Galeri Proyek IF3211 – Komputasi Spesifik Domain

Kanker payudara merupakan salah satu jenis kanker yang paling umum dan menjadi penyebab utama kematian akibat kanker pada wanita di seluruh dunia. Salah satu faktor utama yang berkontribusi terhadap kanker payudara adalah mutasi genetik pada gen penekan tumor. Deteksi dini mutasi genetik ini sangat penting untuk pencegahan dan pengelolaan kanker payudara. Penelitian ini mengusulkan pengembangan model machine learning berbasis Deep Learning untuk mendeteksi mutasi genetik pada sekuens DNA, khususnya pada gen BRCA1 dan BRCA2, dengan tujuan memberikan hasil deteksi yang cepat dan tepat. Model yang diterapkan meliputi Temporal Convolutional Network (TCN), Convolutional Neural Network satu dimensi (1D-CNN), dan Recurrent Neural Network (RNN) BiLSTM, menggunakan teknik sequential labeling untuk mengidentifikasi jenis dan indeks mutasi pada setiap nukleotida. Data sekuens DNA yang digunakan berasal dari sampel pasien penderita kanker payudara dari Catalogue of Somatic Mutation in Cancer (COSMIC). Hasil pengujian menunjukkan bahwa TCN memiliki kinerja terbaik dengan F1-score 0.8602, mengungguli ID-CNN (0.8325) dan BiLSTM (0.8325), serta menunjukkan waktu deteksi yang lebih rendah. Analisis mutasi yang terdeteksi menunjukkan dominasi mutasi C→A dan C→T, yang konsisten dengan literatur mutasi genom manusia sebagai mutasi driver pada banyak gen penekan tumor. Penelitian ini berkontribusi dalam pemanfaatan machine learning untuk analisis bioinformatika, khususnya dalam mendeteksi mutasi genetik secara otomatis dan cepat, yang diharapkan dapat mendukung diagnosis dini dan pengelolaan kanker payudara yang lebih efektif.

Rizosfer merupakan zona tanah yang aktif secara biologis dan sangat dipengaruhi oleh aktivitas akar, di mana komunitas mikroba memainkan peran penting dalam siklus nutrisi dan kesehatan ekosistem. Penelitian ini bertujuan untuk mengkaji bagaimana paparan limbah perkotaan memengaruhi struktur dan keanekaragaman komunitas bakteri di rizosfer, mengidentifikasi taksa dominan atau yang mengalami perubahan signifikan, serta menemukan biomarker mikroba potensial yang berperan dalam respons terhadap stres lingkungan. Analisis dilakukan terhadap 27 sampel metagenom (BioProject PRJNA1229183) menggunakan sekuensing gen 16S rRNA (V3–V4) dan dianalisis dengan QIIME2, DADA2, dan PICRUSt2. Hasil menunjukkan adanya perbedaan struktur komunitas mikroba antar sampel berdasarkan analisis βdiversitas, dengan dominasi filum Proteobacteria, Actinobacteriota, dan Firmicutes. Beberapa genus seperti Pseudomonas, Geobacter, Hydrogenophaga, dan Acidovorax teridentifikasi memiliki peran penting dalam fiksasi nitrogen dan bioremediasi. Prediksi fungsi genetik mengungkap dominasi gen rpoE dan ABC-type transporters yang terkait dengan respons stres membran, berpotensi sebagai biomarker molekuler. Studi ini memberikan pemahaman awal mengenai adaptasi mikroba rizosfer terhadap tekanan limbah perkotaan serta mengidentifikasi taksa dan gen fungsional yang relevan untuk strategi pemantauan dan pemulihan ekosistem tanah di lingkungan perkotaan.

Evolusi merupakan salah satu konsep dalam ilmu biologi yang menjelaskan tentang perubahan sifat dari suatu makhluk dan diwariskan ke generasi selanjutnya. Evolusi digunakan makhluk hidup untuk beradaptasi dengan lingkungan sehingga dapat meningkatkan rentang hidupnya. Mutasi berperan sebagai bentuk perubahan yang dilakukan pada materi genetik. Untuk dapat mempelajari hal tersebut, akan dirancang simulasi yang dapat memvisualisasikan evolusi. Akan digunakan bakteri sebagai subjek penelitian utama karena sifatnya yang uniseluler dan memiliki struktur genetik yang bisa tidak terlalu komplek. Simulasi secara khusus berfokus pada evolusi resistensi antibiotik pada populasi bakteri, dimana tekanan seleksi dari paparan antibiotik akan memicu mutasi yang memungkinkan bakteri bertahan hidup. Model simulasi menggunakan genetic algorithm untuk merepresentasikan proses mutasi, seleksi alam, dan reproduksi bakter dalam lingkungan yang mengandung antibiotik dengan konsentransi bervariasi. Evolusi ini kemudian divisualisasikan agar dapat mengamati pola perkembangan resistensi, dan dinamikan evolusi bakteri dari waktu ke waktu. Hasil simulasi diharapkan dapat memberikan pemahaman yang baik tentang mekanisme evolusi resistensi antibiotik dan faktor yang mempengaruhi kecepatan perkembangannya di tingkat populasi.

Orangutan conservation faces critical challenges due to habitat fragmentation and genetic bottlenecks across three species: Sumatran (Pongo abelii), Bornean (Pongo pygmaeus), and Tapanuli (Pongo tapanuliensis). Traditional conservation approaches lack integration of genomic diversity with spatial distribution data. This paper presents PhyloGeoVis, a computational framework that combines phylogenomic analysis with interactive geospatial visualization to prioritize orangutan conservation efforts. Our approach employs multiple sequence alignment, maximum likelihood phylogenetic reconstruction, population viability analysis, and GIS integration to analyze genomic sequences from NCBI GenBank databases. The system provides conservation decision support through interactive visualization of genetic diversity patterns, identification of genomic regions under selection pressure, and extinction risk assessment. Performance evaluation demonstrates computational efficiency and biological relevance for conservation practitioners.

Gene Regulatory Networks (GRNs) play a crucial role in understanding complex molecular mechanisms underlying plant growth and development. This study presents a novel computational approach for modeling GRNs in Arabidopsis thaliana using Graph Neural Networks (GNNs). We utilized gene co-expression data from the ATTED-II database to construct correlation graphs where nodes represent genes and edges represent significant correlations between gene pairs. The GNN architecture was implemented using PyTorch to learn complex regulatory patterns and generate low-dimensional vector embeddings for each gene. These embeddings were then used to identify hub genes and construct the regulatory network structure. To evaluate the constructed GRN, we employed GO enrichment analysis by comparing positive and negative gene sets based on their regulatory distance from identified master regulator genes. Our results demonstrate that PSBO1 emerges as a key master regulator gene, with GO enrichment analysis showing significantly lower p-values and FDR rates for genes directly regulated by PSBO1 compared to distantly regulated genes (difference factor of less than 10^-6). This validation confirms PSBO1’s central role in photosynthesis regulation, consistent with biological literature. Our approach successfully demonstrates the effectiveness of GNNs in inferring regulatory relationships from co-expression data and identifying biologically meaningful hub genes in plant regulatory networks.

Mammalian species have evolved diverse physiological and morphological adaptations to survive in extreme environments, mainly classified to be aquatic and marine, terrestrial, and non-aquatic caves and subterranean. Understanding these adaptation patterns is crucial for evolutionary biology research and conservation efforts. This study presents a machine learning approach to classify mammalian species into their primary habitats based on biological traits. We developed supervised classification models using a comprehensive dataset of 1456 mammalian species with 31 biological features including life history traits, morphological traits, reproductive traits, ecological traits, and behavioral traits. Random Forest, combined with Multi Output Classifier was evaluated using holdout testing. The model achieved high classification accuracy and identified key biological features most indicative of habitat adaptation. Results demonstrate the effectiveness of machine learning in revealing complex species-environment relationships and provide insights for predicting mammalian responses to environmental changes.

Penelitian ini mengembangkan model simulasi berbasis agen (Agent-Based Modeling, ABM) untuk mempelajari dinamika kekayaan dan populasi spesies burung di Kepulauan Galapagos. Lingkungan simulasi dibangun dari data GIS Pulau Galapagos, yang diolah menggunakan GeoPandas dan Shapely menjadi grid spasial berisi tipe habitat. Setiap agen merepresentasikan satu individu burung dengan atribut biologis seperti laju reproduksi, mortalitas, rentang energi, preferensi habitat, dan kemampuan dispersi, yang dinormalisasi per langkah mingguan. Proses inti adalah imigrasi acak dari daratan utama, dispersal, perolehan energi, kematian, dan reproduksi dijalankan pada rentang waktu diskrit selama beberapa tahun simulasi. Data keluaran mencakup tren populasi total per spesies, kekayaan spesies per pulau (Species Area Relationship dan Species Isolation Relationship), serta peta distribusi akhir individu di atas peta habitat. Hasil simulasi menunjukkan bahwa ukuran pulau, tipe habitat, dan jarak isolasi secara sinergis mempengaruhi variasi kekayaan spesies, sesuai teori biogeografi pulau. Validasi menggunakan Indeks Jaccard dan Root Mean Square Error (RMSE) terhadap data estimasi populasi lapangan mengkonfirmasi kemampuan model mereplikasi komposisi dan jumlah populasi dengan tingkat akurasi yang bervariasi di setiap pulau. Model ini menyediakan alat kuantitatif untuk memahami pola ekologis di ekosistem pulau dan mendukung perencanaan konservasi berbasis data.