[論文レビュー] KiWi: A Scalable Subspace Clustering Algorithm for Gene Expression Analysis

Obi L. Griffith, Byron J. Gao+4 more|ArXiv.org|Apr 13, 2009

Gene expression and cancer classification参考文献 29被引用数 4

ひとこと要約

KiWi は、遺伝子発現データを対象に設計されたスケーラブルな部分空間クラスタリングアルゴリズムであり、計算コストが非常に高い「ツイッグクラスタ」（少数の遺伝子と多数の実験を有する）を含む順序保存型部分行列（OPSM）クラスタを効率的に発見する。新しいインデクシングおよび pruning 策略を活用することで、正の相関と負の相関の両方を検出可能であり、大規模データセットにおいて、従来手法に比べてスケーラビリティと生物学的関連性の両面で顕著に優れている。

ABSTRACT

Subspace clustering has gained increasing popularity in the analysis of gene expression data. Among subspace cluster models, the recently introduced order-preserving sub-matrix (OPSM) has demonstrated high promise. An OPSM, essentially a pattern-based subspace cluster, is a subset of rows and columns in a data matrix for which all the rows induce the same linear ordering of columns. Existing OPSM discovery methods do not scale well to increasingly large expression datasets. In particular, twig clusters having few genes and many experiments incur explosive computational costs and are completely pruned off by existing methods. However, it is of particular interest to determine small groups of genes that are tightly coregulated across many conditions. In this paper, we present KiWi, an OPSM subspace clustering algorithm that is scalable to massive datasets, capable of discovering twig clusters and identifying negative as well as positive correlations. We extensively validate KiWi using relevant biological datasets and show that KiWi correctly assigns redundant probes to the same cluster, groups experiments with common clinical annotations, differentiates real promoter sequences from negative control sequences, and shows good association with cis-regulatory motif predictions.

研究の動機と目的

• 大規模な遺伝子発現データセットにおける、既存の OPSM 発見手法のスケーラビリティの制限を解決すること。
• 計算コストが非常に高いため、従来の手法で除外されがちな「ツイッグクラスタ」（少数の遺伝子と多数の実験を有するグループ）を検出可能にする。
• 実験的条件下での遺伝子発現パターンにおける正の相関と負の相関の両方を同定すること。
• 重複するプローブ、臨床的にアノテートされた実験、および制御配列を正しくグループ化することで、生物学的解釈可能性を向上させること。
• 部分空間クラスタのパターンを保持しつつ、大規模な遺伝子発現データセットを処理できるスケーラブルなソリューションを提供すること。

提案手法

• KiWi は、列を行方向に順序付けたものに基づく新しいインデクシング構造を採用し、潜在的な OPSM クラスタの効率的表現と照会を可能にする。
• 下位から上位へのアプローチを用い、個々の遺伝子から始めて、段階的により大きな部分行列に拡張する形で候補クラスタを構築する。
• 順序保存性と頻度のしきい値を活用することで、有望でない候補を早期に pruning する戦略を採用する。
• スパースまたは高次元データに対して感受性と計算コストのバランスを取るために、動的しきい値設定メカニズムを統合する。
• 同じ行列内で列インデックスの逆順を考慮することで、正の相関と負の相関の両方を検出可能にする。
• データベース風のインデクシングとクエリ最適化技術を活用することで、指数関数的な探索空間の増大を低減し、大規模データセットへのスケーリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 部分空間クラスタリングアルゴリズムは、多数の実験的条件下で、小さな、強くコアロジスティックな遺伝子クラスタ（ツイッグクラスタ）を効率的に発見できるか？
• RQ2 計算コストが著しく高くなることなく、スケールに応じて順序保存型部分行列（OPSM）を発見できるか？
• RQ3 KiWi は、遺伝子発現パターンにおける正の相関と負の相関をどの程度正確に検出できるか？
• RQ4 既存手法と比較して、KiWi はクラスタリング結果の生物学的整合性を向上させているか？
• RQ5 KiWi は、重複するプローブを正しくグループ化でき、クラスタを臨床的アノテーションおよび制御モチーフにリンクできるか？

主な発見

• KiWi は、既知の生物学的冗長性と整合的であることを示すように、重複するプローブを同じクラスタにグループ化した。
• 臨床的にアノテートされた共通の実験が正しくグループ化されたことから、生物学的メタデータと整合していることが示された。
• 実際のプロモーター配列とネガティブコントロール配列を区別でき、クラスタ割り当てにおける生物学的特異性を示した。
• cis-Regulatory モチーフの予測と強い関連性を示し、発見されたクラスタの機能的関連性を裏付けた。
• 従来の手法が除外した、以前は処理不能とされていたツイッグクラスタの発見を可能にする大幅なスケーラビリティの向上を達成した。
• 大規模な遺伝子発現データセットにおいて、部分空間クラスタ検出の高精度と高再現率を維持する、強固なパフォーマンスを示した。