[論文レビュー] Verdict Accuracy of Quick Reduct Algorithm using Clustering and Classification Techniques for Gene Expression Data

T. Chandrasekhar, K. Thangavel+1 more|arXiv (Cornell University)|Jun 6, 2013

Gene expression and cancer classification参考文献 12被引用数 9

ひとこと要約

本稿では、粗セット理論に基づくQuick Reductアルゴリズムを用い、その後にK-MeansおよびFuzzy C-Meansクラスタリング、さらにバックプロパゲーションネットワーク（BPN）分類を適用するハイブリッド特徴選択および分類手法を提案する。この手法により、情報量の多い最小限の遺伝子集合が特定され、クラスタリング手法に比べてBPNが優れた分類精度を示し、診断予測タスクにおける評価の正確性が向上することを示している。

ABSTRACT

In most gene expression data, the number of training samples is very small compared to the large number of genes involved in the experiments. However, among the large amount of genes, only a small fraction is effective for performing a certain task. Furthermore, a small subset of genes is desirable in developing gene expression based diagnostic tools for delivering reliable and understandable results. With the gene selection results, the cost of biological experiment and decision can be greatly reduced by analyzing only the marker genes. An important application of gene expression data in functional genomics is to classify samples according to their gene expression profiles. Feature selection (FS) is a process which attempts to select more informative features. It is one of the important steps in knowledge discovery. Conventional supervised FS methods evaluate various feature subsets using an evaluation function or metric to select only those features which are related to the decision classes of the data under consideration. This paper studies a feature selection method based on rough set theory. Further K-Means, Fuzzy C-Means (FCM) algorithm have implemented for the reduced feature set without considering class labels. Then the obtained results are compared with the original class labels. Back Propagation Network (BPN) has also been used for classification. Then the performance of K-Means, FCM, and BPN are analyzed through the confusion matrix. It is found that the BPN is performing well comparatively.

研究の動機と目的

• 少数のサンプルで高次元な遺伝子発現データに対処するため、最小限で情報量の多い遺伝子サブセットを選択すること。
• 特徴選択によるマーカー遺伝子の同定により、診断の正確性を向上させるとともに、実験コストを削減すること。
• 削減された遺伝子セットに対してクラスタリングおよび分類手法の性能を評価し、信頼性の高いサンプル分類を実現すること。
• 選択された遺伝子特徴量上でK-Means、Fuzzy C-Means、およびバックプロパゲーションネットワークの分類精度を比較すること。

提案手法

• 粗セット理論に基づき、最小で関連性の高い特徴サブセットを抽出するために、遺伝子発現データにQuick Reductアルゴリズムを適用する。
• クラスラベルを用いずに、削減された特徴サブセットに対してK-MeansおよびFuzzy C-Means（FCM）クラスタリングを適用し、パターンを同定する。
• クラスタリングの結果を元のクラスラベルと比較し、削減された表現の整合性および正確性を評価する。
• 分類および性能評価のため、削減された特徴サブセット上でバックプロパゲーションネットワーク（BPN）を学習させる。
• K-Means、FCM、およびBPNの間で分類精度を比較するために、混同行列を用いて性能を評価する。
• 各手法からの予測クラスラベルを真のラベルと比較することにより、最終的な評価の正確性を決定する。

実験結果

リサーチクエスチョン

• RQ1 Quick Reductアルゴリズムは、診断的関連性を保持しつつ、遺伝子発現データを効果的に次元削減できるか？
• RQ2 K-MeansおよびFCMのようなクラスタリング手法は、クラスラベル情報を得ずに削減された遺伝子セットにおいて意味のあるパターンを同定できるか？
• RQ3 BPNの分類精度は、削減された遺伝子サブセット上で非教師ありクラスタリング手法と比較してどの程度優れているか？
• RQ4 粗セット理論に基づく特徴選択は、遺伝子発現分類の全体的な診断正確性をどの程度向上させるか？

主な発見

• バックプロパゲーションネットワーク（BPN）は、評価された手法の中で最も高い分類精度を達成し、K-MeansおよびFuzzy C-Meansを上回った。
• Quick Reductアルゴリズムは、次元削減を実現しつつ、最小限で情報量の多い遺伝子サブセットを的確に同定した。
• K-MeansおよびFCMを用いたクラスタリング結果は、元のクラスラベルと中程度の一致を示し、削減された空間で部分的な構造の回復がなされたことを示した。
• 混同行列解析により、BPNが削減された遺伝子セットに対して最も一貫性があり正確な予測を提供することが確認された。
• 粗セットに基づく特徴選択とBPN分類の統合により、遺伝子発現診断における評価の正確性が顕著に向上した。