Rangkuman Bab 3

Back to IF3211 Komputasi Domain Spesifik

Rangkuman Komprehensif: Genetika Molekuler, Ekspresi Gen, dan Genomik

Questions/Cues

• Bagaimana DNA mempertahankan stabilitas sekaligus mereplikasi diri secara akurat?

• Bagaimana kode genetik dalam DNA diterjemahkan menjadi sifat fenotipik melalui sintesis protein?

• Mengapa kesalahan kecil pada tingkat nukleotida (mutasi) dapat menjadi kunci dalam evolusi dan adaptasi?

• Bagaimana algoritma ilmu komputer digunakan untuk memecahkan (sequencing) kode genom berskala gigabase?

• Apa yang dapat kita pelajari dari membandingkan genom antar spesies menggunakan pendekatan bioinformatika?

Reference Points

• Campbell Biology in Focus (Bab 13, 14, 18)

• Lecture Slides IF3211 (DNA Replication, Gene Expression, Genomics)

• Dokumen: Sequencing Technology Review, Human Genome Project Summary

1. Struktur dan Replikasi DNA

DNA terdiri dari dua untai polinukleotida anti-paralel yang membentuk double helix. Kestabilannya berasal dari tulang punggung gula-fosfat dan ikatan hidrogen pasangan basa komplementer (A=T, G$\equiv$C). Dalam proses replikasi, enzim helikase membuka heliks, dan DNA polymerase mensintesis untai baru secara $5^{\prime }\to 3^{\prime }$. Karena arah sintesis yang searah ini, replikasi menghasilkan untai kontinu (leading strand) dan untai terputus-putus (lagging strand / fragmen Okazaki). Integritas replikasi dijaga melalui mekanisme proofreading (eksonuklease $3^{\prime }\to 5^{\prime }$) dan Mismatch Repair (MMR) yang menekan tingkat kesalahan hingga $1$ per $10^9$ nukleotida.

2. Ekspresi Gen: Transkripsi dan Translasi

Informasi genetik diekspresikan (Sentral Dogma) lewat dua tahap utama:

• Transkripsi: Berlangsung di inti sel (pada eukariot). RNA polymerase membaca DNA template untuk menyintesis messenger RNA (mRNA). Proses ini melibatkan inisiasi di daerah promoter, elongasi, dan terminasi.

• Translasi: Terjadi di sitoplasma. Ribosom membaca kodon (tiga basa nukleotida) pada mRNA. Molekul tRNA dengan antikodon yang komplementer akan membawa asam amino spesifik. Asam amino dirangkai melalui ikatan peptida hingga menemukan kodon STOP.

Keduanya diregulasi secara ketat—mulai dari splicing pada transkripsi hingga regulasi mTOR pada translasi—untuk menyesuaikan produksi protein dengan kebutuhan sel.

3. Mutasi dan Konsekuensinya

Kerusakan DNA akibat radiasi atau lolosnya proses proofreading menghasilkan mutasi. Mutasi titik berdampak pada urutan kodon:

• Missense: Mengubah asam amino spesifik (misal: penyakit anemia sel sabit dari mutasi pada gen $\beta$-globin).

• Nonsense: Menghasilkan kodon stop prematur, sering menyebabkan protein terpotong dan tidak berfungsi.

• Silent: Mutasi netral yang tidak mengubah asam amino karena redundansi kodon.

  Meskipun banyak yang merugikan atau netral, mutasi adalah variasi mentah untuk seleksi alam dan evolusi (misal: resistensi antibiotik, kemampuan adaptasi).

4. Teknologi Sequencing dan Bioinformatika

Penentuan urutan genom mengalami revolusi teknologi:

• Generasi Pertama (Sanger): Lambat tapi sangat akurat. Digunakan pada Human Genome Project bersama strategi Whole-Genome Shotgun.

• Generasi Kedua (NGS): Membaca jutaan read pendek secara paralel, sangat cepat, throughput tinggi, namun rentan pada daerah DNA berulang.

• Generasi Ketiga (Long-read): Mampu membaca fragmen DNA yang sangat panjang untuk menutup celah (gap) dalam perakitan genom.

Diperlukan pendekatan bioinformatika seperti algoritma de Bruijn graph dan Overlap-Layout-Consensus (OLC) untuk merakit jutaan read menjadi urutan kromosom utuh.

5. Genomik Komparatif

Genom yang telah terakit (seperti data dari NCBI dan Ensembl) digunakan dalam genomik komparatif. Membandingkan ukuran, kepadatan gen, dan urutan basa antarspesies memberikan wawasan kuat mengenai filogeni dan pohon evolusi. Variasi $1,2\%$ Single Nucleotide Polymorphism (SNP) antara manusia dan simpanse menjelaskan asal-usul adaptasi kita (seperti imun dan otak). Analisis Horizontal Gene Transfer (HGT) pada prokariota juga memetakan persebaran cepat faktor resistensi dan virulensi bakteri.

Summary

Keberlangsungan biologis bertumpu pada stabilitas replikasi DNA yang dijaga ketat oleh sistem proofreading serta mesin ekspresi gen melalui transkripsi dan translasi. Di sisi lain, perubahan pada tingkat ini (mutasi) menyediakan bahan bagi divergensi evolusioner. Saat ini, kemajuan pesat Teknologi Genomik (NGS) dan analisis komputasional algoritma perakitan memungkinkan kita mengeksplorasi miliaran pasang basa. Melalui genomik komparatif, ilmuwan memanfaatkan big data biologi untuk mengungkap pola adaptasi genetik masa lalu dan menemukan target terapi gen yang presisi untuk masa depan.

Additional Information

Landasan Formal & Matematis

1. Kinetika Proofreading: Kecepatan pemotongan basa yang salah oleh polimerase (k_exo) jauh melampaui laju polimerisasinya (k_pol), dapat dimodelkan dengan modifikasi kinetika Michaelis-Menten. Hal ini menjamin perbaikan dilakukan seketika sebelum replikasi dilanjutkan.

2. Distribusi Probabilitas Mutasi: Tingkat munculnya mutasi gen dapat dimodelkan menggunakan distribusi Poisson, $P(k;\lambda )=e^{-\lambda }{\lambda }^k/k!$. Model ini krusial saat menghitung laju munculnya mutasi langka penyebab tumor (sel somatik) maupun adaptasi genetik.

3. Kompleksitas Algoritma Perakitan Genom: Algoritma perakitan berbasis NGS menggunakan de Bruijn graph dengan pembagian k-mer. Kompleksitas memori berada di rentang $\mathcal{O}(N\cdot k)$ dengan waktu transversal lintasan Eulerian sekitar $\mathcal{O}(L\log L)$. Hybrid assembly menggunakan OLC menurunkan kesalahan perakitan secara drastis dengan kompleksitas logaritmik yang disesuaikan (MinHash).

Self‑Exploration Projects

4. Membangun Mini-Assembler: Menggunakan dataset E. coli publik, buat skrip Python yang menyusun de Bruijn graph dari reads berformat FASTQ, lakukan perakitan dasar, lalu bandingkan statistik N50-nya menggunakan QUAST.

5. Analisis Variasi (SNP) Manusia-Simpanse: Melalui data dari 1000 Genomes Project, lakukan ekstraksi data komparatif menggunakan vcftools untuk melihat persentase mutasi Missense vs Nonsense dan identifikasi Selective Sweep pada gene driver.

6. Simulasi Replisom & CRISPR: Buat kode komputasional yang melatih pemahaman perbaikan NHEJ pasca pemotongan menggunakan guide-RNA (Cas9) untuk melihat terbentuknya mutasi Indel (Insertion-Deletion) yang mengacak open reading frame gen tersebut.

Tools and Resources

• Sequencing Aligner & Assembler: BWA-MEM dan Bowtie2 (untuk NGS short-reads), SPAdes, MEGAHIT, Flye.

• Variant Calling: GATK (Genome Analysis Toolkit), FreeBayes.

• Library Pemrograman: Biopython (manipulasi seq DNA, RNA), PyDNArep (simulasi replisom).

• Database & Platform: Ensembl, NCBI Genome, UCSC Genome Browser.