[論文レビュー] Effective Clustering Algorithms for Gene Expression Data

T. Chandrasekhar, K. Thangavel+1 more|arXiv (Cornell University)|Jan 24, 2012

Gene expression and cancer classification参考文献 16被引用数 29

ひとこと要約

本稿では、遺伝子発現データのクラスタリングを改善するために、クラスタ中心初期化アルゴリズム（CCIA）を統合したK-均値法を提案する。知的なクラスタ中心の初期化により、事前に定義されたk値に依存する度合いが低減され、従来のK-均値法やシルエットベースの手法と比較して、生物学的に整合性のある遺伝子クラスタの同定において優れた性能を示す。

ABSTRACT

Microarrays are made it possible to simultaneously monitor the expression profiles of thousands of genes under various experimental conditions. Identification of co-expressed genes and coherent patterns is the central goal in microarray or gene expression data analysis and is an important task in Bioinformatics research. In this paper, K-Means algorithm hybridised with Cluster Centre Initialization Algorithm (CCIA) is proposed Gene Expression Data. The proposed algorithm overcomes the drawbacks of specifying the number of clusters in the K-Means methods. Experimental analysis shows that the proposed method performs well on gene Expression Data when compare with the traditional K- Means clustering and Silhouette Coefficients cluster measure.

研究の動機と目的

• 従来のK-均値法による遺伝子発現データのクラスタ数（k）の最適選択という課題に対処すること。
• マイクロアレイデータにおける共発現遺伝子および生物学的に整合性のあるパターンの同定を改善すること。
• 初期クラスタ中心の選択に依存するK-均値法の感度を低減し、しばしば局所最適解に収束する問題を軽減すること。
• 遺伝子発現データセットに特化した新しい初期化戦略を用いて、クラスタリングの正確性と安定性を向上させること。

提案手法

• 初期重心の配置を改善するため、クラスタ中心初期化アルゴリズム（CCIA）を統合したハイブリッドK-均値法を提案する。
• CCIAは、遺伝子発現プロファイルの分布と密度に基づいて、初期クラスタ中心をデータ駆動的に決定する。
• CCIAで初期化された重心を用いてK-均値法を実行し、クラスタの再割り当てを精緻化する。
• 内部クラスタの凝集性と分離度を検証するため、シルエット係数を用いてクラスタリング品質を評価する。
• 実際の遺伝子発現データセットを用いて、提案手法と標準K-均値法を比較する実験を実施する。
• ランダム初期化に依存するのを減らすことで、局所最適解への収束を低減することを目的とする。

実験結果

リサーチクエスチョン

• RQ1 データ駆動的な初期化手法は、遺伝子発現データ解析におけるK-均値法の性能を向上させ得るか？
• RQ2 提案されたCCIA拡張K-均値法は、従来のK-均値法と比較して、クラスタリングの正確性と安定性において優れているか？
• RQ3 提案手法は、事前に定義されたクラスタ数（k）への感受性をどの程度低減するか？
• RQ4 CCIAの統合により、標準手法と比較して生物学的に整合性のある遺伝子クラスタの同定が向上するか？
• RQ5 遺伝子発現データセットにおいて、提案手法とベースラインK-均値法とのシルエット係数はどのように比較されるか？

主な発見

• 提案されたCCIA-K-均値法は、従来のK-均値法よりも高いシルエット係数を達成しており、より明確で凝集性の高いクラスタを示している。
• アルゴリズムは、複数の実験的条件下での共発現遺伝子の同定において、改善された耐性を示している。
• 初期重心の配置にデータ分布を活用することで、ユーザーが事前に指定するk値への依存度が低減された。
• 実験結果から、ベンチマーク用遺伝子発現データセットにおいて、標準K-均値法よりも一貫した性能向上が確認された。
• CCIA初期化は、ランダム初期化と比較して、クラスタリングの安定性と収束速度を顕著に向上させた。
• シルエットベースの評価による検証により、本手法は標準K-均値法を上回り、生物学的に意味のある遺伝子クラスタをより効果的に同定していることが示された。