Pengembangan model Feedforward Neural Network untuk prediksi mutasi data Sekuensial Situs Cleavage Sars-Cov-2

Indonesia:
Mutasi pada protein spike SARS-CoV-2, khususnya pada wilayah furin cleavage site (FCS), berperan penting dalam meningkatkan infektivitas virus dan memengaruhi dinamika penyebaran varian. Oleh karena itu, diperlukan pendekatan prediksi mutasi yang terfokus dan efisien untuk mendukung pemantauan evolusi virus. Penelitian ini bertujuan mengembangkan model prediksi mutasi data sekuensial pada situs cleavage SARS-CoV-2 menggunakan Feedforward Neural Network (FFNN) serta mengevaluasi kinerjanya. Data berupa sekuens protein spike varian Omicron (B.1.1.529) diperoleh dari basis data NCBI Virus, kemudian diproses melalui tahap penyelarasan sekuens, ekstraksi wilayah FCS, windowing, dan representasi numerik asam amino. Model FFNN dilatih menggunakan pembagian data latih, validasi, dan uji, serta dievaluasi dengan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), akurasi, presisi, recall, dan F1_score. Hasil penelitian menunjukkan bahwa model FFNN mencapai akurasi prediksi posisional rata-rata sebesar 82% pada wilayah FCS, dengan nilai MAE yang relatif rendah serta konvergensi loss yang stabil selama pelatihan. Model juga mampu mengidentifikasi posisi dengan tingkat kesalahan tinggi yang berpotensi menjadi hotspot mutasi. Dengan demikian, FFNN terbukti efektif dalam memodelkan pola mutasi sekuensial pada situs cleavage dan berpotensi digunakan sebagai alat bantu analisis evolusi SARS-CoV-2.

Inggris:
Mutations in the SARS-CoV-2 spike protein, particularly within the furin cleavage site (FCS), play a crucial role in increasing viral infectivity and influencing the evolutionary dynamics of emerging variants. Therefore, a focused and efficient mutation prediction approach is required to support viral evolution surveillance. This study aims to develop a Feedforward Neural Network (FFNN) model for predicting sequential mutation patterns at the SARS-CoV-2 cleavage site and to evaluate its performance. The dataset consists of spike protein sequences of the Omicron variant (B.1.1.529) obtained from the NCBI Virus database and processed through sequence alignment, FCS region extraction, windowing, and numerical encoding of amino acids. The FFNN model was trained using separated training, validation, and testing datasets and evaluated using Mean Squared Error (MSE), Mean Absolute Error (MAE), accuracy, precision, recall, and F1_score metrics. The results show that the proposed FFNN achieved an average positional prediction accuracy of 82% within the FCS region, with relatively low MAE values and stable loss convergence during training. Furthermore, the model successfully identified positions with high prediction error that potentially represent mutation hotspots. These findings indicate that FFNN is effective in modeling sequential mutation patterns at the cleavage site and has potential applications as a computational tool for SARS-CoV-2 evolutionary analysis.

Arab:
لعبت الطفرات في بروتين السنبلة لفيروسSARS-CoV-2 ، ولا سيما في منطقة موقع القطع بالفورين(FCS) ، دورًا مهمًا في زيادة قابلية العدوى والتأثير في ديناميكيات انتشار المتحورات. لذلك، تبرز الحاجة إلى منهجية تنبؤ بالطفرات تكون مركزة وفعّالة لدعم مراقبة تطور الفيروس. هدف هذا البحث إلى تطوير نموذج للتنبؤ بطفرات البيانات التسلسلية في موقع القطع لفيروس SARS-CoV-2 باستخدام الشبكة العصبية ذات التغذية الأمامية، إضافةً إلى تقييم أدائه. اعتمدت الدراسة على بيانات تسلسلات بروتين السنبلة لمتحور أوميكرون (B.1.1.529) المأخوذة من قاعدة بياناتNCBI Virus ، والتي جرى معالجتها من خلال محاذاة التسلسلات، واستخراج منطقةFCS ، وتطبيق تقنية النوافذ، وتحويل الأحماض الأمينية إلى تمثيل عددي. تم تدريب نموذج FFNN باستخدام تقسيم البيانات إلى مجموعات تدريب وتحقق واختبار، وتقييمه باستخدام مقاييس متوسط مربع الخطأ (MSE)، ومتوسط الخطأ المطلق (MAE)، والدقة، والإحكام، والاستدعاء، ومعامل .F1 أظهرت النتائج أن نموذج FFNN حقق متوسط دقة تنبؤ موضعية بلغ ٨٢% في منطقةFCS ، مع قيم MAE منخفضة نسبيًا واستقرار تقارب دالة الخطأ أثناء التدريب. كما تمكن النموذج من تحديد مواضع ذات معدلات خطأ مرتفعة يُحتمل أن تمثل بؤرًا ساخنة للطفرات. وبناءً على ذلك، يثبت نموذج FFNN فعاليته في نمذجة أنماط الطفرات التسلسلية في موقع القطع، مع إمكانية استخدامه كأداة مساعدة في تحليل تطور فيروس .SARS-CoV-2