[論文レビュー] Feature Selection for Microarray Gene Expression Data using Simulated Annealing guided by the Multivariate Joint Entropy

Fernando González‐Pérez, Lluís Belanche|arXiv (Cornell University)|Feb 7, 2013

Gene expression and cancer classification参考文献 8被引用数 5

ひとこと要約

本稿では、多次元結合エントロピーを用いたシミュレーテッド・アンネーリングによる誘導を受ける、新規の特徴選択アルゴリズムμ-TAFSを提案する。この手法は、マイクロアレイデータにおける生物学的に関連性のある遺伝子サブセットを特定することを目的としており、以前の計算を再利用することで結合エントロピーを効率的に計算することにより、最小限のサブセットサイズで高い分類精度を達成する。5つの公開マイクロアレイデータセットにおいて、計算コストが低く抑えられながらも優れた性能を示している。

ABSTRACT

In this work a new way to calculate the multivariate joint entropy is presented. This measure is the basis for a fast information-theoretic based evaluation of gene relevance in a Microarray Gene Expression data context. Its low complexity is based on the reuse of previous computations to calculate current feature relevance. The mu-TAFS algorithm --named as such to differentiate it from previous TAFS algorithms-- implements a simulated annealing technique specially designed for feature subset selection. The algorithm is applied to the maximization of gene subset relevance in several public-domain microarray data sets. The experimental results show a notoriously high classification performance and low size subsets formed by biologically meaningful genes.

研究の動機と目的

• 数千の遺伝子と少数のサンプルを有する高次元マイクロアレイデータにおいて、従来の特徴選択手法が計算的に非現実的であるという課題に対処すること。
• 高次元空間における効率的な最適化を可能にする、迅速な情報理論的目的関数を考案し、遺伝子の関連性を測定すること。
• 大規模な遺伝子発現データに対して計算的に現実的な範囲で、局所最適解から脱出可能なシミュレーテッド・アンネーリングに基づく探索アルゴリズムを設計すること。
• がん亜型予測において高い分類精度を達成する、小さな生物学的意味のある遺伝子サブセットを同定すること。
• 公開マイクロアレイデータセットを用いて本手法の性能を評価し、既存の最先端手法と比較すること。

提案手法

• カテゴリカル変数に対する多次元結合エントロピーの新しい正確かつ効率的な計算方法を導入し、過去の計算を再利用することで複雑性を低減する。
• 目的関数は多次元結合エントロピーに基づき、特徴間の依存関係を捉えることで、遺伝子サブセットの関連性を測定する。
• 最適な特徴サブセットを探索するために、特殊なシミュレーテッド・アンネーリングアルゴリズム（μ-TAFS）を採用し、局所最適解から脱出可能となるように、悪い解の受理確率を導入する。
• エネルギー差と温度の低下に従って、隣接するサブセットを反復的に探索し、受理または拒否することで、遺伝子サブセットの関連性を最大化する。
• 結合エントロピーの計算をSAフレームワークに統合し、予測モデルの学習を伴わず、候補サブセットの評価を高速化する。
• 本手法は5つの公開マイクロアレイデータセットに適用され、交差検証を用いて分類性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 高次元マイクロアレイデータにおける特徴選択を誘導するために、多次元結合エントロピーの効率的かつ情報理論的な測定が可能か。
• RQ2 結合エントロピーをガイドとして用いたシミュレーテッド・アンネーリングベースの探索は、分類精度とサブセットサイズの観点で、既存の特徴選択手法を上回るか。
• RQ3 結合エントロピー計算における過去の計算の再利用が、特徴サブセット評価の時間計算量を顕著に低減できるか。
• RQ4 選択された遺伝子サブセットは生物学的に意味があり、既知のがん関連遺伝子と整合性を示すか。
• RQ5 ベンチマークマイクロアレイデータセットにおいて、μ-TAFSは最先端手法と比較して性能と計算効率の点で優れているか。

主な発見

• μ-TAFSアルゴリズムは、5つの公開マイクロアレイデータセットにおいて顕著に高い分類性能を達成し、最先端手法を上回るか同等の性能を示した。
• 選択された遺伝子サブセットは一貫して小さく、次元削減が著しく行われつつも、予測精度が維持または向上した。
• 本手法は、肺がん、前立腺がん、乳がんに関連するとされる、DEC1、MTMR11、HPN、CYP24A1といった生物学的に関連性のある遺伝子を同定した。
• 目的関数としての結合エントロピーの使用により、候補サブセットの評価が高速化され、標準的なSAベース手法と比較して計算時間が顕著に短縮された。
• アルゴリズムは、既知のがん原 oncogene や腫瘍抑制遺伝子を効果的に同定し、選択された特徴の生物学的妥当性を裏付けた。
• 結果から、提案された結合エントロピー計算が正確かつ効率的であり、高次元データにおけるスケーラブルな特徴選択を可能にすることが示された。