[論文レビュー] Algorithm for Finding Optimal Gene Sets in Microarray Prediction

J. M. Deutsch|ArXiv.org|Aug 8, 2001

Gene expression and cancer classification参考文献 23被引用数 3

ひとこと要約

本論文では、正確なマイクロアレイベースのがん分類に必要な最小限の最適遺伝子セットを特定する、複製に基づく進化的アルゴリズムであるGESSESを紹介する。白血病および小児がんデータに適用したところ、96個の遺伝子をわずか15個に削減し、すべてのテスト分類が完璧に達成された。これは、予測精度を損なわず、生物学的に不適切な遺伝子を最小限に抑える強固な手法であることを示している。

ABSTRACT

Motivation: Microarray data has been recently been shown to be efficacious in distinguishing closely related cell types that often appear in the diagnosis of cancer. It is useful to determine the minimum number of genes needed to do such a diagnosis both for clinical use and to determine the importance of specific genes for cancer. Here a replication algorithm is used for this purpose. It evolves an ensemble of predictors, all using different combinations of genes to generate a set of optimal predictors. Results: We apply this method to the leukemia data of the Whitehead/MIT group that attempts to differentially diagnose two kinds of leukemia, and also to data of Khan et. al. to distinguish four different kinds of childhood cancers. In the latter case we were able to reduce the number of genes needed from 96 down to 15, while at the same time being able to perfectly classify all of their test data. Availability: http://stravinsky.ucsc.edu/josh/gesses/ Contact: [e-mail]

研究の動機と目的

• マイクロアレイデータを用いてがんタイプを正確に分類するために必要な最小限の遺伝子セットを特定すること。
• 多様な予測子アンサンブルを進化させることで、遺伝子発現データのノイズや重複を克服すること。
• 遺伝子選択を前処理段階として扱うのではなく、予測プロセスそのものに統合する手法を開発すること。
• 小さな、生物学的に意味のある遺伝子セットが、大きな遺伝子パネルと同等の高い予測精度を達成できるかどうかを評価すること。
• 進化的アルゴリズムが、従来の遺伝子選択手法に比べ、がん診断のための最適遺伝子サブセットを同定する際に優れているかどうかを検討すること。

提案手法

• GESSESアルゴリズムは、量子およびタンパク質シミュレーションに最初に開発された、複製アルゴリズムと呼ばれる進化的計算の一種を用いる。
• 初期の候補遺伝子プールから選択された異なる遺伝子サブセットを用いる、予測子のアンサンブルを進化させる。
• 各予測子の適応度は、訓練サンプルを異なるがんカテゴリに正しく分類できる能力に基づいてスコア付けされる。
• 分類精度と遺伝子セットのサイズの両方をバランスさせるスコア関数を用いて、反復的にアンサンブルを進化させる。
• シンプルさ、低い仮定、および訓練データに対する高速な学習性のため、最近傍法分類器を予測エンジンとして採用する。
• 確率的および決定的進化戦略の両方を採用し、世代ごとの平均誤分類数の変化を追跡することで収束状態を監視する。

実験結果

リサーチクエスチョン

• RQ1 進化的アルゴリズムは、マイクロアレイベースのがん診断において、高い分類精度を維持しつつ最小限の遺伝子セットを効果的に同定できるか？
• RQ2 SRBCTや白血病のような複雑ながんデータセットにおいて、信頼性の高い分類を達成するために必要な最適な遺伝子数は何か？
• RQ3 GESSESの性能は、ランク付け、主成分分析（PCA）、または遺伝子シェービングといった従来の遺伝子選択手法と比較してどうなるか？
• RQ4 多様な予測子アンサンブルを進化させることで、遺伝子の重複性とノイズをどの程度軽減できるか？
• RQ5 高次元のマイクロアレイデータにおいて、20個未満の遺伝子で完全なテスト分類を達成することは可能か？

主な発見

• GESSESは、4種類のがん（SRBCT）を分類するために必要な遺伝子数を96個から15個未満に削減し、20個のすべてのテストサンプルを完璧に分類した。
• SRBCTデータセットでは、安定した最適遺伝子セットサイズが約12±2個であると同定され、明確な最小効果的遺伝子セットが存在することが示された。
• 白血病データセットでは、一意の最適遺伝子数は得られなかった。予測子の性能には大きなばらつきがあり、誤差が0個のものもあれば5個までのものもあり、データの制限やノイズの可能性を示唆した。
• アンサンブルアプローチにより、複数の高性能な予測子が特定されたが、初期遺伝子プールのサイズやスコア関数のチューニングといったパrameterの調整によって、統計的に有意な性能向上は得られなかった。
• 決定的モードでは、誤分類率が急速に低下し、白血病データセットではわずか3個の遺伝子で平均約2回の誤分類にまで到達した。
• SRBCT研究において、元の96遺伝子セットとは生物学的に異なる遺伝子が同定されたため、新たな生物学的知見の可能性が示唆された。