[論文レビュー] Consistent Biclustering

Cheryl Flynn, Patrick O. Perry|arXiv (Cornell University)|Jun 29, 2012

Gene expression and cancer classification被引用数 11

ひとこと要約

本論文は、プロファイル尤度に基づく一貫性のあるバイクラスタリング手順を提案し、行列の次元が大きくなるにつれて、分布の不適合があっても真の行および列クラスタを回復する。計算的に高負荷な探索を可能にするために、Kernighan-Linアルゴリズムにインspiredされたヒューリスティック最適化を用いており、議会投票データおよびマイクロアレイデータにおいて優れた性能を示している。

ABSTRACT

Biclustering, the process of simultaneously clustering the rows and columns of a data matrix, is a popular and effective tool for finding structure in a high-dimensional dataset. Many biclustering procedures appear to work well in practice, but most do not have associated consistency guarantees. To address this shortcoming, we propose a new biclustering procedure based on profile likelihood. The procedure applies to a broad range of data modalities, including binary, count, and continuous observations. We prove that the procedure recovers the true row and column classes when the dimensions of the data matrix tend to infinity, even if the functional form of the data distribution is misspecified. The procedure requires computing a combinatorial search, which can be expensive in practice. Rather than performing this search directly, we propose a new heuristic optimization procedure based on the Kernighan-Lin heuristic, which has nice computational properties and performs well in simulations. We demonstrate our procedure with applications to congressional voting records, and microarray analysis.

研究の動機と目的

• 既存のバイクラスタリング手法における一貫性の保証の欠如に対処すること。
• 仮定されたデータ分布が誤っている場合でも一貫性を保つバイクラスタリング手順を開発すること。
• 最適バイクラスタリングを直接組み合わせ探索で行う計算的に実行不可能な代替手法を構築すること。
• 議会投票記録やマイクロアレイデータなどの実世界のデータセットにおいて、この手法の有効性を示すこと。

提案手法

• この手法は、データ行列の行および列クラスタ割り当てをプロファイル尤度を用いて推定する。
• データ行列の要素に対してパラメトリックモデルを仮定し、クラスタ構造に関する尤度に基づく推論を可能にする。
• この手続きは一貫性を備えている：行列の次元が増加するにつれて、真の行および列クラスタを漸近的に回復する。
• 最適性を達成するには、すべての可能な行および列クラスタリングの組み合わせに対する組み合わせ探索が必要だが、計算的に実行不可能である。
• これを克服するために、著者らはKernighan-Linアルゴリズムにインspiredされたヒューリスティック最適化を提案し、局所的な移動を通じて繰り返しクラスタ割り当てを改善する。
• このヒューリスティックは、計算効率とシミュレーションおよび実データ応用における高い実効性の両立を図っている。

実験結果

リサーチクエスチョン

• RQ1 モデルの不適合がある状況下でも、バイクラスタリング手法が真の行および列クラスタを一貫して回復できるか？
• RQ2 最適バイクラスタリングのための計算的に高負荷な組み合わせ探索を、実用的に行えるようにできるか？
• RQ3 提案されたプロファイル尤度に基づく手法は、多様なデータモダリティを持つ実世界のデータにおいて、既存手法を上回る性能を示せるか？
• RQ4 この手法は、遺伝子発現や投票パターンのような高次元データにおいて、意味のある構造を信頼性高く検出できるか？

主な発見

• 提案されたバイクラスタリング手順は一貫性を有する：行列の次元が無限大に近づくにつれて、真の行および列クラスタを漸近的に回復する。
• 仮定されたデータ分布の関数形が誤っていても、この手法は一貫性を保つ。
• Kernighan-Linアルゴリズムにインspiredされたヒューリスティック最適化は、シミュレーションにおいて計算時間を顕著に短縮しながらも、高い精度を維持している。
• 議会投票記録において、この手法は政党ベースの投票構造を明らかにする一貫したパターンを同定した。
• マイクロアレイ解析において、この手法は生物学的に意味のある遺伝子および条件下のクラスタを検出しており、ゲノム分野における実用性を示している。