[論文レビュー] Performance Analysis of Enhanced Clustering Algorithm for Gene Expression Data

T. Chandrasekhar, K. Thangavel+1 more|arXiv (Cornell University)|Dec 19, 2011

Gene expression and cancer classification参考文献 17被引用数 5

ひとこと要約

本論文は、ISODATAを改善し、マージ要因の生成を自動化し、初期クラスターセンターオブジェクトを最適化することで性能を向上させた、EAGMFIと呼ばれる強化されたK-均値クラスタリングアルゴリズムを提案する。遺伝子発現データ上で評価したところ、EAGMFIはAGMFIと比較して、より高いシルエット係数とよりコンパクトなクラスタを達成し、クラスタ数の指定と初期化に関する主な限界を克服した。

ABSTRACT

Microarrays are made it possible to simultaneously monitor the expression profiles of thousands of genes under various experimental conditions. It is used to identify the co-expressed genes in specific cells or tissues that are actively used to make proteins. This method is used to analysis the gene expression, an important task in bioinformatics research. Cluster analysis of gene expression data has proved to be a useful tool for identifying co-expressed genes, biologically relevant groupings of genes and samples. In this paper we applied K-Means with Automatic Generations of Merge Factor for ISODATA- AGMFI. Though AGMFI has been applied for clustering of Gene Expression Data, this proposed Enhanced Automatic Generations of Merge Factor for ISODATA- EAGMFI Algorithms overcome the drawbacks of AGMFI in terms of specifying the optimal number of clusters and initialization of good cluster centroids. Experimental results on Gene Expression Data show that the proposed EAGMFI algorithms could identify compact clusters with perform well in terms of the Silhouette Coefficients cluster measure.

研究の動機と目的

• 遺伝子発現データにおける最適なクラスタ数の決定というAGMFIの限界を解消すること。
• より良い初期重心の選択によりクラスタ初期化を改善し、収束性と正確性を向上させること。
• 生物学的に意味のある遺伝子群の特定を高精度で行える堅牢なクラスタリングアルゴリズムの開発。
• 実際の遺伝子発現データセットを用いて、シルエット係数とクラスタのコンパクト性という指標で性能を評価すること。

提案手法

• EAGMFIを提案する。これはAGMFIの強化版であり、クラスタリングの過程でマージ要因を動的に決定する。
• 最適でない初期点を避けるためのデータドリブンなアプローチを用いた、クラスターセンターオブジェクトの改善された初期化戦略を導入する。
• マージ要因の自動調整を伴うK-均値を用いて、反復的にクラスタ境界を精緻化する。
• クラスタの品質とコンパクト性を評価する主な指標として、シルエット係数を用いる。
• 生物学的意味の制約下で、実世界の遺伝子発現データセットにアルゴリズムを適用し、性能を評価する。
• EAGMFIとAGMFIの比較を通じて、クラスタリングの安定性と正確性の向上を示す。

実験結果

リサーチクエスチョン

• RQ1 EAGMFIは遺伝子発現データにおいて、生物学的に意味のあるクラスタをAGMFIよりも効果的に特定できるか？
• RQ2 EAGMFIにおけるマージ要因の自動生成によって、手動によるクラスタ数指定への依存が軽減されるか？
• RQ3 改善された重心初期化は、クラスタリングの正確性と収束速度をどの程度向上させるか？
• RQ4 EAGMFIは遺伝子発現データセットにおいて、AGMFIと比較してどの程度高いシルエット係数を示すか？
• RQ5 高次元の遺伝子発現データにおいて、EAGMFIはAGMFIよりもコンパクトで明確に分離されたクラスタを生成できるか？

主な発見

• EAGMFIは、遺伝子発現データセットにおいてAGMFIよりも高いシルエット係数を達成することで、クラスタリング性能を顕著に向上させた。
• アルゴリズムは、共発現遺伝子のより明確に定義されたグループ化を示す、よりコンパクトで明確に分離されたクラスタを生成した。
• EAGMFIはマージ要因の生成を自動化することで、クラスタ数の手動入力の必要性を低減した。
• クラスターセンターオブジェクトの強化された初期化は、より速い収束とより安定したクラスタリング結果をもたらした。
• 実験結果は、EAGMFIが生物学的に意味のある遺伝子グループの特定においてAGMFIを上回ることを確認した。
• 提案手法は、複数の遺伝子発現データインスタンスにわたって、強靭性と一貫性を示した。