Pendekatan bioinformatika semakin banyak digunakan pada berbagai penelitian, termasuk dalam pemuliaan tanaman. Bioinformatika dimanfaatkan dalam proses penyeleksian varietas unggul. Teknologinya kian berkembang dan semakin memudahkan pemulia tanaman.<\/p>\n\n\n\n
Dr Willy Bayuardi Suwarno, Dosen IPB University dari Departemen Agronomi dan Hortikultura, Fakultas Pertanian menjelaskan bahwa untuk mendapatkan varietas unggul, perlu dilakukan seleksi mulai dari potensi genetiknya. Dengan analisis bioinformatika, potensi produktivitas hasil tanaman dapat diketahui lebih awal tanpa menunggu waktu panen.<\/p>\n\n\n\n
\u201cYakni dengan memanfaatkan marka genetik untuk memrediksikan potensinya. Contohnya adalah menggunakan metode Genomic Estimate Breeding Values (GEBVs). Metode ini digunakan untuk menduga nilai pemuliaan dari suatu individu atau galur berdasarkan informasi marka,\u201d jelasnya dalam Bioinformatics Webinar Series ke-7 berjudul \u201cGenomic Selection in Plant Breeding\u201d.<\/p>\n\n\n\n
Kegiatan ini digelar oleh Fakultas Matematika dan Ilmu Pengetahuan (FMIPA) bekerja sama dengan Departemen Agronomi dan Hortikultura Fakultas Pertanian, Departemen Ilmu Komputer, Departemen Biokimia dan Pusat Studi Biofarmaka Tropika (Trop BRC) IPB University (09\/11).<\/p>\n\n\n\n
Ia menambahkan bahwa informasi yang digunakan yakni data fenotipe sebagai variabel respon dan marka SNP (Single Nucleotide Polymorphism) sebagai prediktornya. Pemulia tanaman nantinya dapat menyeleksi varietas unggul berdasarkan nilai GEBVs. \u201cPenerapannya dapat dicontohkan pada proses biofortivikasi tanaman jagung di negara-negara sub sahara seperti Afrika. Jagung sebagai pangan utama masyarakatnya ditambahkan kandungan provitamin-A untuk mengatasi kasus defisiensi vitamin A,\u201d imbuhnya.<\/p>\n\n\n\n
Menurutnya, metode ini digunakan untuk menentukan SNP (Single Nucleotide Polymorphism) yang paling berasosiasi dengan fenotipe yang paling menguntungkan. Kolaborasi antar bidang ilmu terutama terkait in silico breeding sangat penting. Terutama pemuliaan tanaman ini membutuhkan simulasi dengan komputer.<\/p>\n\n\n\n
\u201cSeleksi genomik memiliki prospek yang baik. Kita dapat mencoba dengan data set yang ada dan terbuka untuk melakukan pelatihan model prediksi tanpa perlu mengeluarkan suatu investasi yang besar untuk mendapatkan gambaran yang baik terkait prospek seleksi genomik ini. Tentunya diperlukan kolaborasi lintas bidang,\u201d jelasnya.<\/p>\n\n\n\n
Dr Wisnu Ananta Kusuma, Dosen IPB University Departemen Ilmu Komputer FMIPA turut menjelaskan penggunaan SNP yang lebih digemari karena variasi data genetiknya dan pemanfaatannya cukup luas. Ia menyebutkan bahwa sekuens referensi dan fragmen merupakan dua komponen penting dalam melakukan identifikasi SNP. Kualitas fragmen perlu diketahui sebelum melakukan sequence mapping. Bila terdapat noise dalam fragmen, dapat dilakukan pembersihan dengan program Trimmomatic. Proses alignment atau mapping merupakan tahapan yang paling krusial dalam memberikan kesimpulan yang baik dan benar.<\/p>\n\n\n\n
\u201cDikarenakan prosesnya yang rumit, dibutuhkan program algoritma untuk melakukan mapping dan filtering yang lebih efektif. Salah satunya dengan ISNIP (Integrated Single Nucleotide Polymorphisme Pipeline) yang dikembangkan IPB University bekerja sama dengan BB-Biogen. ISNIP dapat diakses di http:\/\/isnip.apps.cs.ipb.ac.id,\u201d jelasnya.<\/p>\n\n\n\n
Peneliti Trop BRC IPB University ini telah melakukan beberapa penelitian terkait seleksi genomik. Contohnya dalam mengidentifikasi SNP dan asosiasinya dengan fenotipe. Yakni dengan membangun algoritma tersendiri. Penelitiannya ini telah dipublikasikan dalam jurnal internasional bereputasi.<\/p>\n\n\n\n
\u201cYang kita lakukan tidak hanya melihat pengaruh SNP dengan fenotipe tetapi juga pengaruh dari efek epistasis bahwa SNPs saling berinteraksi,\u201d tuturnya. Menurutnya, penelitian tersebut menggunakan metode machine learning, yaitu Random Forest. Dilakukan pemeringkatan SNPs untuk mereduksi ruang pencarian serta menggunakan SFFS (Sequential Forward Floating Selection) untuk melakukan seleksi SNP. Metode yang dikembangkan ini menghasilkan kinerja yang lebih baik dibandingkan dengan metode-metode sebelumnya. (MW\/Zul)<\/p>\n\n\n\n
Narasumber : Dr Willy Bayuardi Suwarno, ipb.ac.id<\/p>\n","protected":false},"excerpt":{"rendered":"
Pendekatan bioinformatika semakin banyak digunakan pada berbagai penelitian, termasuk dalam pemuliaan tanaman. Bioinformatika dimanfaatkan dalam proses penyeleksian varietas unggul. Teknologinya kian berkembang dan semakin memudahkan pemulia tanaman. Dr Willy Bayuardi Suwarno, Dosen IPB University dari Departemen Agronomi dan Hortikultura, Fakultas Pertanian menjelaskan bahwa untuk mendapatkan varietas unggul, perlu dilakukan seleksi mulai dari potensi genetiknya. Dengan analisis bioinformatika, potensi produktivitas hasil tanaman dapat diketahui lebih awal tanpa menunggu waktu panen. \u201cYakni dengan memanfaatkan marka genetik untuk memrediksikan potensinya. Contohnya adalah menggunakan metode Genomic Estimate Breeding Values (GEBVs). Metode ini digunakan untuk menduga nilai pemuliaan dari suatu individu atau galur berdasarkan informasi marka,\u201d jelasnya dalam Bioinformatics Webinar Series ke-7 berjudul \u201cGenomic Selection in Plant Breeding\u201d. Kegiatan ini digelar oleh Fakultas Matematika dan Ilmu Pengetahuan (FMIPA) bekerja sama dengan Departemen Agronomi dan Hortikultura Fakultas Pertanian, Departemen Ilmu Komputer, Departemen Biokimia dan Pusat Studi Biofarmaka Tropika (Trop BRC) IPB University (09\/11). Ia menambahkan bahwa informasi yang digunakan yakni data fenotipe sebagai variabel respon dan marka SNP (Single Nucleotide Polymorphism) sebagai prediktornya. Pemulia tanaman nantinya dapat menyeleksi varietas unggul berdasarkan nilai GEBVs. \u201cPenerapannya dapat dicontohkan pada proses biofortivikasi tanaman jagung di negara-negara sub sahara seperti Afrika. Jagung sebagai pangan utama masyarakatnya ditambahkan kandungan provitamin-A untuk mengatasi kasus defisiensi vitamin A,\u201d imbuhnya. Menurutnya, metode ini digunakan untuk menentukan SNP (Single Nucleotide Polymorphism) yang paling berasosiasi dengan fenotipe yang paling menguntungkan. Kolaborasi antar bidang ilmu terutama terkait in silico breeding sangat penting. Terutama pemuliaan tanaman ini membutuhkan simulasi dengan komputer. \u201cSeleksi genomik memiliki prospek yang baik. Kita dapat mencoba dengan data set yang ada dan terbuka untuk melakukan pelatihan model prediksi tanpa perlu mengeluarkan suatu investasi yang besar untuk mendapatkan gambaran yang baik terkait prospek seleksi genomik ini. Tentunya diperlukan kolaborasi lintas bidang,\u201d jelasnya. Dr Wisnu Ananta Kusuma, Dosen IPB University Departemen Ilmu Komputer FMIPA turut menjelaskan penggunaan SNP yang lebih digemari karena variasi data genetiknya dan pemanfaatannya cukup luas. Ia menyebutkan bahwa sekuens referensi dan fragmen merupakan dua komponen penting dalam melakukan identifikasi SNP. Kualitas fragmen perlu diketahui sebelum melakukan sequence mapping. Bila terdapat noise dalam fragmen, dapat dilakukan pembersihan dengan program Trimmomatic. Proses alignment atau mapping merupakan tahapan yang paling krusial dalam memberikan kesimpulan yang baik dan benar. \u201cDikarenakan prosesnya yang rumit, dibutuhkan program algoritma untuk melakukan mapping dan filtering yang lebih efektif. Salah satunya dengan ISNIP (Integrated Single Nucleotide Polymorphisme Pipeline) yang dikembangkan IPB University bekerja sama dengan BB-Biogen. ISNIP dapat diakses di http:\/\/isnip.apps.cs.ipb.ac.id,\u201d jelasnya. Peneliti Trop BRC IPB University ini telah melakukan beberapa penelitian terkait seleksi genomik. Contohnya dalam mengidentifikasi SNP dan asosiasinya dengan fenotipe. Yakni dengan membangun algoritma tersendiri. Penelitiannya ini telah dipublikasikan dalam jurnal internasional bereputasi. \u201cYang kita lakukan tidak hanya melihat pengaruh SNP dengan fenotipe tetapi juga pengaruh dari efek epistasis bahwa SNPs saling berinteraksi,\u201d tuturnya. Menurutnya, penelitian tersebut menggunakan metode machine learning, yaitu Random Forest. Dilakukan pemeringkatan SNPs untuk mereduksi ruang pencarian serta menggunakan SFFS (Sequential Forward Floating Selection) untuk melakukan seleksi SNP. Metode yang dikembangkan ini menghasilkan kinerja yang lebih baik dibandingkan dengan metode-metode sebelumnya. (MW\/Zul) Narasumber : Dr Willy Bayuardi Suwarno, ipb.ac.id<\/p>\n","protected":false},"author":1,"featured_media":3956,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[26],"tags":[],"class_list":["post-3955","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-berita-utama"],"yoast_head":"\n