[論文レビュー] DimReduction - Interactive Graphic Environment for Dimensionality Reduction

Fabrício Martins Lopes, David Martins+1 more|May 26, 2008

Data Visualization and Analytics参考文献 13被引用数 40

ひとこと要約

本論文では、遺伝子発現プロファイルなどの高次元でサンプル数が少ないバイオインフォマティクスデータセットにおける次元削減を目的とし、分類器誤差、条件付きエントロピー、距離測定に基づく複数の基準関数を組み合わせた、全検索、逐次前向き選択、浮動前向き選択アルゴリズムを用いた特徴選択に焦点を当てた、オープンソースでマルチプラットフォーム対応のインタラクティブな次元削減用グラフィカル環境「DimReduction」を提示する。本研究では、乳がん細胞の分類において99.96%の高い正確性を達成し、最小限の誤検出を伴って遺伝子調節ネットワークを効果的に回復した。

ABSTRACT

Feature selection is a pattern recognition approach to choose important variables according to some criteria to distinguish or explain certain phenomena. There are many genomic and proteomic applications which rely on feature selection to answer questions such as: selecting signature genes which are informative about some biological state, e.g. normal tissues and several types of cancer; or defining a network of prediction or inference among elements such as genes, proteins, external stimuli and other elements of interest. In these applications, a recurrent problem is the lack of samples to perform an adequate estimate of the joint probabilities between element states. A myriad of feature selection algorithms and criterion functions are proposed, although it is difficult to point the best solution in general. The intent of this work is to provide an open-source multiplataform graphical environment to apply, test and compare many feature selection approaches suitable to be used in bioinformatics problems.

研究の動機と目的

• 遺伝子発現プロファイルなどの高次元でサンプル数が少ないバイオインフォマティクスデータセットにおける次元の呪いに対処すること。
• プログラミングの専門知識が不要な状態で、さまざまな特徴選択アルゴリズムや基準関数のテストと比較が可能な、アクセスしやすくインタラクティブなグラフィカル環境を提供すること。
• 誤差推定、交差検証、可視化ツールの統合により、ゲノムおよびプロテオム研究における正確な分類とネットワーク推定を可能にすること。
• 主成分分析（PCA）などの特徴抽出手法への将来的な拡張を支援すること。

提案手法

• ソフトウェアは、最適性と計算コストのバランスを考慮した3つの特徴選択探索アルゴリズム（全検索、逐次前向き選択（SFS）、逐次前向き浮動選択（SFFS））を実装している。
• 分類器誤差、条件付きエントロピー、距離測定に基づく複数の基準関数をサポートしており、希少または観測されないインスタンスに対して埋め込み型ペナルティを適用することで一般化性能を向上させる。
• 誤差推定には再代入法、1つずつ除外法（LOO）、交差検証、ブートストラップ法を用い、非観測インスタンスの一般化には近隣探索法を用いる。
• データ入力、特徴選択、誤差推定、可視化のタブを備えたウィザード形式のインターフェースを備え、ユーザーが使いやすい操作を可能にしている。
• クラス分離度と特徴の重要度を評価するため、有向グラフ（ネットワーク）、散布図、平行座標図を用いた可視化を提供している。
• クロスプラットフォーム互換性を実現するため、Javaで実装されており、コミュニティ開発を目的としてGoogle Codeにオープンソースでホスティングされている。

(a) Upload the biological data

実験結果

リサーチクエスチョン

• RQ1 インタラクティブで使いやすいグラフィカル環境は、高次元の生物学的データにおける特徴選択手法のアクセス性と比較性をどのように向上させるか？
• RQ2 マイクロアレイデータを用いた乳がん細胞の分類において、さまざまな特徴選択アルゴリズム（例：SFS、SFFS、全検索）の性能はいかほどか？
• RQ3 限られたサンプル数の人工時系列データから、既知の遺伝子調節ネットワークをどの程度正確に回復できるか？
• RQ4 希少なインスタンスのための誤差推定とペナルティ統合は、分類器の一般化性能を向上させるのにどの程度有効か？

主な発見

• 589件のインスタンスと32の特徴を有する乳がんデータセットにおいて、10分割交差検証の実験で平均分類正確度が99.96%に達した。
• 人工データからの回復された遺伝子調節ネットワークは、偽陰性がなく、偽陽性もわずかにしか認められず、ネットワーク再構築の優れた性能を示した。
• ペナルティ付き基準関数の使用により、観測されないかまれな特徴パターンを考慮することで、一般化性能が向上した。
• 平行座標図やネットワーク図を含むインタラクティブな可視化ツールは、選択されたサブセットにおけるクラス分離度と特徴の重要度を効果的に示した。
• 本システムは、特徴選択のサポートに加え、将来的に主成分分析（PCA）などの特徴抽出手法との統合も成功裏に実現した。

(b) Quantization process