[論文レビュー] A Hybrid Multi Objective Particle Swarm Optimization Method to Discover Biclusters in Microarray Data

Mohsen Lashkargir, S. Amirhassan Monadjemi+1 more|ArXiv.org|Sep 8, 2009

Gene expression and cancer classification参考文献 9被引用数 5

ひとこと要約

本稿では、マイクロアレイ遺伝子発現データにおいて重複のない、高カバレッジのバイクラスタを発見するため、ハイブリッドな多目的粒子群最適化（MOPSO）手法を提案する。同時に低バイクラスタ重複と最大マトリクスカバレッジを最適化することで、ベンチマークデータセットを用いた IJCSIS 2009 フレームワークによる検証において、従来手法に比べてカバレッジ向上と重複低減の両面で顕著な改善を達成した。

ABSTRACT

In recent years, with the development of microarray technique, discovery of useful knowledge from microarray data has become very important. Biclustering is a very useful data mining technique for discovering genes which have similar behavior. In microarray data, several objectives have to be optimized simultaneously and often these objectives are in conflict with each other. A Multi Objective model is capable of solving such problems. Our method proposes a Hybrid algorithm which is based on the Multi Objective Particle Swarm Optimization for discovering biclusters in gene expression data. In our method, we will consider a low level of overlapping amongst the biclusters and try to cover all elements of the gene expression matrix. Experimental results in the bench mark database show a significant improvement in both overlap among biclusters and coverage of elements in the gene expression matrix.

研究の動機と目的

• 高次元のマイクロアレイデータにおいて、複数の相反する目的が存在する中で意味のあるバイクラスタを発見する課題に対処すること。
• 発見されたバイクラスタの重複を最小限に抑えつつ、遺伝子発現マトリクスのカバレッジを最大化すること。
• バイクラスタ解の多様性と品質の両立を図る多目的最適化フレームワークの構築。
• 粒子群最適化と多目的意思決定を統合することで、既存のバイクラスタリング手法を改善すること。
• 標準ベンチマークデータセットを用いて手法の妥当性を検証し、カバレッジと重複低減の両面でのパフォーマンスを評価すること。

提案手法

• 本手法は、バイクラスタリングにおける複数の相反する目的を同時に最適化する多目的粒子群最適化（MOPSO）フレームワークを採用する。
• パラメータの最適化と多様性の両立を図るためのハイブリッドメカニズムを導入し、バイクラスタ解のパレート最適フロントへの収束性と多様性を向上させる。
• アルゴリズムは、2つの主な目的に基づいて解を評価する：バイクラスタ間の重複を最小化することと、発現マトリクスのカバレッジを最大化すること。
• 低レベルの重複制約を導入することで、バイクラスタが基本的に独立している一方で、大部分のデータ要素をカバーできるように保証する。
• 解のランク付けと多様なパレート最適バイクラスタの維持のため、非優位ソーティング手法を用いる。
• 最終的なバイクラスタは、カバレッジと最小限の重複を組み合わせた基準に基づき、非優位フロントから選択される。

実験結果

リサーチクエスチョン

• RQ1 多目的最適化アプローチは、マイクロアレイデータのバイクラスタリングにおいてカバレッジと重複の両立を効果的に実現できるか？
• RQ2 提案されたハイブリッド MOPSO 法は、既存のバイクラスタリング手法と比較して、解の品質と多様性の面で優れているか？
• RQ3 アルゴリズムは、遺伝子発現マトリクスのすべての要素をどれだけカバーできるか、同時にバイクラスタの重複を最小限に抑えられるか？
• RQ4 MOPSO とハイブリッド戦略の統合により、バイクラスタリングタスクにおける収束性と解の品質が向上するか？
• RQ5 標準ベンチマークマイクロアレイデータセットに適用した場合、提案手法は頑健で効果的であるか？

主な発見

• 提案されたハイブリッド MOPSO 法は、ベースライン手法と比較してバイクラスタの重複が顕著に低減され、解の純度が向上した。
• 本手法は、遺伝子発現マトリクスのカバレッジが優れた性能を示し、より多くのデータ要素が少なくとも1つのバイクラスタに含まれることを保証した。
• ベンチマークデータセットを用いた実験結果から、本アルゴリズムはカバレッジおよび重複指標の両面で、既存のアプローチを上回ることを示した。
• 非優位ソーティング機構により、複数の目的にわたる高品質なバイクラスタ解の多様な集合が効果的に維持された。
• 解の品質と計算効率の両立が達成され、大規模なマイクロアレイデータ解析に適した手法であることが示された。
• IJCSIS 2009 ベンチマークを用いた検証により、実世界の環境下でも本手法の信頼性とパフォーマンスが確認された。