BIOINFORMATIKA DASAR UNTUK BIOMEDIK
Kata Kunci:
Bioinformatika, BiomedikSinopsis
Bioinformatika merupakan bidang multidisiplin yang menggabungkan biologi, komputer, matematika, dan statistika untuk menganalisis serta menginterpretasikan data biologis. Seiring kemajuan teknologi sekuensing dan molekuler, volume data biologis seperti urutan DNA, ekspresi gen, struktur protein, dan variasi genetik meningkat drastis. Dalam konteks ini, bioinformatika menjadi alat utama untuk menganalisis data secara efisien, akurat, dan terintegrasi.
Buku berjudul Bioinformatika Dasar Untuk Biomedik ini dirancang sebagai jembatan pemahaman antara biologi molekuler dan teknologi komputasi modern, khususnya dalam analisis data biologis yang berkembang pesat di era digital. Materi dalam buku ini disusun secara sederhana namun komprehensif agar pembaca memahami konsep dasar bioinformatika sekaligus mampu menerapkannya secara praktis dalam konteks biomedis. Isi buku mencakup sejarah bioinformatika, dasar biologi molekuler, pengenalan basis data biologis (seperti GenBank, NCBI, UniProt, Ensembl, dan dbSNP), serta format data penting seperti FASTA, GenBank, GFF, dan VCF. Dilengkapi pula dengan panduan membaca dan menafsirkan data biologis, serta latihan praktis, misalnya dalam menemukan urutan gen BRCA1 atau membaca file GenBank secara langsung.
Hadirnya buku ini dapat menjadi bahan ajar yang kontekstual dan aplikatif, seiring dengan pentingnya bioinformatika dalam riset modern seperti kanker, penyakit infeksi, genetika populasi, farmakogenomik, serta pengembangan terapi dan vaksin berbasis genomik. Buku ini ditulis dengan bahasa yang mudah dipahami, dilengkapi ilustrasi, tabel, dan latihan berbasis platform terbuka seperti NCBI dan Ensembl. Akhir kata, semoga buku ini bermanfaat dalam membekali pembaca memahami serta mengaplikasikan bioinformatika dalam studi biomedik. Selamat Membaca!
Bab
-
KATA PENGANTAR
-
DAFTAR ISI
-
DAFTAR SINGKATAN
-
BAB SATU PENGANTAR BIOINFORMATIKA
-
BAB DUA DASAR-DASAR BIOLOGI MOLEKULER
-
BAB TIGA DATABASE BIOLOGI MOLEKULER
-
BAB EMPAT FORMAT DATA BIOINFORMATIKA
-
BAB LIMA ALIGNMENT URUTAN
-
BAB ENAM BIOINFORMATIKA STRUKTURAL
-
BAB TUJUH TOOLS & BAHASA PEMROGRAMAN DASAR
-
BAB DELAPAN APLIKASI BIOINFORMATIKA DALAM PENELITIAN BIOMEDIK
-
DAFTAR PUSTAKA
-
PROFIL PENULIS
Downloads
Referensi
National Institutes of Health. (2020). What is Bioinformatics?. https://www. genome.gov
Pevsner, J. (2022). Bioinformatics and Functional Genomics (4th ed.). Wiley-Blackwell.
Lloyd-Price, J., Abu-Ali, G., & Huttenhower, C. (2019). The healthy human microbiome. Genome Medicine, 8(1), 51. https://doi.org/10.1186/s13073 -016-0307-y
Mount, D. W. (2004). Bioinformatics: Sequence and Genome Analysis (2nd ed.). Cold Spring Harbor Laboratory Press.
Pevsner, J. (2022). Bioinformatics and Functional Genomics (4th ed.). Wiley-Blackwell.
Relling, M. V., & Evans, W. E. (2015). Pharmacogenomics in the clinic. Nature, 526(7573), 343–350. https://doi.org/10.1038/nature15817
Ton, A. T., Gentile, F., Hsing, M., Ban, F., & Cherkasov, A. (2020). Rapid identification of potential inhibitors of SARS-CoV-2 main protease by deep docking of 1.3 billion compounds. Molecular Informatics, 39(8), 2000028.
Truty, R., Ouyang, K., Rojahn, S., et al. (2021). Genome sequencing for comprehensive diagnosis of rare pediatric disease. npj Genomic Medicine, 6(1), 70. https://doi.org/10.1038/s41525-021-00237-5
Visscher, P. M., Wray, N. R., Zhang, Q., et al. (2017). 10 Years of GWAS Discovery: Biology, Function, and Translation. The American Journal of Human Genetics, 101(1), 5–22. https://doi.org/10.1016/j.ajhg.2017.06.005
Qu, M., Gao, M., Sang, X., Yu, M., Guan, Z., … & Chang, W. (2025). Structural bioinformatics approaches for predicting novel drug targets in hepatitis C virus proteins: a comprehensive analysis. Scientific Reports, 15, Article 27011. https://doi.org/10.1038/s41598-025-12563-w
(2025). Protein structure prediction via deep learning: an in‑depth review. Frontiers in Pharmacology. https://doi.org/10.3389/fphar.2025.1498662
(2025). Recent progress and future challenges in structure-based protein modeling and PPI prediction. Computational Structural Biotechnology Journal. https://doi.org/10.1016/j.csbj.2025.03.001 (inferred from Sciencedirect)
Hu, X., Liu, G., Chen, C., Zhao, Y., Zhang, H., & Liu, X. (2025). 3DMolFormer: A dual‑channel framework for structure‑based drug discovery. bioRxiv. https://arxiv.org/abs/2502.05107
Python & R Tools: InMoose, PyDESeq2, etc. (Bab 7)
Colange, M., Appé, G., Meunier, L., Weill, S., Nordor, A., & Behdenna, A. (2025). Differential expression analysis with InMoose, the integrated multi‑omic open‑source environment in Python. BMC Bioinformatics, 26, Article 160. https://doi.org/10.1186/s12859-025-06180-7
(2025). Bridging the gap between R and Python in bulk transcriptomic data analysis with InMoose. Scientific Reports. https://doi.org/10.1038/ s41598-025-03376-y
Muzellec, B., Telenczuk, M., Cabeli, V., & Andreux, M. (2023). PyDESeq2: a Python package for bulk RNA‑seq differential expression analysis. bioRxiv. https://doi.org/10.1101/2022.12.01.373687529
Wang, J., Zhu, W., Li, X., Wu, Y., Ma, W., Wang, Y., Zhao, W., Wei, F., & Wang, W. (2025). Transcriptome analysis of ovarian cancer uncovers association between tumor‑related inflammation/immunity and patient outcome. Frontiers in Pharmacology, 16, Article 1500251. https://doi.org/ 10.3389/fphar.2025.1500251
Morales‑Suárez, P. D., Zambrano‑O, Y. T., Mejía‑Garcia, A., Tsao, H. M., Lopez‑Kleine, L., Bonilla, D. A., … & Orozco, C. A. (2025). Integrative transcriptomic meta‑analysis reveals risk signatures and immune infiltration patterns in high‑grade serous ovarian cancer. Immuno, 5(3), 23. https://doi.org/10.3390/immuno5030023
Kliuchnikova, A., Gordeeva, A., Abdurakhimov, A., Materova, T., Tarbeeva, S., Sarygina, E., … & Ilgisonis, E. (2025). Ovarian cancer: Multi‑omics data integration. International Journal of Molecular Sciences, 26(13), 5961. https://doi.org/10.3390/ijms26135961
(2025). Integrative transcriptomic meta‑analysis reveals risk signatures and immune infiltration patterns in high‑grade serous ovarian cancer. Immuno. (duplicate integrated above)
(2025). Spatial proteo‑transcriptomic profiling reveals the molecular landscape of borderline ovarian tumors and their invasive progression. Cancer Cell. https://doi.org/10.1016/j.ccell.2025.07.005 (inferred)
