bioinfo-1 nei
TRANSCRIPT
Pengantar Bioinformatika
Sejarah singkat
Tahun 1960-an molecular evolution
J Theoretical Biology 1965Molecules as documents of evolutionary biologyZukerkandl E, Pauling L
Atlas of Protein Sequences (1965)Margareth Dayhoff
Tahun 1970-an computational biology
Needleman-Wunsch global alignment
Tahun 1990-an bioinformatics
NCBI (NLM/NIH) (1988)
Human Genome Project (1990)
dst
Bioinformatika / Biologi (Molekuler) Komputasi
Biologi molekuler
• Data• Problema• Hypothesis• Teori
• Interpretasi• Verifikasi• Biological “insight”
Computational Sciencematematika,statistik,ilkom, dll
Teknologi Informasi
• Metode• Algoritma
• Tools / software• Database• Konektivitas/Internet
• Analisis• Modeling• Simulasi• Visualisasi
+ +
Bioinformatics ≠ Medical Informatics
• Bioinformatika penerapan ilmu komputasi & informatika untukmemahami mekanisme/cara kerja mahluk hidup pada tingkatmolekulerContoh:– mencari gen yang berperan dalam suatu penyakit– mencari protein penyebab patogenesis– mencari dan mendesain obat
• Medical Informatics penerapan teknologi informatika dalambidang kedokteranContoh:– penggunaan IT dalam manajemen data pasien / klinis– diagnosis penyakit (database penyakit, sistem pakar)– Medical imaging (NMR/MRI, dsb)
Organisasi DNA
Central Dogma of Molecular Biology
DNA (blueprint)
RNA (coding sequences)
Protein (fungsional machinery)
Phenotype / Morphology (1)
Phenotype / Morphology
Gen / Protein Ekspresi Protein
building block regulasi / aransemen
• Variasi sekuen DNA• Imprinting/Epigenetic
Phenotype / Morphology (2)
• Variasi sekuen DNA dan Epigenetics antara lain dapatmengakibatkan:– Perbedaan phenotype / morphology
• Manusia: tinggi / rendah, etc• Mouse: warna• Tanaman: berbuah banyak / manis
– Penyakit bawaan / genetik– Perbedaan respon imun terhadap patogen (host-pathogen interaction)– Perbedaan respon terhadap obat– Perbedaan susceptibility terhadap penyakit kompleks / degeneratif:
• Alzheimer• Kanker• Jantung• dsb
Contoh Aktifitas Bioinformatika
• Pengumpulan informasi– Literatur– Anotasi gen:
sekuen, variasi DNA, lokasi, ekspresi, modifikasi, struktur, dll– Data lain: data klinis, dll
• Akusisi data– Sekuensing DNA– Ekspresi gen (realtime RT-PCR)
• Analisa– Mendapatkan informasi/pengetahuan (hipotesis) baru– Mendapatkan prediksi/trend dari data
• Interpretasi secara biologi
Aktifitas Bioinformatika (2)
Aplikasi Central Dogma dalam Akusisi Data
Sekuen DNA (sequencing)
Regulasi gen(microarray,realtime/quantitative RT-PCR)
+Sekuen RNA (EST, cDNA sequencing)
Sekuen protein (AA sequencing, MS)
+ Interaksi antar/inter molekulStruktur protein (kristalografi, NMR)
Fungsi protein (assay, transgenik)
Knowledge Discovery
Public databases “wet” experiment
Data acquisition
Data management | data manipulation
Visualization | modeling |analysis
Result interpretation
New knowledge | prediction
publication “wet” experimentproduct
Major goal: To understand how life works
Analisa Bioinformatika
• Analisa sekuen:– Mapping situs restriksi– Prediksi daerah exon-intron– Prediksi daerah antigen– Desain primer PCR & probe– Prediksi fungsi– Identifikasi gen
• Analisa struktur– Struktur sekunder (alpha-helix, beta-sheet)– Struktur tertier (3-Dimensi)
• Analisa interaksi– Interaksi antar gen– Interaksi antar protein/makromolekul
Domain Permasalahan
Studi Bioinformatika
Genom & Proteom
Struktur MolekulRegulasi dan NetworkGen
Lainnya
• sequence alignment• pencarian sekuen• DNA sequencing• identifikasi gen/protein• pencarian domain/motif• gene finding• anotasi• analisa linkage• analisa forensik• analisa evolusi/phylogenetics• studi populasi
• prediksi:• struktur sekunder• struktur tertier (3D)• topologi protein• antigenic determinant• protein docking
• molecular dynamics
• Ontologi Gen• Mining literatur• Simulasi metabolicpathway
• Manajemen data • user interface
• korelasi pola ekspresi• mapping data ekspresike data sekuen, strukturdan biokimia
• Pencarian gene ygberkaitan dgn penyakit
Pentingnya Bioinformatika dalam Biologi Molekuler
• Kuantitas data biologi molekuler• Kompleksitas data biologi molekuler• Kompleksitas analisa data• Ruang lingkup penelitian• Biologi sebagai ilmu kuantitatif• Infrastruktur terjangkau & labor-intensive• Efisiensi eksperimen• Value-added pada penelitian
Kuantitas Data Molekuler Biologi (1)
• Pertambahan data secara eksponensial akibat perkembanganteknologi akusisi data / teknologi eksperimental pada biologimolekuler.
• Contoh:– perkembangan teknologi sekuensing DNA secara otomatis, sehingga
data pada Genbank rata-rata bertambah 2X setiap 18 bulan.– eksperimen micro-array dapat menghasilkan 500,000 data ekspresi
per sampel (untuk 100 sampel, akan ada 50,000,000 data yang harusdianalisa)
• Pertambahan jumlah pemakai pada tiap-tiap database per tahunnya.
Kuantitas Data Biologi Molekuler (2)
Jumlah data (Februari 2008):• GenBank: 85,759,586,764 basa (82,853,685 sekuen record)• Whole Genome Sequence: 108,635,736,141 basa (27,439,206 sekuen record)
Kompleksitas Data Biologi Molekuler
Kompleksitas data biologi molekuler munculkarena kompleksitas pada struktur molekul yang ada pada sistem biologi.
kompleksitas struktur gene pada eukaryotes
Kompleksitas Data Biologi Molekuler (2)
DNA
hnRNA(heterogenous nuclear RNA)
Protein (precursor)
mRNA (coding sequence) non-coding RNA(regulatory, fungsional machinery)
transkripsi
splicing
translasi
Post-translational modification
Protein (mature)
Kompleksitas pada proses ekspresi gen eukaryotes:Central Dogma of Molecular Biology (extended)
Kompleksitas Data Biologi Molekuler (3)
Kompleksitas pada struktur protein dan interaksinya denganprotein/molekul lain
Kompleksitas Analisa Data
Kompleksitas pada pencarian data di database:– Database tidak akan berguna apabila tidak dilengkapi
dengan tools untuk mencari dan menganalisa data!– BLAST: Basic Local Alignment Searching Tools adalah
algoritma (dan tools) standar untuk mencari sekuenDNA maupun protein pada database yang memilikikemiripan dengan sekuen kueri, serta menganalisaapakah kemiripan tersebut signifikan secara biologimaupun secara statistik.
Kompleksitas Analisa Data (2)
Analogi BLAST: mencari record pasien yang memiliki nama Rahman:
– Rahman– Rahmawati– Rachman– Rakhman
Kompleksitas Analisa Data (3)
Data yang didapat dari akusisi data tidaksemuanya dapat dipergunakan secara langsung:– Data harus “dibersihkan” untuk menghilangkan noise– Data harus dinormalisasi agar dapat dianalisa secara
bersamaan– Data harus digabungkan agar dapat dipergunakan
untuk analisa, contoh adalah sekuensing de-novo genome suatu organisme dengan metode shot-gun.
Kompleksitas Analisa Data (4)
• Metode whole-genome shotgun sequencing memecah secara acak suatugenome menjadi fragmen DNA yang dapat disekuen satu-persatu untukkemudian digabungkan kembali menjadi satu untaian DNA yang utuh
• Proses penggabungan kembali (contig assembly) dapat dianalogikan sepertipermainan puzzle yang kompleks
• ~ 1 juta fragmen DNA• Reverse-complement
• Low complexity (A, T, C, G)
• Fragmen tidak komplit
• Kualitas fragmen tidak merata
• Duplikasi fragmen• Kontaminasi
• < 10,000 potongan• Puzzle memiliki gambar yang mirip pada
tiap sisinya• Gambar hanya menggunakan warna yang
terbatas• Tidak semua potongan tersedia (ada yg
hilang)• Banyak potongan puzzle yang gambarnya
memudar, terkena noda atau rusak(terpotong, dsb)
• Banyak potongan yang hampir sama• Ada potongan dari puzzle lain yang
tercampur
Shotgun Sequencing1500000 bp
random fragmentation
cloningsequencingassembling
Kompleksitas Analisa Data (5)
Kompleksitas pada analisa data yang membutuhkan algoritma yang lebih advanced karena sistem biologi merupakan suatu sistemyang sangat kompleks dan memiliki interaksiyang sangat kompleks pula.
Contoh analisa kompleks:– Penggunaan artificial intelligence & machine learning
untuk memprediksi daerah binding pada sekuen DNA
Kompleksitas Analisa Data (6)
Ruang Lingkup Penelitian
Aktifitas rekayasa genetika umumnyamelibatkan personil dari group/lab atau institusiyang berbeda, karena ruang lingkup kegiatannyasangat luas.– Fasilitas komunikasi (email, group-list)– Shared folders (workgroup/collaboration tools)
untuk berbagi data dan dokumen secara cepat– Ekpserimen dan analisa bersama, tergantung dari
kompetensi masing-masing personel/lab/institusi– Semakin berkembang karena perkembangan internet
Biologi Sebagai Ilmu Kuantitatif
Biologi, terutama biologi molekuler, mulai berkembangmenjadi ilmu kuantitatif dengan memadukan statistikdan matematika terapan untuk keperluan analisa.
Contoh:mekanisme molekuler akibat kelainan dari suatu gene dapatdijelaskan secara kualitatif, namun seberapa besar efek darikelainan tersebut sehingga dapat menyebabkan penyakitgenetik harus dijelaskan secara kuantitatif.
Infrastruktur Terjangkau & Labor-Intensive
• Infrastruktur paling minimal: komputer dan koneksi ke internet
• Processing power dari komputer saat ini cukup memadai untukanalisa lokal (analisa dengan menggunakan software yang berjalandi komputer user)
• Software untuk keperluan analisa bisa didapatkan secara gratis (opensource atau academic license)
• Analisa dapat dilakukan secara remote, misalnya melalui web service apabila tidak dapat dilakukan secara lokal (public maupunregistered user, gratis atau komersil)
• Labor-intensive karena membutuhkan keahlian dan ketekunan user saja
Efisiensi Eksperimen
• Bioinformatika dapat mem-”by-pass” beberapaeksperimen lab tertentu.– Pada Human Genome Project, metode shotgun sequencing
memungkinkan peneliti untuk melakukan kloning dengan jumlahyang lebih sedikit.
• Bioinformatika memungkinkan aktifitas eksperimen in-silico
• Eksperimen in-silico dapat dipergunakan untuk:– Memprediksi outcome dari hasil suatu eksperimen– Menyeleksi target– Memperkecil kesalahan yang terjadi
Memberikan Nilai Tambah Pada Penelitian
• Penelitian dapat dikembangkan lebih lanjut denganmelakukan analisa lanjutan dengan data yang sudahtersedia, atau dengan menggabungkan data lain darieksperimen lainnya atau dari data yang sudahdipublikasikan.
Contoh penggunaan data yang diakusisi sendiri dan data yang sudah dipublikasikan:– analisa phylogenetics– analisa komparatif suatu gene/protein
Waktu Penggunaan Bioinformatika
Sebelum eksperimen• Hipotesis• Fisibilitas• Metodologi penelitian
• Troubleshooting• Verifikasi/identifikasi hasil
Saat eksperimen
• Analisa data• Interpretasi hasil
Sesudah eksperimen
Forward Genetics
phenotype genotype( sample-based)
Mencari gen atau faktor penyebab/pemicu munculnya suatu phenotype, misalnya mencari gen atau mutasi penyebab suatu penyakit
“phenotype of interest”koleksi sampel
Mapping / sequencing DNASemi-quantitative (real-time) RT PCR / Microarray
Protein assay
Analisa datasequence: multiple alignment
ekspresi: statistikassay: modeling/ODE
Gen / faktor bersangkutan
Reverse Genetics
genotype phenotype(sequence-based)
Melihat atau mengkonfirmasi hasil/efek/implikasi pada phenotype dari suatu gen/faktor,misalnya mencari efek/implikasi dari suatu mutasi pada sebuah gen
“sequence of interest”
Analisa sekuen(prediksi fungsi / simulasi molekuler)
Knock-off/on gene | Protein expression & assay
Analisa phenotype | Analisa hasil
Kombinasi Forward/Reverse Genetics
Reverse Genetics(outcome: phenotype)
hipotesis validasi
Forward Genetics(outcome: genotype)
Database Bionformatika & Situs NCBI
Database
• Database primer/utama (primary)• Database sekunder (secondary)• Database tertier/special (tertiary)• Database literatur
Database primer/utama
Data repository
Raw data
Redundant
Direct submision ( “sampah”, inkonsistensi, dll)
Selalu di-update (daily/weekly)
Contoh:NCBI Genbank (sekuen DNA dan translasinya)SwissProt (sekuen protein)PDB (struktur kristal protein dan makromolekul)dbEST (potongan-potongan sekuen mRNA)dbGSS (survei sekuen genom)Trace Archive (data hasil sekuensing DNA)SAGEMap, GEO (data eksperimen microarray)
Database sekunder
Knowledge repository
Bersumber dari database primer/utama
Data dianotasi oleh kurator (umumnya manual)
Non-redundant
Ada jeda waktu untuk sinkronisasi dengan sumber database primer
Contoh:NCBI RefSeq (sekuen DNA dan translasinya)SwissProt (sekuen protein)Ensembl (sekuen genom eukaryotes)MMDB (struktur kristal protein dan makromolekul)
Database tertier/spesial
Bersumber dari database primer & sekunder
Mencakup data non-biomolekuler
Kenyamanan end-user
Banyak kurator
Jeda waktu sinkronisasi dengan database primer/sekunder yang lama
Contoh:EuPathDB (database patogen eukaryotes, seperti Plasmodium, dsb)MitoMAP (database mapping genome mitochodria)Mammalian ncRNA (sekuen ncRNA dari mamalia)REBASE (database enzim restriksi)SGD (database jamur/fungi)Globin Server (protein globin dan penyakit thalassemia)KEGG (database pathway, dsb)
Database literatur
PubMed (http://www.ncbi.nih.gov/pubmed)
Jurnal internasional bidang ilmu alam & kedokteran
Abstrak, Penulis, Jurnal
PubMed Central (http://www.pubmedcentral.nih.gov)
Subset dari PubMed
Full-text
NCBI Bookshelf (http://www.ncbi.nih.gov/books)
NCBI OMIM - Online Mendelian Inheritance in Man
Katalog dari penyakit genetik dan gen manusia (& tikus)
NCBI OMIA (Online Mendelian Inheritance in Animal
Katalog dari penyakit genetik dan gen hewan (selain manusia & tikus)
Daftar (sebagian kecil) Database Bioinformatika
MitoMAP
GenBankEMBLDDJ
SwissProt PDB
Pubmed
Prosite
PFAM
EnsEMBL GenomeBrowser
SGD
TrEMBL
PRINTS
InterPro
dbEST
dbSNP
primary databases
ProDom
Blocks
PFAM
PlasmoDB
HSSP
SCOP
CATH
DSSPSMD
secondary databases
TIGR
REBASE
KEGG
OMIM
NCBI ( www.ncbi.nih.gov )
• Pencarian literatur• Pencarian gen berdasarkan:
– Informasi tekstual (nama, lokasi, literatur)– Sekuen lain– Struktur
• Pencarian data lain:– OMIM – Online Mendelian Inheritance in Man– TaxBrowser– dbSNP – SNP database– dbGAP – Genotype-Phenotype database– UniSTS – Sequence Tag Site
• Repositori untuk GenBank & RefSeq• Repositori untuk full genomic sequences• Repositori untuk dokumen edukasi• Bioinformatics tools: Electronic PCR, dll
NCBI Genbank Database
Nomenclature NCBI Refseq
NM_* RefSeq untuk coding sequence (mRNA)
NR_* RefSeq untuk non-coding RNA yang ditranskripkan
NT_* RefSeq untuk genomic contig dari kromosom
NW_* RefSeq untuk alternatif genomic contig dari kromosom
NG_* RefSeq untuk famili/cluster atau pseudo-gene
NC_* RefSeq untuk full/circular genome
NP_* RefSeq untuk sekuen protein
XM_* RefSeq untuk sekuen hypothetical mRNA
XP_* RefSeq untuk sekuen hypothetical protein
ENTREZ
• ENTREZ: interface search/query dari (hampir) seluruh database di NCBI
• Interkoneksi antar (hampir) seluruh database• Pencarian dengan Entrez dapat dilengkapi
dengan sistem history• History dapat digabung untuk mendapatkan
kueri baru• Entrez dilengkapi dengan tools untuk mengubah
format data
Database pada NCBI (1)
• PubMed• Protein translasi dari Nucleotide• CoreNucleotide Genbank + Refseq• Nucleotide CoreNucleotide + EST + GSS + STS
– EST (Expressed Sequence Tags) – mRNA– GSS (Genome Survey Sequence) – preliminary genome– STS (Sequence Tag Site) – sekuen DNA pendek yang hanya muncul di
satu lokasi saja pada genome
• Structure :– MMDB – Molecular Modeling Database subset dari PDB – CDD – Conserved Domain Database– VAST – Vector Alignment Search Tool pencarian struktur berdasarkan
kemiripan pada struktur kueri
Database pada NCBI (2)
• Genome full atau partial annotated genome dari tiap spesies
• Books database literatur / text-book / etc• CancerChromosomes data mengenai kanker:
– Cytogenetics– Klinis– referensi
• ConservedDomains• 3D Domains
Database pada NCBI (3)
• Gene• Genome Project• dbGAP database Genotype and Phenotype• GENSAT (Gene Expression Nervous System Atlas) database
ekspresi gen dari sistem saraf pusat (central nervous system) padamouse dengan metode in-situ hybridization dan transgenik
• GEO (Gene Expression Omnibus) database ekspresi gen darieksperimen microarray
• HomoloGene data gen-gen homolog yang dianalisa secaraotomatis
• PMC – PubMed Central• MeSH
Database pada NCBI (4)
• OMIA & OMIM – Online Mendelian Inheritance database• PopSet data populasi dari berbagai studi• PubChem database struktur kimia biomolekul selain
protein• SNP (Single Nucleotide Polymorphism) database
variasi pada sekuen dari tiap gen• Taxonomy• UniGene data gen yang telah dianotasi dan
diorganisir• UniSTS data STS yang telah dianotasi
Anotasi Gen
• Kumpulan informasi yang relevan• Didapat dan diverifikasi dari eksperimen (diambil dari jurnal-jurnal
penelitian) secara manual• Informasinya antara lain:
– Organisme/sampel– Organelle– Lokasi kromosom beserta orientasinya– Daerah enhancer, promoter, exon-intron– Transkrip (beserta alternatifnya) dan proteinnya– Variasi dari gen (SNP)– Fungsi– Motif / pattern dari proteinnya– Korelasi phenotype / penyakit– Informasi lainnya
Anotasi Gen
Format Genbank
LOCUS DQ372051 370 bp DNA linear PRI 13-FEB-2006DEFINITION Homo sapiens isolate Nabila 1 control region, partial sequence;
mitochondrial.ACCESSION DQ372051VERSION DQ372051.1 GI:87047615KEYWORDS .SOURCE mitochondrion Homo sapiens (human)ORGANISM Homo sapiens
Eukaryota; Metazoa; Chordata; Craniata; Vertebrata; Euteleostomi;Mammalia; Eutheria; Euarchontoglires; Primates; Catarrhini;Hominidae; Homo.
REFERENCE 1 (bases 1 to 370)AUTHORS Faghfoor,N.F.TITLE PCR Amplification and Sequencing of Hypervariable Region 1 of the
Mitochondrial DNA Control RegionJOURNAL Unpublished
REFERENCE 2 (bases 1 to 370)AUTHORS Faghfoor,N.F.TITLE Direct SubmissionJOURNAL Submitted (21-JAN-2006) Biochemistry/Biotechnology, University of
Southern California, Los Angeles, CA, USAFEATURES Location/Qualifiers
source 1..370/organism="Homo sapiens"/organelle="mitochondrion"/mol_type="genomic DNA"/isolate="Nabila 1"/db_xref="taxon:9606"/collection_date="2005"
misc_feature <1..>370/note="control region; hypervariable region 1"
ORIGIN1 ctgttctttc atggggaagc agatttgggt accacccaag tattgactcc cccatcaaca61 accgctatgt atttcgtaca ttactgccag ccaccatgaa tattgtacgg taccataaat
121 acttgaccac ctgtagtaca taaaaaccca atccacatca aaaccccctc cccatgctta181 caagcaagta cagcaatcaa ccctcaacta tcacacatca actgcaactc caaagccacc241 cctcacccac taggatacca acaaacctac ccacccttaa cagtacatag tacataatgc301 catttaccgt acatagcaca ttacagtcaa atcccttctc gtccccatgg atgacccccc361 tcagataggg
//
Format FASTA>referenceMASDSGNQGTLCTLEFAVQMTCQSCVDAVRKSLQGVAGVQDVEVHLEDQMVLVHTTLPSQEVQALLEGTGRQAVLKGMGSGQLQNLGAAVAILGGPGTVQGVVRFLQLTPERCLIEGTIDGLEPGLHGLHVHQYGDLTNNCNSCGNHFNPDGASHGGPQDSDRHRGDLGNVRADADGRAIFRMEDEQLKVWDVIGRSLIIDEGEDDLGRGGHPLSKITGNSGERLACGIIARSAGLFQNPKQICSCDGLTIWEERGRPIAGKGRKESAQPPAHL>normal_1MASDSGNQGTLCTLEFAVQMTCQSCVDAVRKSLQGVAGVQDVEVHLEDQMVLVHTTLPSQEVQALLEGTGRQAVLKGMGSGQLQNLGAAVAILGGPGTVQGVVRFLQLTPERCLIEGTIDGLEPGLHGLHVHQYGDLTNNCNSCGNHFNPDGASHGGPQDSDRHRGDLGNVRADADGRAIFRMEDEQLKVWDVIGRSLIIDEGEDDLGRGGHPLSKITGNSGERLACGIIARSAGLFQNPKQICSCDGLTIWEERGRPIAGKGRKESAQPPAHL>normal_2MASDSGNQGTLCTLEFAVQMTCQSCVDAVRKSLQGVAGVQDVEVHLEDQMVLVHTTLPSQEVQALLEGTGRQAVLKGMGSGQLQNLGAAVAILGGPGTVQGVVRFLQLTPERCLIEGTIDGLEPGLHGLHVHQYGDLTNNCNSCGNHFNPDGASHGGPQDSDRHRGDLGNVRADADGRAIFRMEDEQLKVWDVIGRSLIIDEGEDDLGRGGHPLSKITGNSGERLACGIIARSAGLFQNPKQICSCDGLTIWEERGRPIAGKGRKESAQPPAHL>pasien_1MASDSGNQGTLCTLEFAVQMTCQSCVDAVRKSLQGVAGVQDVEVHLEDQMVLVHTTLPSQEVQALLEGTGRQAVLKGMGSGQLQNLGAAVAILGGPGTVQGVVRFLQLTPERCLIEGTIDGLEPGLHGLHVHQYGDLTNNCNSCGNHFNPDGASHGGPQDSDRHRGDLGNVRADADGRAIFRMEDEQLKVWDVIGRSLIIDEGEDDLGRGGHPLSKITGNSGERLACGIIARSAGLFQNPKQICSCDGLTIWEERGRPIAGKGRKESAQPPAHL>pasien_2MASDSGNQGTLCTLEFAVQMTCQSCVDAVRKSLQGVAGVQDVEVHLEDQMVLVHTTLPSQEVQALLEGTGRQAVLKGMGSGQLQNLGAAVAILGGPGTVQGVVRFLQLTPERCLIEGTIDGLEPGLHGLHVHQYGDLTNNCNSCGNHFNPDGASHGGPQDSDRHRGDLGNVRADADGRAIFRMEDEQLKVWDVIGRSLIIDEGEDDLGRGGHPLSKITGNSGERLACGIIARSAGLFQNPKQICSCDGLTIWEERGRPIAGKGRKESAQPPAHL
Analisa sekuen dan struktur
• Desain primer• Studi homologi• Prediksi struktur sekunder protein• Prediksi topologi protein
Sekuen DNA:GATCGCTAGGATCGAGCTAGGATCGCGGATCCGAGAGCTCGAGGGCGCTAGCGCTAGCTCGATCGACTG
Sekuen protein (hasil translasi sekuen di atas):DR*DRARIADPRARGR*R*LDRL Frame +1IARIELGSRIRELEGASASSID Frame +2SLGSS*DRGSESSRALALARST Frame +3
Desain Primer & Probe
Desain primer secara otomatis
Primer3, PerlPrimer
Verifikasi oligonucleotides
NetPrimer, PerlPrimer
Desain degenerate-primer
CODEHOP
Primer harus dicek kembali (BLAST, ...)