📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenANALISIS POLA METILASI PADA SUBTIPE KANKER PARU-PARU ADENOCARCINOMA (LUAC) DAN SQUAMOUS CELL (LUSC) SECARA IN SILICO
Diagnosis subtipe kanker non-small cell lung cancer (NSCLC), khususnya adenokarsinoma (LUAC) dan karsinoma sel pipih (LUSC), masih menghadapi tantangan dalam akurasi dan konsistensi. Tantangan utama dalam diagnosis kedua subtipe ini adalah metode imunohistokimia (IHK) yang diketahui memiliki tingkat kesalahan akibat subjektivitas hingga 40%. Kesalahan tersebut dapat memicu keterlambatan penanganan serta komplikasi akibat biopsi berulang. Penelitian ini bertujuan untuk mengamati pola metilasi DNA menggunakan Random Forest (RF) dan Artificial Neural Network (ANN), serta mengidentifikasi gen-gen baru yang berpotensi menjadi marker tambahan untuk membedakan LUAC dan LUSC. Data genom LUAC (n=473) dan LUSC (n=369) dikumpulkan dari The Cancer Genome Atlas (TCGA) dan diproses menggunakan pustaka Sesame (R). Seleksi fitur terhadap titik metilasi dilakukan dengan RF menggunakan pendekatan Local False Discovery Rate (LFDR). CpG terseleksi dari RF (n=2396) digunakan untuk melatih ANN dan diuji pada dataset GSE158422 dan GSE180060. Performa algoritma diperoleh dalam bentuk matriks akurasi, Receiver Operator Curve (ROC), dan Area Under Curve (AUC). Gen-gen terkait CpG utama yang digunakan oleh ANN diidentifikasi dan diuji korelasinya terhadap data mRNA menggunakan metode Spearman. Dari uji eksternal, ANN mencapai akurasi umum 92% dengan AUC sebesar 85,8% dalam membedakan kedua subtipe. Sebanyak 13 gen teridentifikasi dari CpG utama ANN, dengan ZNF750, SHISA4, dan TNS4 menunjukkan korelasi metilasi-ekspresi yang sangat kuat serta pola ekspresi yang konsisten antar subtipe. Titik metilasi pada ZNF650 dan TNS4 teramati mengalami hipermetilasi (beta >0,8) pada LUAC, sementara SHISA4 mengalami hipometilasi pada LUAC (beta <0,3). Ketiga gen tersebut diketahui berperan dalam regulasi fenotip kedua subtipe serta kemampuan metastasis. Namun, pola kontras dan korelasi produk protein dari gen-gen ini pada kedua subtipe perlu dikonfirmasi lebih lanjut. Dengan demikian, dapat disimpulkan bahwa pendekatan RF dan ANN memiliki potensi untuk digunakan pada masa mendatang dalam pencarian marker metilasi serta membantu membedakan subtipe dalam diagnosis LUSC dan LUAC.
SUPERVISED LEARNING DALAM KLASIFIKASI TUMOR GRADE HEPATOCELLULAR CARCINOMA BERDASARKAN METILASI DAERAH PROMOTER DNA
Hepatocellular carcinoma (HCC) merupakan jenis kanker hati primer yang paling dominan, dengan prevalensi ke-6 di dunia dan ke-5 di Indonesia, serta peringkat kematian akibat kanker ke-4 di dunia dan ke-3 di Indonesia. Untuk menekan prevalensi dan kematian akibat kanker ini, diperlukan suatu upaya precision cancer. Tumor grade pada HCC, yang terdiri dari G1 (terdiferensiasi baik), G2 (terdiferensiasi sedang), G3 (kurang terdiferensiasi), dan G4 (tak terdiferensiasi), memiliki kemampuan prognosis yang baik berdasarkan histologi. Namun, heterogenitas molekuler yang tinggi pada HCC memerlukan identifikasi profil molekuler yang berkorelasi dengan perkembangan tumor grade. Metilasi DNA berperan penting dalam inisiasi dan progresi kanker melalui penghambatan ekspresi gen tumor suppressor dan induksi ekspresi gen proto-oncogene. Namun, belum terdapat penelitian yang mengkorelasikan profil metilasi DNA dengan sistem tumor grade HCC. Selain itu, data metilasi DNA merupakan data berdimensi tinggi dan kompleks sehingga diperlukan metode analisis yang tepat. Oleh karena itu, penelitian ini bertujuan untuk menentukan apakah tumor grade HCC (G1, G2, G3) dan jaringan normal dapat dibedakan berdasarkan data metilasi DNA daerah promoter melalui pendekatan supervised learning, serta mengidentifikasi gen-gen termetilasi yang relevan dan hubungannya dengan proses biologis terkait migrasi, proliferasi, dan diferensiasi sel. Data metilasi DNA dikoleksi dari studi TCGA-LIHC dan GEO GSE61278, terdiri dari 433 data (G1: 46 sampel, G2: 167 sampel, G3: 120 sampel, normal: 100 sampel). Setelah proses seleksi fitur probe CpG dan oversampling dengan SMOTE, didapatkan 1044 situs CpG yang mencakup 928 gen dan 167 titik data yang seimbang untuk setiap kelas. Kandidat model supervised learning yang diuji meliputi Gaussian NB, linear SVM, kernel SVM, random forest, dan neural network. Evaluasi performa menunjukkan model linear SVM dan kernel SVM dengan kernel polinomial memiliki performa terbaik dengan nilai metrik evaluasi keseluruhan adalah 90% dalam memprediksi G1, G2, G3, dan normal. Namun, klasifikasi antara G2 dan G3 memerlukan klasifikasi biner dengan model kernel SVM dengan kernel RBF untuk performa terbaik dengan nilai metrik evaluasi keseluruhan adalah 85%. Analisis lanjutan dengan SHAP mengungkapkan didapatkan 400 gen relevan dengan 88 gen terhipermetilasi dan 312 gen terhipometilasi relatif terhadap normal. Dari 10 gen terhipermetilasi dan terhipometilasi relevan untuk masing-masing tumor grade, mayoritas valid berdasarkan literatur dan berperan dalam aktivasi jalur persinyalan Wnt/?-catenin, PI3K/Akt, ERK, TNF?-NF?B, regulasi ECM, regulasi sitoskelet, dan siklus sel. Pola metilasi gen-gen relevan yang didapatkan juga mendukung proses migrasi, proliferasi, dan dediferensiasi seiring perkembangan tumor grade HCC yang melibatkan jalur persinyalan ERK/MAPK, Ras, persinyalan Ca2+, dan aktivitas fosforilasi serta defosforilasi.