Sebuah Tulisan Bioinformatika – Pemodelan Statistik Urutan (Part 1)

Holaa…seperti yang saia janjikan, kali ini saia kembali dengan topik baru. Well, topik ini sebenarnya masih terkait dengan topik sebelumnya (pencarian similaritas database) karena salah satu aplikasinya adalah untuk pencarian tersebut. Nah pada tulisan ini saia ingin mengajak teman-teman semua untuk mengenal apa yang dinamakan sebagai pemodelan statistik urutan, bagaimana cara membuatnya, dan bagaimana aplikasinya. Oke, mari kita lanjutttt…

Saia akan memulai topik ini dengan hal yang umum dijumpai di dalam bioinformatika, yakni jajaran urutan banyak (multiple sequence alignment). Bayangkan sebuah kodisi dimana teman-teman memiliki sebuah jajaran dari sejumlah urutan. Nah jika saia minta untuk menjabarkan bagaimana pola yang terdapat pada jajaran tersebut, bagaimana teman-teman menjawabnya? Untuk lebih memperjelas serta menyamakan imajinasi, mari kita lihat pada Gambar 1. Pertanyaan yang saia ajukan barusan pasti akan dijawab dengan mudah jika yang teman-teman miliki adalah jajaran (a). Namun jika yang kalian miliki adalah jajaran (b), akan sedikit sulit menjawabnya. Well, walau saia telah menuliskan polanya yang berupa urutan konsensus, terdapat kekurangan di dalam pola yang ditulliskan tersebut. Kekurangannya adalah, dengan hanya mengandalkan urutan konsensus tersebut, kita kehilangan informasi mengenai frekuensi jenis residu (dalam hal ini nukleotida) pada setiap posisi di dalam masing-masing urutan. Lalu kenapa? Tetunya hal ini akan berakibat pada sensitivitas pencarian yang kecil sehingga berdampak pada pencarian database yang tidak menyeluruh atau dengan kata lain menghilangkan urutan-urutan yang berpotensi homolog dengan jajaran yang kita miliki.

Gambar 1. Pola urutan konsensus pada jajaran yang identik satu dengan lainnya (a) dan, yang lebih sering muncul pada kasus biologis, jajaran dengan mutasi pada beberapa posisinya (b).

Untuk mengatasi masalah di atas, sebuah cara alternatif yang disebut sebagai pemodelan statistik urutan dapat dilakukan. Pemodelan statistik urutan merupakan sebuah cara untuk menagkap dan mempertahankan informasi statistik yang terdapat di dalam sebuah jajaran. Nantinya, pemodelan ini akan menghasilkan profil urutan, yang merupakan model statitsik yang menjelaskan frekuensi residu nukelotida atau asam amino pada setiap posisi di dalam sebuah jajaran urutan. Dua metode yang digunakan untuk menghasilkan profil urutan ini adalah position-specific scoring matrices (PSSM) dan hidden Markov model (HMM). Pada tulisan ini saia akan memfokuskan pembahasan pada PSSM dan menyisakan HMM untuk part berikutnya.

Position-specific scoring matrices atau yang disingkat dengan PSSM dapat didefinisikan sebagai sebuah matriks berisi informasi mengenai probabilitas nukleotida atau asam amino pada setiap posisi di dalam sebuah jajaran urutan banyak. Dalam metode ini, kita mengkonstruksi sebuah matriks frekuensi (C_kj) yang mencatat frekuensi kemunculan setiap jenis residu (nukleotida atau asam amino) pada setiap posisi  dan kemudian mengkonversinya ke dalam matriks log-probabilitas (M_kj) PSSM yang berisi informasi probabilitas kemunculan residu tertentu pada posisi tertentu (Gambar 2). Nah bermodalkan matriks PSSM ini, kita dapat menghitung probabilitas kemunculan sebuah urutan sehingga nantinya kita dapat menentukan apakah sebuah urutan dapat dikatakan termasuk ke dalam kelompok jajaran urutan yang kita miliki atau tidak.

Gambar 2. Skema konstruksi matriks log-probabilitas PSSM. Keterangan: p_j = probabilitas acak kemunculan sebuah residu (0,25 untuk nukleotida dan 0,05 untuk asam amino); Z = jumlah urutan. Rumus yang tertera didasarkan pada Gibskov et al. (1987) dan Hertz & Stormo (1999).

Sekarang kita coba aplikasikan matriks PSSM ini untuk sebuah kasus, yakni apakah urutan CCTTTTAA termasuk ke dalam jajaran urutan yang kita miliki atau tidak. Untuk menentukannya, kita perlu membandingkan probabilitas urutan query tersebut terhadap urutan dengan probabilitas tertinggi. Probabilitas tertinggi sebuah urutan merupakan susunan dari probabilitas tertinggi dari setiap posisinya. Dengan demikian, kita dapat dengan mudah menjumlahkan probabilitas tertinggi pada setiap posisi. Dengan cara ini, kita memperoleh urutan CCAATTTA memiliki probabilitas tertinggi, yakni 1,2 + 1,3 + 0,8 + 1,3 + 0,6 + 1,3 + 1,2 + 0,6 = 8,3. Nah dengan perhitungan yang sama, urutan query kita memiliki skor 1,2 + 1,3 + 0.2 + (-2,4) + 0,6 + 1,3 + (-0,8) + 0,6 = 2,0. Lantas, apakah nilai 2,0 ini membuat si urutan query diterima ke dalam persaudaraan urutan kita atau tidak? Jawabannya, bisa ya dan bisa juga tidak tergantung dari jenis urutannya. Sebagian kelompok urutan cukup beragam sehingga memiliki kisaran nilai probabilitas yang besar, namun sebagian juga memiliki kisaran  yang sempit. Namun dalam kasus ini kita pinjam saja aturan dari Harbison et al. (2004) yang menyatakan bahwa ambang batas penerimaan sebuah urutan adalah jika nilainya >60% dari nilai probabilitas tertinggi. Hal ini berarti ambang minimumnnya adalah 4,98. So, kesimpulannya? Err..sorry bro, the query is not accepted.

Setelah kita mempelajari semua ini, teman-teman pasti akan bertanya, lantas apa gunanya metode semacam ini? Well, dengan metode ini kita dapat melakukan pencarian similaritas database (PSD) tingkat lanjut. Yaa semacam level up dari PSD yang kemarin sudah dijelaskan lah. Pencarian similaritas semacam ini disebut juga sebagai pencarian berdasarkan profil (profile-based search). Ya tentu saja kita tidak harus membuat profil PSSM ini secara manual karena sudah ada program yang didedikasikan untuk itu. Perkenalkanlah Position-Specific Iterated BLAST atau disingkat PSI-BLAST, sebuah program persembahan NCBI GenBank yang didedikasikan untuk pencarian berdasarkan profil PSSM semacam ini.

Ingin tahu lanjutannya mengenai PSI-BLAST? Nantikan di part berikutnya yak. Saia rasa segini dulu, biar ga terlalu panjang tulisannya..hehehe. Enjoy the read!!

Salam,

KohVic

Pustaka

Gribskov, M., A. D. McLachlan, & D. Eisenberg. 1987. Profile analysis: detection of distantly related proteins. Proceedings of the National Academy of Sciences 84: 4355–4358.

Harbison, C. T., D. B. Gordon, T. I. Lee et al. 2004. Transcriptional regulatory code of a eukaryotic genome. Nature 431: 99–104.

Hertz, G. Z. & G. D. Stormo. 1999. Identifying DNA and protein patterns with statistically significant alignments of multiple sequences. Bioinformatics 15 (7): 563–577.