Skip to content

soulahuden/FolliScope

BranchesTags

Repository files navigation

🧬 Folliscope: Early-Warning Hair-Loss Risk Assessment

Berbasis Computational Biology | Integrated genetic & clinical analysis with live NCBI reference

Python FastAPI Biopython Docker Tests License: MIT

⚠️ DISCLAIMER: Folliscope adalah proyek edukasi untuk mata kuliah Computational Biology dan BUKAN alat diagnostik klinis. Hasilnya tidak menggantikan konsultasi dengan dokter atau dermatolog berlisensi. Lihat METHODS.md untuk pembahasan lengkap tentang batasan ilmiah.

Fitur Utama

  • 🧬 Phenotype-to-genotype inference, estimasi rentang CAG repeat dari kuesioner klinis, untuk user yang tidak punya data DNA
  • 📡 Live NCBI integration, fetch sekuens referensi AR (NM_000044.6) dari NCBI RefSeq setiap analisis, bandingkan dengan profil user
  • 🔬 Hybrid PRS scoring, gabungkan data genetik (FASTA / SNP / 23andMe) + kuesioner klinis 5 bagian
  • 🎯 Transparent confidence, laporkan tingkat keyakinan analisis: 70% (kuesioner saja) → 85% (+ SNP) → 95% (+ DNA)
  • 🧪 Treatment scenario simulator, slider interaktif untuk lihat dampak perubahan gaya hidup terhadap skor risiko
  • 📄 Structured PDF report, laporan terstruktur dengan gauge, NCBI comparison, dan rekomendasi
  • 🚀 Deploy-ready, siap deploy ke Render / Railway / Fly.io dengan satu klik
  • ✅ 66 unit tests, semua komponen scoring tervalidasi

Daftar Isi

  1. Latar Belakang Ilmiah
  2. Arsitektur Sistem
  3. Formula Risk Score Hybrid
  4. Database SNP dan Referensi
  5. Instalasi
  6. Cara Menjalankan
  7. Deploy ke Internet
  8. Cara Menggunakan
  9. Penjelasan Kuesioner Medis
  10. Contoh Penggunaan API
  11. Struktur Proyek
  12. Menjalankan Tests
  13. Cara Memperluas Folliscope
  14. Limitasi dan Disclaimer
  15. Referensi Literatur

💡 Lihat juga METHODS.md untuk pembahasan ilmiah lengkap: apa yang divalidasi vs. apa yang merupakan design choice.

Latar Belakang Ilmiah

Androgenetic Alopecia (AGA)

Androgenetic Alopecia (AGA) adalah bentuk kebotakan paling umum pada manusia, mempengaruhi sekitar 50% pria di atas usia 50 tahun dan 25-40% wanita sepanjang hidupnya. AGA disebabkan oleh interaksi antara faktor genetik dan hormonal, terutama hormon dihidrotestosteron (DHT).

Mekanisme Utama:

  1. Enzim 5α-reduktase tipe 2 (dikode gen SRD5A2) mengkonversi testosteron → DHT di folikel rambut kulit kepala
  2. DHT berikatan dengan Androgen Receptor (AR) di sel papilla dermal
  3. Kompleks DHT-AR mengaktifkan program transkripsi yang memperpendek fase anagen (pertumbuhan)
  4. Folikel mengalami miniaturisasi progresif, rambut semakin tipis, pendek, hingga berhenti tumbuh

Gen AR (Target Utama)

Gen AR (Androgen Receptor) adalah gen kunci dalam patogenesis AGA:

Parameter Nilai
Lokasi Kromosom Xq12 (kromosom X, X-linked)
NCBI Gene ID 367
RefSeq mRNA NM_000044.6
Ukuran Protein 919 asam amino

Signifikansi X-Linked: Karena AR terletak di kromosom X, pria mewarisi satu-satunya salinan AR dari ibu mereka. Ibu mewarisi kromosom X dari ayahnya (kakek dari sisi ibu). Inilah mengapa kakek dari pihak ibu yang botak adalah prediktor paling kuat untuk risiko kebotakan pada cucu laki-laki.

CAG Repeat Polymorphism

Exon 1 gen AR mengandung sekuens trinukleotida (CAG)n yang mengkode poliglutamin (polyQ). Panjang repeat ini bervariasi antar individu dan menentukan sensitivitas reseptor AR terhadap DHT:

CAG Repeats Kategori Risiko Mekanisme
< 18 SANGAT TINGGI Reseptor sangat sensitif DHT
18 - 21 TINGGI Sensitivitas AR tinggi
22 - 24 SEDANG Sensitivitas moderat
25 - 29 RENDAH Sensitivitas rendah
≥ 30 PROTEKTIF Efek protektif

Referensi: Choong et al. 1996; Hillmer et al. 2005 (Am J Hum Genet)

Arsitektur Sistem

Input Data
    │
    ├─── FASTA Sekuens DNA ──► Regex CAG/GGN Counter ──► GeneticScore
    │                                                           │
    ├─── TSV Genotype SNP ───► SNP Comparator ────────────────►│
    │                                                           │
    └─── Kuesioner Klinis ──► ClinicalScorer ─────────────────►│
          (5 Bagian)               │                            │
                                   ├── FamilyScore             │
                                   └── LifestyleScore          │
                                                                ▼
                                                     HybridPRSCalculator
                                                                │
                                                                ▼
                                               RiskScore (0-100) + Kategori
                                                                │
                                                                ▼
                                                    Rekomendasi Medis

Stack Teknologi:

  • Backend: Python 3.10+, FastAPI, Pydantic v2
  • Bioinformatika: Regex-based CAG/GGN counter (Biopython available)
  • Frontend: HTML5 + CSS3 + Vanilla JavaScript
  • Visualisasi: Chart.js (Radar, Bar, SNP Heatmap)
  • API: REST JSON endpoints

Formula Risk Score Hybrid

Mode Hybrid (Genetik + Klinis)

HybridScore = 0.45 × GeneticScore + 0.30 × ClinicalScore + 0.15 × FamilyScore + 0.10 × LifestyleScore

Setelah itu dikali age modifier:

  • Usia < 25 tahun: × 1.15 (onset sangat dini = sinyal genetik kuat)
  • Usia 25-29 tahun: × 1.08
  • Usia ≥ 50 tahun: × 0.90

Mode Klinis Saja (Tanpa DNA)

ClinicalOnlyScore = 0.55 × ClinicalScore + 0.30 × FamilyScore + 0.15 × LifestyleScore

Komponen GeneticScore (0-100)

GeneticScore = 0.40 × CagScore + 0.15 × GgnScore + 0.45 × SNPScore
  • CagScore: Berdasarkan threshold Choong 1996 (CAG < 18 → 100, ≥ 30 → 10)
  • GgnScore: Berdasarkan threshold GGN (< 18 → 75, ≥ 24 → 20)
  • SNPScore: Normalized sum dari PRS weight × (OR − 1) untuk tiap SNP risiko

Komponen ClinicalScore (0-100)

Sub-komponen Bobot Sumber
Skala Norwood/Ludwig 35% Norwood 1975, Ludwig 1977
Pola kerontokan + area 20% ALOPHA Index
Hair Pull Test 15% Standar klinis
Volume rontok/hari 10% Telogen effluvium criteria
Miniaturisasi (diameter) 10% Trichoscopy criteria
Durasi gejala 10% Chronicity of AGA

Komponen FamilyScore (0-100)

Anggota Keluarga Bobot Alasan
Kakek dari ibu 35% AR X-linked: paling berpengaruh
Ayah 25% Autosomal + X interaction
Kakek dari ayah 15% Pengaruh lebih lemah
Saudara laki-laki 10% Shared genetics
Ibu (penipisan) 8% X carrier
Jumlah generasi 7% Penetrance estimation

Komponen LifestyleScore (0-100)

Faktor Bobot Mekanisme
Komorbiditas (PCOS, metabolik) 25% Gangguan hormonal langsung
Stres 25% Stres → kortisol → androgen ↑
Merokok 20% Vasokonstriksi folikel
Diet & Olahraga 15% Nutrisi folikel
Tidur 15% Disrupsi ritme hormonal

Kategori Risiko Final

Skor Kategori Warna
0-19 MINIMAL Hijau (#2ecc71)
20-39 RENDAH Hijau tua (#27ae60)
40-59 SEDANG Oranye (#f39c12)
60-79 TINGGI Merah oranye (#e67e22)
80-100 SANGAT TINGGI Merah (#e74c3c)

Database SNP dan Referensi

rs ID Gen Chr Alel Risiko OR Bobot PRS
rs6152 AR X G 2.50× 0.90
rs1385699 EDA2R X C 2.20× 0.85
rs12558842 AR X G 1.80× 0.70
rs2497938 AR X C 1.75× 0.65
rs1160312 PAX1/FOXA2 20 A 1.60× 0.60
rs7349332 WNT10A 2 T 1.45× 0.50
rs523349 SRD5A2 2 G 1.40× 0.55
rs9479482 HDAC9 7 C 1.35× 0.45
rs929626 EBF1 5 C 1.30× 0.35

Instalasi

Cara Tercepat: Docker

Tidak perlu install Python atau dependencies apapun, cukup punya Docker Desktop.

# Clone proyek
git clone <repo-url>
cd folliscope

# Build dan jalankan (sekali perintah)
docker compose up --build

Buka browser: http://localhost:8000

Untuk menjalankan berikutnya (tanpa build ulang):

docker compose up

Matikan server:

docker compose down

Pastikan WSL Integration aktif di Docker Desktop → Settings → Resources → WSL Integration.

Cara Manual

Prasyarat

  • Python 3.11 atau lebih baru
  • pip (Python package manager)
  • Git (opsional)

Windows

# 1. Clone atau download proyek
git clone <repo-url>
cd folliscope

# 2. Buat virtual environment
python -m venv venv
venv\Scripts\activate

# 3. Install dependencies (runtime + dev tools untuk pytest)
pip install -r requirements.txt -r requirements-dev.txt

macOS / Linux

# 1. Clone proyek
git clone <repo-url>
cd folliscope

# 2. Buat virtual environment
python3 -m venv venv
source venv/bin/activate

# 3. Install dependencies (runtime + dev tools untuk pytest)
pip install -r requirements.txt -r requirements-dev.txt

Cara Menjalankan

Dengan Docker

docker compose up --build   # pertama kali / setelah ada perubahan kode
docker compose up           # berikutnya
docker compose down         # matikan

Mode Development (dengan auto-reload)

# Aktifkan virtual environment terlebih dahulu
source venv/bin/activate          # Linux/macOS
# atau
venv\Scripts\activate             # Windows

# Jalankan server
uvicorn main:app --reload --host 0.0.0.0 --port 8000

Buka browser: http://localhost:8000

Mode Production

# Dengan 4 worker processes
uvicorn main:app --host 0.0.0.0 --port 8000 --workers 4

Dengan Python langsung

python main.py

Verifikasi instalasi

curl http://localhost:8000/api/health
# → {"status":"ok","service":"Folliscope API","timestamp":"..."}

Deploy ke Internet

Folliscope siap deploy ke beberapa PaaS gratis. Dockerfile sudah memakai $PORT env var, jadi image yang sama jalan di mana saja.

🚀 Render.com (paling mudah, free tier)

  1. Push repo ke GitHub
  2. Buka dashboard.render.com → New → Blueprint
  3. Pilih repo ini, Render akan baca render.yaml otomatis
  4. Tunggu ~5 menit build → URL public siap pakai

Health check di /api/health otomatis di-monitor. Auto-deploy nyala saat push ke main.

🚂 Railway.app

  1. npm i -g @railway/cli
  2. railway login && railway init && railway up
  3. Atau via dashboard: connect repo, Railway auto-detect Dockerfile + railway.json

✈️ Fly.io (terdekat ke Indonesia, region sin Singapura)

# Sekali set up:
curl -L https://fly.io/install.sh | sh
fly auth signup
fly launch --copy-config --no-deploy
fly deploy

# Update berikutnya:
fly deploy

fly.toml sudah dikonfigurasi dengan auto_stop_machines jadi tetap di free tier.

🐳 Docker self-host (VPS / Cloud Run / dll)

docker build -t folliscope .
docker run -p 8000:8000 -e PORT=8000 folliscope

Cara Menggunakan

Antarmuka Web

  1. Buka http://localhost:8000
  2. Klik "Mulai Analisis" untuk ke halaman analisis
  3. Tab "Analisis Klinis" (wajib):
    • Isi 5 bagian kuesioner secara berurutan menggunakan tombol "Lanjut"
    • Klik "Analisis Sekarang" di bagian terakhir
  4. Tab "Analisis Genetik" (opsional):
    • Upload file FASTA exon 1 gen AR, atau paste sekuens langsung
    • Pilih genotype untuk 9 SNP secara manual, atau upload file TSV
    • Gunakan tombol "Sample Data" untuk mencoba dengan data contoh
  5. Tab "Hasil Analisis":
    • Lihat skor risiko, kategori, dan rekomendasi
    • Klik "Unduh Laporan" untuk menyimpan hasil

Menggunakan Sample Data

File contoh tersedia di sample_data/ (juga bisa di-load via tombol di halaman analisis):

sample_data/high_risk_sample.fasta       # CAG=17, GGN=23 (very high)
sample_data/medium_risk_sample.fasta     # CAG=23, GGN=22 (moderate)
sample_data/low_risk_sample.fasta        # CAG=29, GGN=20 (low)
sample_data/protective_sample.fasta      # CAG=33, GGN=18 (protective)

Format File FASTA

>header_opsional | deskripsi
ATGCTTCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAG
GGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGC
  • Header dimulai dengan >
  • Sekuens hanya berisi karakter ATCG (N diizinkan)
  • Mengandung setidaknya 5 CAG consecutive untuk terdeteksi

Format File TSV Genotype SNP

# Komentar diawali #
rs6152	G
rs1385699	C
rs12558842	G
rs2497938	C
rs7349332	T
rs9479482	C
rs1160312	A
rs929626	C
rs523349	G
  • Dua kolom: rs_id TAB allele
  • Allele dalam format single-letter (A, T, C, atau G)
  • SNP yang tidak ada di file dianggap "tidak diketahui"

Penjelasan Kuesioner Medis

Bagian 1: Demografi

Input Penjelasan
Usia Onset dini (< 25 tahun) menunjukkan komponen genetik yang kuat
Jenis Kelamin Menentukan skala yang digunakan (Norwood untuk pria, Ludwig untuk wanita)
Etnis Prevalensi AGA bervariasi: Kaukasian > Asia > Afrika
Usia Pubertas Pubertas dini = paparan androgen lebih lama = faktor risiko tambahan

Bagian 2: Gejala Kerontokan

Input Normal Abnormal
Rontok per hari 50-100 helai > 150 helai
Durasi < 1 bulan > 6 bulan (kronis)
Pola Difus/tidak ada M-shape atau vertex = AGA klasik
Diameter Tidak berubah Mengecil = miniaturisasi = hallmark AGA
Norwood (pria) I-II III-VII (semakin parah)
Ludwig (wanita) I II-III (semakin parah)

Bagian 3: Hair Pull Test

Instruksi standar klinis:

  1. Ambil sekelompok ~60 helai rambut dengan jari
  2. Tarik perlahan dari pangkal menuju ujung
  3. Hitung rambut yang tercabut
Hasil Interpretasi
≤ 3 rambut Normal
4-6 rambut Borderline
> 6 rambut Aktif rontok (telogen effluvium atau AGA aktif)

Bagian 4: Riwayat Keluarga

Pembobotan berdasarkan mekanisme pewarisan X-linked:

  • Kakek dari ibu (35%): Paling penting. Pria warisi AR dari ibu, ibu dari ayahnya
  • Ayah (25%): Penting untuk komponen autosomal dan interaksi kompleks
  • Onset dini (<30 tahun): Multiplier risiko 1.15-1.20×

Bagian 5: Gaya Hidup & Kesehatan

Faktor Mekanisme Risiko
Stres tinggi Kortisol → inhibisi fase anagen, meningkatkan DHT
Tidur < 6 jam Disrupsi ritme sirkadian hormonal
Merokok Vasokonstriksi folikel, kerusakan oksidatif
PCOS Hiperandrogenisme langsung
Gangguan tiroid Hipotiroid → telogen effluvium
Defisiensi besi Ferritin rendah = insufisiensi nutrisi folikel
Kekurangan Vitamin D Terkait gangguan siklus folikel

Contoh Penggunaan API

Health Check

curl http://localhost:8000/api/health
{"status": "ok", "service": "Folliscope API", "timestamp": "2024-01-01T12:00:00"}

Dapatkan Database SNP

curl http://localhost:8000/api/snp-database

Analisis Lengkap (Hybrid)

curl -X POST http://localhost:8000/api/analyze \
  -H "Content-Type: application/json" \
  -d '{
    "genetic_data": {
      "fasta_sequence": ">test\nCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGCAGGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGCGGC",
      "snp_genotypes": {"rs6152": "G", "rs1385699": "C", "rs12558842": "G"}
    },
    "section1": {"age": 28, "gender": "male", "ethnicity": "Asia"},
    "section2": {
      "hair_loss_per_day": 200, "loss_duration_months": 12,
      "loss_pattern": "m-shape", "thinning_areas": ["hairline", "crown"],
      "thinning_perception": 7, "diameter_decreased": true, "norwood_scale": 4
    },
    "section3": {"hair_pull_count": 10},
    "section4": {
      "father_bald": true, "father_bald_age": 35,
      "maternal_grandfather_bald": true, "generations_bald": 2
    },
    "section5": {
      "stress_level": 8, "sleep_hours": 5.5,
      "smoking": false, "diet_quality": "balanced",
      "exercise_frequency": "light"
    }
  }'

Contoh Respons (disingkat):

{
  "success": true,
  "analysis_type": "hybrid",
  "scores": {
    "hybrid_score": 72.4, "genetic_score": 78.0,
    "clinical_score": 65.3, "family_score": 68.0, "lifestyle_score": 48.2
  },
  "risk_category": "TINGGI",
  "risk_category_label": "High",
  "confidence": {
    "level": "questionnaire_plus_dna", "label": "Questionnaire + DNA sequence",
    "percent": 95, "description": "Direct measurement of your AR CAG repeats..."
  },
  "ncbi_reference": {
    "available": true, "source": "NCBI RefSeq",
    "accession": "NM_000044.6", "sequence_length": 10667,
    "cag_count": 22, "fetched_at": "2026-05-23T13:35:31"
  },
  "ncbi_comparison": {
    "ncbi_reference_cag": 22, "user_cag_midpoint": 18,
    "interpretation": "Your AR profile is moderately shorter than the NCBI reference..."
  },
  "recommendations": [
    "Warning: AGA risk is high, early intervention is strongly recommended.",
    "See a dermatologist within the next 1-3 months.",
    "..."
  ],
  "disclaimer": "This is an educational risk assessment, not a medical diagnosis..."
}

Upload File FASTA

curl -X POST http://localhost:8000/api/analyze/fasta-upload \
  -F "file=@sample_data/high_risk_sample.fasta"

Struktur Proyek

folliscope/
├── README.md                    ← Dokumentasi ini
├── METHODS.md                   ← Defensibilitas ilmiah & limitasi
├── CLAUDE.md                    ← Panduan untuk Claude Code AI
├── requirements.txt             ← Python dependencies
├── main.py                      ← Entry point FastAPI
│
├── Dockerfile                   ← Docker image (multi-stage, honors $PORT)
├── docker-compose.yml           ← Jalankan dengan `docker compose up`
├── render.yaml                  ← Deploy ke Render.com (Blueprint)
├── railway.json                 ← Deploy ke Railway.app
├── fly.toml                     ← Deploy ke Fly.io (region: Singapore)
├── .dockerignore                ← Exclude cache & venv dari Docker build
│
├── backend/
│   ├── __init__.py
│   ├── reference_data.py        ← SNP database, threshold, recommendations
│   ├── analyzer.py              ← CAG/GGN counter + SNP detector
│   ├── clinical_analyzer.py     ← Kuesioner scorer (5 sections)
│   ├── phenotype_inference.py   ← Phenotype → CAG estimate + confidence
│   ├── risk_score.py            ← Hybrid PRS calculator
│   ├── ncbi.py                  ← NCBI Entrez, live fetch AR reference (NM_000044.6)
│   ├── parser_23andme.py        ← Parser file raw data 23andMe
│   └── api.py                   ← REST endpoints (FastAPI Router)
│
├── frontend/
│   ├── index.html               ← Landing page
│   ├── analyze.html             ← Wizard form + results + treatment simulator
│   ├── about.html               ← Penjelasan ilmiah
│   ├── database.html            ← Database SNP interaktif
│   ├── css/
│   │   └── style.css            ← Design system v2 (Inter + Space Grotesk + JetBrains Mono)
│   └── js/
│       ├── api.js               ← HTTP client untuk backend
│       ├── charts.js            ← Chart.js visualizations
│       └── main.js              ← UI controller, form logic, PDF generator
│
├── sample_data/
│   ├── high_risk_sample.fasta   ← CAG=17, GGN=23 (very high)
│   ├── medium_risk_sample.fasta ← CAG=23, GGN=22 (moderate)
│   ├── low_risk_sample.fasta    ← CAG=29, GGN=20 (low)
│   └── protective_sample.fasta  ← CAG=33, GGN=18 (protective)
│
└── tests/
    ├── __init__.py
    └── test_folliscope.py        ← 66 unit tests (pytest)

Menjalankan Tests

# Pastikan virtual environment aktif
source venv/bin/activate

# Jalankan semua tests
pytest tests/ -v

# Jalankan dengan coverage report
pytest tests/ -v --tb=short

# Jalankan test class tertentu
pytest tests/test_folliscope.py::TestCAGRepeats -v
pytest tests/test_folliscope.py::TestHybridRiskCalculation -v

# Jalankan test tunggal
pytest tests/test_folliscope.py::TestCAGRepeats::test_cag_17_count -v

Target: 66 test cases di 9 kelas pengujian:

Kelas Test Jumlah Cakupan
TestCAGRepeats 12 Count, risk level, edge cases
TestGGNRepeats 7 Count, risk level, edge cases
TestSNPDetection 8 All risk, all normal, unknown, scoring
TestClinicalScore 6 Norwood, hair pull, bounds
TestFamilyScore 4 Weighting, zero, full history
TestLifestyleScore 4 High risk, healthy, bounds
TestHybridRiskCalculation 11 All 5 categories, hybrid vs clinical-only
TestParsing 14 FASTA multiline, TSV, edge cases

Cara Memperluas Folliscope

Menambah SNP Baru

Edit backend/reference_data.py, tambahkan SNPRecord baru ke list SNP_DATABASE:

SNPRecord(
    rs_id="rs12345678",
    gene="NAMA_GEN",
    chromosome="1",           # nomor kromosom
    risk_allele="A",          # allele yang meningkatkan risiko
    ref_allele="G",           # allele referensi normal
    odds_ratio=1.55,          # dari publikasi GWAS
    prs_weight=0.52,          # proposional terhadap ln(OR)
    description="Deskripsi singkat SNP",
    function="Fungsi biologis gen ini di folikel rambut"
),

Kemudian update database.html untuk menambahkan SNP ke tabel frontend.

Mengubah Threshold CAG

Edit CAG_THRESHOLDS di backend/reference_data.py:

CAG_THRESHOLDS = [
    (0, 17,   "SANGAT_TINGGI", 100, "Interpretasi..."),
    (18, 21,  "TINGGI",         80, "Interpretasi..."),
    # Tambah atau ubah baris di sini
]

Mengubah Formula Risk Score

Edit bobot di backend/risk_score.py:

def calculate_hybrid_score(genetic, clinical):
    g = genetic.genetic_score
    c = clinical.clinical_score
    f = clinical.family_score
    l = clinical.lifestyle_score
    # Ubah bobot di sini:
    score = 0.45 * g + 0.30 * c + 0.15 * f + 0.10 * l
    return score * clinical.age_modifier

Menambah Rekomendasi

Edit dictionary RECOMMENDATIONS di backend/reference_data.py untuk menambah atau mengubah rekomendasi per kategori risiko.

Limitasi dan Disclaimer

Folliscope adalah alat edukasi tentang genetika AGA. Bukan alat diagnostik dan bukan pengganti pemeriksaan dermatologis. Untuk evaluasi medis, konsultasi dengan dokter atau dermatolog berlisensi.

Pembahasan ilmiah lengkap tentang asumsi model, populasi referensi, dan apa yang perlu dilakukan untuk validasi klinis ada di METHODS.md.

Referensi Literatur

  1. Hillmer AM, et al. (2005). Genetic variation in the human androgen receptor gene is the major determinant of common early-onset androgenetic alopecia. Am J Hum Genet, 77(1):140-148.

  2. Heilmann-Heimbach S, et al. (2017). Meta-analysis identifies novel risk loci and yields systematic insights into the biology of male-pattern baldness. Nat Commun, 8:14694.

  3. Choong CS, et al. (1996). Reduced androgen receptor gene expression with first exon CAG repeat expansion. Mol Endocrinol, 10(12):1527-1535.

  4. Ellis JA, et al. (2001). Polymorphism of the androgen receptor gene is associated with male pattern baldness. J Invest Dermatol, 116(3):452-455.

  5. Prodi DA, et al. (2008). EDA2R is associated with androgenetic alopecia. J Invest Dermatol, 128(9):2268-2270.

  6. Norwood OT. (1975). Male pattern baldness: Classification and incidence. South Med J, 68(11):1359-1365.

  7. Ludwig E. (1977). Classification of the types of androgenetic alopecia occurring in the female sex. Br J Dermatol, 97(3):247-254.

  8. Giovannucci E, et al. (1997). The CAG repeat within the androgen receptor gene and its relationship to prostate cancer. Proc Natl Acad Sci USA, 94(7):3320-3323.

  9. Yip L, et al. (2009). Gene-wide association study between the aromatase gene (CYP19A1) and female pattern hair loss. Br J Dermatol, 161(2):289-294.

Lisensi

MIT License, untuk penggunaan edukasi dan non-komersial.

Folliscope dibuat sebagai proyek UAS mata kuliah Computational Biology. Dibuat dengan ❤️ menggunakan Python, FastAPI, dan Biopython.

About

Tools Untuk Mendeteksi Kebotakan Dini

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages