCC
57
9
56 3 12-00_Adeno
60
29 3 58-95_SCC
10
51 3 137-96_Adeno
19 3 220-97_node
15 3 180-96_Adeno
2
2 3 69-96_Adeno
71 3 132-95_Adeno
52
59 3 239-97_SCC
3
58 3 198-96_Adeno
54
4
6
67 3 156-96_Adeno
55
5 3 232-97_node
5
50 3 187-96_Adeno
56
22 3 232-97_SCC
54 10 315-99_node
Evi Noviani dkk: Klustering Data Ekspresi Gen dengan Metoda-metoda Berbasis
Dekomposisi Nilai Singular Studi Kasus: Data Ekspresi Gen Kanker Paru
Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001) Nomor Pasien Nomor Baru Hasil Pengacakan Cluster Diagnosa Awal(Garber, 2001)
38
14 3 265-98_Adeno
50
69 11 245-97_node
42
33 3 59-96_SCC
Dari Tabel 1 dapat terlihat bahwa pasien normal terkelompokkan menjadi satu kelompok. Sedangkan kluster 3 didominasi oleh pasien adenocarsinoma. Kluster 8 hanya terdiri dari pasien LCLC.
Pada pembagian kluster dengan SVD- gaps tersebut, dapat terlihat pada Tabel 1 terdapat kluster yang hanya terdiri dari satu anggota.Terdapat pasien SCC tergolong pada kluster 3 yang anggota klusternya didominasi pasien Adeno. Yang menyebabkan hal ini terjadi sangat dipengaruhi oleh penentuan toleransi yang digunakan untuk pembentukan suatu kluster. Pada penelitian ini digunakan nilai
UCAPAN TERIMA KASIH
gaps, hasil klustering juga dipengaruhi pemilihan nilai k pada saat penentuan
truncated- SVD.
zscore 3,5. Selain penentuan toleransi
Data ekspresi gen telah dapat dikelompokkan dengan menggunakan teknik dekomposisi nilai singular. Dengan menggunakan algoritma Higham belum ada aturan mekanisme suatu pasien termasuk kluster mana, akan tetapi penentuan kluster dilakukan secara subjektif dengan melihat plot nilai vektor singular kanan pertama. Hal ini akan efektif ketika data yang diteliti nilai vektor singular kanannya antara kluster yang satu dengan yang lainnya terpisah sangat jelas. Tetapi untuk data kanker paru pada penelitian ini hampir tidak dapat dibedakan antara kluster yang satu dengan yang lain. Berbeda halnya dengan algoritma Higham, pada algoritma SVD- gaps sudah ada kriteria penentuan suatu kluster, yaitu melalui besarnya toleransi pada selisih antara nilai vektor singular kanan. Setiap pasien sudah ditetapkan termasuk kluster mana. Namun demikian, untuk memperbaiki ketepatan dalam menentukan kluster diperlukan kajian mengenai besarnya toleransi ini dan penentuan sampai dimensi berapa harus dihitung truncated-SVDnya.
Penelitian ini merupakan bagian dari Penelitian Pekerti tahun 2012 yang dibiayai Dikti.Terima kasih penulis ucapkan kepada Jurusan Matematika dan Fakultas MIPA Universitas Tanjungpura dan Dept. Matematika FMIPA ITB serta Dirjen Dikti yang telah mendukung penulis.
DAFTAR PUSTAKA _____, How Cancer Start.
Akses tanggal 30 April 2013
_____, The Relationship Between DNA and Cancer.
Akses tanggal 30 April 2013
Brunet, JP., Pablo Tamayo, T.R. Golub, & J.P. Mesirov. (2004). Metagenes and Molecular Pattern Discovery Using Matrix Factorization. Procidings of The National Academy of Sciences: 101.p. 4164-4169.
Noviani, Evi & Putra,Y. S., (2010), Pengklasteran Pasien Kanker Leukemia Berdasarkan Data Ekspresi Gen dengan Menggunakan Dekomposisi Nilai Singular. Journal of Mathematics and
Its Applications (Limits) : 7, p. 49-56
Douglas, E.P. (2008), Clustering datasets with Singular Value Decomposition, Thesis Master of Science in
KESIMPULAN
Kumpulan Makalah Seminar Semirata 2013 Fakultas MIPA Universitas Lampung
Mathematics, The Graduate school of the college of charleston. Higham, Desmond J, Gabriela K., J. Keith
Vass. 2005. Analysis of the singular value
decomposition as a tool for processing microarray expression data. In: Proceedings of ALGORITMY 2005, 13-18 March 2005, p.250-259, Podbanské, Slovakia.
Higham, Desmond J, Gabriela K., J. Keith Vass. 2007. Spectral Analysis of Two- signed Microarray Expression Data.
Mathematical Medicine and Biology : 24, p. 131-148
Garber, M. E., et.al.,(2001). Diversity of Gene Expression in Adenocarcinoma of The Lung. Procidings of The
National Academy of Sciences: 98, p. 13784 –13789.
Kluger, Y., R Basri, J.T Chang, et al.(2003).
Spectral Biclustering of Microarray Data: Coclustering Genes and Conditions. Genome Research .13, 703-716.
Noviani, Evi, K. A. Sidarto, Y. S. Putra, (2012). Pengelompokan Pasien Kanker Liver Berdasarkan Data Ekspresi Gen dengan Struktur Papan Catur. Prosiding KNM XVI- 3-6 Juli 2012- UNPAD, Jatinangor.
Noviani, E. dan Putra, Y.S., (2010) Pengklasteran Pasien Kanker Leukemia Berdasarkan Data Ekspresi Gen dengan Menggunakan Dekomposisi Nilai Singular. Limits. 7, 49-55.