---
type: "Akademik Makale Analizi"
title: "Foldseek ile Hızlı ve Hassas Protein Yapısı Arama Algoritması"
description: "Yapay zeka tabanlı protein yapısı tahmin yöntemlerinin milyonlarca yeni protein yapısı üretmesi, yapısal biyoloji ve biyoinformatik alanında devasa veri tabanlarının oluşmasını sağlamıştır. Ancak bu devasa veri tabanlarında benzerlik araması yapmak mevcut hizalama araçlarının yüksek hesaplama maliye"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/foldseek-ile-hizli-ve-hassas-protein-yapisi-arama-algoritmasi"
doi: "10.1038/s41587-023-01773-0"
authors: ["van Kempen M", "Kim SS", "Tumescheit C", "Mirdita M", "Lee J", "Gilchrist CLM", "Söding J", "Steinegger M."]
citation: "M, V. K., SS, K., C, T., M, M., J, L., CLM, G., J, S., M., S. (2023). Fast and accurate protein structure search with Foldseek.. . https://doi.org/10.1038/s41587-023-01773-0"
publicationType: "computational"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 12
tags: ["protein yapısı araması", "yapısal alfabe", "homoloji tespiti", "yüksek verimli hizalama"]
timestamp: "2026-08-01T14:59:08.764Z"
---

# Foldseek ile Hızlı ve Hassas Protein Yapısı Arama Algoritması

Özgün başlık: Fast and accurate protein structure search with Foldseek.
DOI: https://doi.org/10.1038/s41587-023-01773-0
Künye (APA 7): M, V. K., SS, K., C, T., M, M., J, L., CLM, G., J, S., M., S. (2023). Fast and accurate protein structure search with Foldseek.. . https://doi.org/10.1038/s41587-023-01773-0

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

Yapay zeka tabanlı protein yapısı tahmin yöntemlerinin milyonlarca yeni protein yapısı üretmesi, yapısal biyoloji ve biyoinformatik alanında devasa veri tabanlarının oluşmasını sağlamıştır. Ancak bu devasa veri tabanlarında benzerlik araması yapmak mevcut hizalama araçlarının yüksek hesaplama maliyetleri nedeniyle bir darboğaz oluşturmaktadır. Klasik dizi hizalama yöntemleri hızlı olsa da uzak evrimsel ilişkileri yakalamada yetersiz kalırken, üç boyutlu yapısal hizalama araçları son derece yavaş çalışmaktadır. Bu durum, hem yüksek hassasiyete sahip hem de hesaplama süresini kökten azaltabilecek yeni algoritmaların geliştirilmesini zorunlu kılmaktadır.

# Akademik özet

AlphaFold2 ve ESMFold gibi yapay zeka tabanlı protein yapısı tahmin yöntemlerindeki son gelişmeler, biyolojik bilimlerde devrim niteliğinde bir dönüşüm yaratmış ve yüz milyonlarca doğruluğu yüksek protein yapısının kamuya açık veri tabanlarında depolanmasını sağlamıştır. Ancak bu devasa veri tabanlarında benzer yapıların aranması ve analiz edilmesi mevcut hesaplama yöntemleri için ciddi bir darboğaz haline gelmiştir. Geleneksel dizi hizalama araçları son derece hızlı çalışmasına rağmen evrimsel açıdan uzak ilişkileri tespit etmede yetersiz kalmakta, üç boyutlu hizalama yapan klasik araçlar ise yüksek hassasiyet sunmalarına karşın devasa ölçekteki verilerle başa çıkamayacak kadar yavaş çalışmaktadır. Dolayısıyla, doğruluktan ödün vermeden protein yapılarını saniyeler içinde karşılaştırabilecek yeni nesil algoritmaların geliştirilmesi biyoinformatik alanında kritik bir ihtiyaçtır.

Bu ihtiyacı karşılamak amacıyla tasarlanan Foldseek algoritması, proteinlerin üçüncül yapılarındaki amino asit etkileşimlerini yapısal bir alfabe üzerinden dizilere dönüştürerek hizalama süresini radikal bir biçimde kısaltmaktadır. Çalışmada geliştirilen 20 durumlu 3B Etkileşim (3Di) alfabesi, protein omurgasındaki yerel konformasyonlar yerine kalıntıların uzaysal olarak en yakın komşularıyla olan geometrik ilişkilerini tanımlamaktadır. Metodolojide, bu yapısal alfabe kullanılarak dönüştürülen diziler üzerinde MMseqs2 tabanlı hızlı k-mer ve boşluksuz prefiltre modülleri çalıştırılmakta, ardından Smith-Waterman yerel hizalama algoritması uygulanmaktadır. Küresel hizalama gereksinimleri için ise TM-align algoritmasının SIMD yönergeleriyle hızlandırılmış bir versiyonu olan Foldseek-TM entegrasyonu sunulmuştur.

Performans değerlendirme testlerinde Foldseek, tek alanlı SCOPe40 veri tabanında yapılan tüm eşleştirmelerde Dali ve TM-align araçlarından sırasıyla 184.600 ve 23.000 kat daha hızlı sonuç vermiş, SARS-CoV-2 RdRp yapısıyla yapılan aramayı ise Dali 10 günde, TM-align 33 saatte tamamlarken Foldseek yalnızca 6 saniyede gerçekleştirmiştir. Algoritma, hız avantajının yanı sıra hassasiyet açısından da Dali'nin %86'sına, TM-align'ın %88'ine ulaşmış, CE algoritmasını ise %133 oranında geride bırakmıştır. Ayrıca çok alanlı ve tam uzunluktaki AlphaFold2 protein modellerinde yapılan referanssız hassasiyet testlerinde, 3Di alfabesinin yüksek bilgi yoğunluğu ve düşük yanlış pozitif oranı sayesinde hem hassasiyet hem de hizalama kalitesinde yüksek doğruluk elde edildiği ampirik olarak kanıtlanmıştır.

Foldseek, biyoinformatik literatüründe uzun süredir aşılması zor kabul edilen yapısal benzerlik arama hız limitlerini ortadan kaldırarak yapı tabanlı protein analizi çağını başlatmıştır. Çalışmanın sunduğu yüksek hızlı ve hassas arama kabiliyeti, gelecekte dizi tabanlı homoloji çıkarımının yerini büyük ölçüde yapı tabanlı analizlerin almasına zemin hazırlamaktadır. Özellikle metagenomik veri tabanlarının ve yeni keşfedilen protein ailelerinin hızlıca işlevsel olarak etiketlenmesinde bu yeni yaklaşım vazgeçilmez bir araç niteliğindedir. Sonuç olarak, protein evrimi, fonksiyon tahmini ve rasyonel ilaç tasarımı alanlarında çalışan araştırmacılar için devasa yapı veri tabanlarını saniyeler içinde sörgülamak Foldseek sayesinde pratik ve erişilebilir bir hale gelmiştir.

# Araştırmanın amacı

Devasa protein yapısı veri tabanlarında, geleneksel yapısal hizalama araçlarının yüksek hassasiyet seviyelerini korurken arama hızını dört ila beş büyüklük derecesi oranında artıran Foldseek adlı hızlı ve hassas bir protein yapısı arama algoritmasının geliştirilmesi ve doğrulanmasıdır.

# Yöntem ve tasarım

Foldseek, protein yapılarını karşılaştırma işlemini hızlandırmak amacıyla, proteinlerin üçüncül amino asit etkileşimlerini 3Di (3-boyutlu etkileşim) adı verilen 20 durumlu özel bir yapısal alfabe kullanarak tanımlar ve yapısal hizalamaları hızlı dizi hizalama algoritmalarına dönüştürür.

# Bulgular ve önermeler

1. Foldseek, SCOPe40 veri seti üzerinde yapılan testlerde geleneksel yapısal hizalama araçları olan TM-align ve Dali'den 4.000 kattan, CE aracından ise 21.000 kattan daha hızlı arama yapmaktadır.
2. Büyük ölçekli veri tabanlarında tam hızına ulaşan Foldseek, AlphaFoldDB üzerinde yapılan aramalarda Dali'den yaklaşık 184.600 kat ve TM-align aracından ise 23.000 kat daha hızlı sonuç üretir.
3. Geliştirilen 20 durumlu 3Di yapısal etkileşim alfabesi, her amino asit kalıntısının uzaysal olarak en yakın komşusuyla olan geometrik ilişkisini tanımlayarak yanlış pozitif oranını azaltır ve bilgi yoğunluğunu artırır.
4. Foldseek, devasa hız artışına karşın geleneksel yöntemlerin hassasiyet seviyesini büyük oranda koruyarak Dali'nin %86, TM-align'ın %88 ve CE'nin %133 hassasiyet düzeylerine ulaşmaktadır.

# Yazarın tartışması

Protein yapısı tahmin yöntemlerinin milyonlarca yeni yapı üretmesiyle birlikte, mevcut yapısal hizalama araçlarının işlem hızları büyük bir darboğaz haline gelmiştir. Geliştirilen Foldseek algoritması, bu kısıtlamayı aşmak için proteinlerin üçüncül etkileşim geometrilerini 20 durumlu bir 3Di alfabesiyle tanımlayarak yapı karşılaştırma problemini hızlı dizi hizalamasına dönüştürmüştür.

Yapılan SCOPe40 ve AlphaFoldDB testleri, Foldseek'in geleneksel araçlara göre devasa bir hız avantajı sunduğunu ortaya koymaktadır. Algoritma, hassasiyette kritik bir kayıp yaşamadan arama sürelerini dört ila beş büyüklük mertebesi kadar kısaltarak, normalde haftalar sürecek veri tabanı taramalarını saniyeler seviyesine indirmeyi başarmıştır.

Yazarlar, bu hız artışının arkasındaki temel etkenin 3Di alfabesinin yüksek bilgi yoğunluğu ve MMseqs2 tabanlı çift köşegenli k-mer ön filtreleme modülü olduğunu belirtmektedir. Geleneksel omurga tabanlı yapısal alfabelerin aksine, 3Di alfabesi üçüncül etkileşimleri yakalayarak korunan protein çekirdeklerindeki evrimsel sinyalleri daha hassas şekilde modellemektedir.

Sonuç olarak Foldseek, yapı tabanlı biyoinformatik analizlerin önündeki en büyük engel olan hesaplama süresi kısıtını ortadan kaldırarak AlphaFold veri tabanlarının tam potansiyeliyle kullanılmasının önünü açmıştır. Gelecekteki yapısal biyoloji çalışmalarında, geleneksel dizi benzerliği aramalarının yerini hızla bu tarz hassas yapısal arama motorlarının alacağı öngörülmektedir.

# Yazarın sonucu

Protein yapısı tahmini alanındaki son gelişmeler sayesinde milyonlarca protein yapısının erişilebilir hale gelmesi biyoloji ve biyoinformatik alanlarında devrim yaratmıştır; Foldseek ise bu yapıların karşılaştırılmasındaki hız kısıtını tamamen kaldırarak yapı tabanlı analizlerin, geleneksel dizi tabanlı analizlerin yerini almasını sağlamaktadır.

# Literatürdeki işlevi

Bu çalışma, yapay zeka tabanlı yapı tahmin araçlarının ürettiği yüz milyonlarca protein yapısının taranmasında ortaya çıkan hesaplama darboğazını çözen yenilikçi bir arama algoritması sunmaktadır. Klasik üç boyutlu yapısal hizalama yöntemleri yüksek doğruluk sunsalar da devasa veri tabanlarını taramak için gereken süreler bakımından pratik olarak uygulanamaz durumdadır. Çalışma, protein omurgasındaki üçüncül etkileşimleri 20 durumlu bir 3Di alfabesine dönüştürerek yapı hizalama problemini dizi hizalama hızına indirmektedir. Böylece literatürde yapısal biyoinformatik analizlerin ölçeklenebilirliğini kökten değiştirerek yapı tabanlı homoloji aramalarının dizi tabanlı aramaların yerini almasını sağlamaktadır.

Önceki çalışmalarla ilişkisi: Çalışma, önceki literatürde yer alan iki temel yaklaşımın sentezinden doğmuştur: TM-align ve Dali gibi geleneksel 3D/2D yapı hizalama araçlarının yüksek hassasiyeti ile MMseqs2 gibi gelişmiş dizi arama yazılımlarının hızı. Geleneksel omurga tabanlı yapısal alfabeler (3D-BLAST, CLE) yalnızca kısa omurga parçalarını tanımladığı için yüksek yanlış pozitif oranlarına yol açarken, bu makalede geliştirilen 3Di alfabesi kalıntıların uzaysal en yakın komşularıyla yaptığı üçüncül etkileşimleri kodlayarak evrimsel sinyali korumaktadır. MMseqs2 ön filtreleme altyapısının bu yeni alfabayla birleştirilmesi, önceki yöntemlerin yavaşlığını aşarak yapıyı dizi hızında aramayı başarmıştır.

Literatür taramasına katkısı: Literatür taramalarında bu çalışma, AlphaFoldDB ve ESM Atlas gibi devasa yapısal veri tabanlarının metodolojik taranabilirliği konusunda referans bir kaynak teşkil etmektedir. Makale, yapısal korunumun dizi korunumuna kıyasla evrimsel süreçte daha yüksek düzeyde sürdürüldüğü bilgisini pratik bir arama motoruna dönüştürmüştür. Araştırmacılara, dizilim benzerliği düşük olan ancak aynı katlanmaya sahip protein ailelerinin ve işlevsel homologların hızlıca belirlenebileceğini kanıtlamaktadır. Bu durum, dizilim analiziyle tanımlanamayan bilinmeyen işlevli proteinlerin işlevsel annotation süreçlerinde yapısal aramaların nasıl bir köprü görevi gördüğünü açıkça göstermektedir.

# Tez ve makale araştırmalarında kullanım

- **Devasa protein yapı veri tabanlarında geleneksel 3D hizalama araçlarının arama süreleri büyük bir hesaplama darboğazı oluşturmaktadır.** — Literatür taraması bölümünde, AlphaFoldDB veya ESM Atlas gibi veri tabanlarında geleneksel TM-align veya Dali araçlarıyla arama yapmanın aylar sürdüğü ve yüksek hesaplama maliyeti yarattığı iddiasını desteklemek için kullanılır.
- **Proteinlerin üçüncül etkileşim geometrileri, 20 durumlu 3Di alfabesiyle temsil edilerek yapısal hizalama dizi hizalaması hızına indirgenebilir.** — Kavramsal çerçevede, yapısal alfabelerin tasarımı ve uzaysal komşuluk ilişkilerinin 20 durumlu ayrık sembollerle ifade edilmesinin bilgi yoğunluğunu artırdığı ve yanlış pozitifleri azalttığı kuramsal olarak açıklanırken kaynak gösterilir.
- **Foldseek algoritması, SCOPe40 veri setindeki hizalama testlerinde TM-align ve Dali araçlarına göre 4.000 kattan fazla hız artışı sağlamaktadır.** — Yöntem veya karşılaştırmalı performans analizlerinde, geliştirilen biyoinformatik boru hatlarının arama hızı verimliliğini değerlendirmek ve Foldseek benchmark ölçütlerine atıfta bulunmak amacıyla kullanılır.

# Türetilebilir araştırma soruları

- **Dizilim homolojisi tespit edilemeyen metagenomik protein dizilerinin AlphaFoldDB üzerindeki Foldseek aramasıyla işlevsel olarak sınıflandırılma oranı nedir?**
  - Desen: Metagenomik veri tabanlarından seçilen ve bilinen dizilim ailesi eşleşmesi bulunmayan 10.000 protein modeli materyal olarak alınacaktır. Foldseek webserver/CLI aracıyla AlphaFoldDB v4 veri tabanında 3Di tabanlı hizalama yapılacak, elde edilen yapısal homologların CATH ve UniProt işlevsel etiketleri eşleştirilerek istatistiksel z-skor ve LDDT dağılımları analiz edilecektir. Örneklem büyüklüğü %95 güven aralığı ve %1 hata payı hedefiyle güç analizi kullanılarak belirlenecektir.
  - Gerekçe: Makalede Foldseek'in dizilim homolojisiyle tespit edilemeyen uzak evrimsel ilişkileri yapıyı dizi hızında arayarak ortaya koyabildiği ve AlphaFoldDB verilerini tarayabildiği gösterilmiştir.
- **Esnek ilmek bölgelerine sahip çok etki alanlı (multi-domain) proteinlerin hizalanmasında Foldseek'in yerel 3Di skorlaması ile global TM-align skorlamasının hassasiyet farkı nedir?**
  - Desen: AlphaFoldDB'den rastgele seçilen multi-domain protein modellerinden veri doygunluğu ilkesine göre oluşturulmuş 500 test yapısı kullanılacaktır. Hem Foldseek yerel Smith-Waterman 3Di algoritması hem de Foldseek-TM modülü çalıştırılarak LDDT ve TM-skoru üzerinden etki alanlarının bağıl oryantasyon bağımsızlığı nicel olarak karşılaştırılacaktır.
  - Gerekçe: Yazarlar, esnek etki alanı oryantasyonuna sahip çoklu segmented yapılarda Foldseek'in global TM-align'a göre daha doğru hizalama ürettiğini ve yanlış pozitifleri baskıladığını tartışmaktadır.
- **De novo tasarlanan yapay proteinlerin hedef katlanma yapısıyla olan benzerliği, 3Di alfabesi tabanlı k-mer arama skorlarıyla ne derece yüksek doğrulukla tahmin edilebilir?**
  - Desen: De novo protein tasarım yazılımlarıyla üretilen 5.000 sentetik protein omurgası materyal olarak kullanılacaktır. Tasarlanan omurgaların 3Di dizileri türetilerek PDB100 veri tabanında Foldseek ile taranacak ve elde edilen bit-score ile yapısal LDDT değerlerinin korelasyonu Pearson testiyle incelenecektir.
  - Gerekçe: Çalışmada 3Di alfabesinin kalıntılar arasındaki uzaysal etkileşimleri 20 ayrı durumda yüksek bilgi yoğunluğu ile kodladığı ve hızlı yapısal doğrulama için uygun olduğu gösterilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Brief Communication | 1 | — | Foldseek aligns the structure of a query protein against a database by describing tertiary amino acid interactions within proteins as sequences over a structural alphabet. |
| ev-o-2 | Brief Communication | 1 | — | Foldseek decreases computation times by four to five orders of magnitude with 86%, 88% and 133% of the sensitivities of Dali, TM-align and CE, respectively. |
| ev-s-1 | Brief Communication | 1 | — | Foldseek aligns the structure of a query protein against a database by describing tertiary amino acid interactions within proteins as sequences over a structural alphabet. |
| ev-s-2 | Brief Communication | 2 | — | On this small SCOPe40 benchmark set, Foldseek is more than 4,000 times faster than TM-align and Dali and over 21,000 times faster than CE |
| ev-s-3 | Brief Communication | 2 | — | On the much larger AlphaFoldDB (version 1), where Foldseek approaches its full speed, it is around 184,600 and 23,000 times faster than Dali and TM-align, respectively |
| ev-s-4 | Brief Communication | 1 | — | The 20 states of the 3D interaction (3Di) alphabet describe for each residue i the geometric conformation with its spatially closest residue j . |
| ev-s-5 | Brief Communication | 1 | — | Foldseek decreases computation times by four to five orders of magnitude with 86%, 88% and 133% of the sensitivities of Dali, TM-align and CE, respectively. |
| ev-s-6 | Brief Communication | 3 | — | The availability of high-quality structures for nearly every folded protein is transformative for biology and bioinformatics. Sequence-based analyses will soon be largely supersede |
| ev-l-1 | Brief Communication | 1 | — | Foldseek decreases computation times by four to five orders of magnitude with 86%, 88% and 133% of the sensitivities of Dali, TM-align and CE, respectively. |
| ev-l-2 | Brief Communication | 1 | — | The 20 states of the 3D interaction (3Di) alphabet describe for each residue i the geometric conformation with its spatially closest residue j. |
| ev-l-3 | Brief Communication | 2 | — | On this small SCOPe40 benchmark set, Foldseek is more than 4,000 times faster than TM-align and Dali and over 21,000 times faster than CE |
| ev-l-4 | Brief Communication | 3 | — | Sequence-based analyses will soon be largely superseded by structure-based analyses. The main limitation in our view—the four orders of magnitude slower speed of structure comparis |

# İlgili kavramlar

- [Lineament Analizine Dayalı Olarak Almalyk-Angren Sanayi Bölgesinin Sismik Aktivitesinin İncelenmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/lineament-analizine-dayali-olarak-almalyk-angren-sanayi-bolgesinin-sismik-aktivitesinin-incelenmesi.md)
- [Yazılım Geliştirmede Üretken Yapay Zeka Modellerinin Performans ve Güvenilirliği: C# Tabanlı Bir Analiz](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yazilim-gelistirmede-uretken-yapay-zeka-modellerinin-performans-ve-guvenilirligi-c-tabanli-bir-analiz.md)
- [Dinamik Hareket Uyumlaması İçin İnsan İlhamlı Duyumotor Denetleyici: Mafsallı Robot Kolları Üzerine Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dinamik-hareket-uyumlamasi-icin-insan-ilhamli-duyumotor-denetleyici-mafsalli-robot-kollari-uzerine-bir-inceleme.md)
- [Twitch Platformundaki Nefret Baskınları: Canlı Yayın Topluluklarında Gerçek Zamanlı İnsan-Bot Koordineli Saldırıların Anlaşılması](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/twitch-platformundaki-nefret-baskinlari-canli-yayin-topluluklarinda-gercek-zamanli-insan-bot-koordineli-saldirilarin-anlasilmasi.md)
- [Üretken Yapay Zekanın İlaç Yönetimi Görevlerinde Kullanım Bağlamı Değerlendirme Çerçevesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/uretken-yapay-zekanin-ilac-yonetimi-gorevlerinde-kullanim-baglami-degerlendirme-cercevesi.md)
- [Zaman Serisi Tahmini İçin Derin Öğrenme: Model Mimarisi Paradigmaları, Özellik Çıkarımı ve Gelecek Yönelimleri Üzerine Kapsamlı Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/zaman-serisi-tahmini-icin-derin-ogrenme-model-mimarisi-paradigmalari-ozellik-cikarimi-ve-gelecek-yonelimleri-uzerine-kapsamli-bir-inceleme.md)
- [Betonarme Yapıların Kentsel Dönüşümünde Hızlı Tarama Parametrelerinin Değerlendirilmesi ve Öneriler](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/betonarme-yapilarin-kentsel-donusumunde-hizli-tarama-parametrelerinin-degerlendirilmesi-ve-oneriler.md)
- [Değiştirilmiş Orangutan Optimizasyon Algoritması ile Optimize Edilmiş Kapsül Sınır Ağı Kullanılarak Deniz Kazası Sıcak Noktalarının Öngörücü Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/degistirilmis-orangutan-optimizasyon-algoritmasi-ile-optimize-edilmis-kapsul-sinir-agi-kullanilarak-deniz-kazasi-sicak-noktalarinin-ongorucu-analizi.md)

# Şeffaflık

- Analiz tarihi: 2026-08-01T14:59:08.764Z
- Kanıt sayısı: 12
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/foldseek-ile-hizli-ve-hassas-protein-yapisi-arama-algoritmasi