[논문 리뷰] How Many Genes Are Needed for a Discriminant Microarray Data Analysis ?

Wentian Li, Yaning Yang|ArXiv.org|2001. 04. 06.

Gene expression and cancer classification인용 수 10

한 줄 요약

이 연구는 백혈병 데이터셋(38명의 샘플, 7129개 유전자)을 사용하여 미세진단 데이터에서 효과적인 분류 분석을 위한 최소 유전자 수를 조사한다. 모델 선택을 위해 AIC와 BIC를 적용한 결과, 유의미한 최적의 유전자는 1~2개뿐이며(특히 유전자 #4847, zyxin), 동일하거나 가능도 기반 가중치를 사용한 모델 평균화의 경우 10~25개 유전자를 초과하면 성능 향상의 효과가 점점 줄어들며, 이는 강력한 개별 예측자와 작은 표본 크기로 인해 이전 연구에서 사용된 50개 유전자 수준은 이 데이터셋에 비해 과도하다는 것을 시사한다.

ABSTRACT

The analysis of the leukemia data from Whitehead/MIT group is a discriminant analysis (also called a supervised learning). Among thousands of genes whose expression levels are measured, not all are needed for discriminant analysis: a gene may either not contribute to the separation of two types of tissues/cancers, or it may be redundant because it is highly correlated with other genes. There are two theoretical frameworks in which variable selection (or gene selection in our case) can be addressed. The first is model selection, and the second is model averaging. We have carried out model selection using Akaike information criterion and Bayesian information criterion with logistic regression (discrimination, prediction, or classification) to determine the number of genes that provide the best model. These model selection criteria set upper limits of 22-25 and 12-13 genes for this data set with 38 samples, and the best model consists of only one (no.4847, zyxin) or two genes. We have also carried out model averaging over the best single-gene logistic predictors using three different weights: maximized likelihood, prediction rate on training set, and equal weight. We have observed that the performance of most of these weighted predictors on the testing set is gradually reduced as more genes are included, but a clear cutoff that separates good and bad prediction performance is not found.

연구 동기 및 목표

• 제한된 표본 크기에서 마이크로어레이 데이터의 정확한 분류 분석을 위해 필요한 최소 유전자 수를 규명하는 것.
• 이전의 백혈병 분류 연구에서 사용된 50개 유전자 수준이 이 데이터셋에서 필수적인지 또는 과도한지 평가하는 것.
• 분류를 위한 유전자 서브셋 선택에서 AIC/BIC 기반 모델 선택과 모델 평균화 접근법을 비교하는 것.
• 유전자 간의 중복성과 강력한 개별 예측자들이 모델 복잡성과 성능에 미치는 영향을 평가하는 것.

제안 방법

• 로지스틱 회귀 모델에서 최적의 유전자 수를 도출하기 위해 AIC와 BIC를 사용한 모델 선택.
• 단계적 변수 선택을 통해 유전자 서브셋의 성능을 평가.
• 세 가지 가중치 방법을 사용한 모델 평균화: 최대 가능도, 학습 세트 예측률, 동일 가중치.
• 학습 세트와 독립된 테스트 세트에서의 예측 성능 평가.
• 모델 기여도를 반영하기 위해 가중치를 사용한 효과적 유전자 수 계산.
• 분류를 위한 로지스틱 회귀 사용: P(AML) = 1 / (1 + exp(−a₀ − ΣaⱼxⱫ))에서 유전자 발현 수준 xⱼ를 예측 변수로 사용.

실험 결과

연구 질문

• RQ1 백혈병 마이크로어레이 데이터셋(Whitehead/MIT)에서 38명의 샘플 뿐인 이 경우, 분류 분석을 위한 최적의 유전자 수는 얼마인가?
• RQ2 이전 분류 연구에서 사용된 50개 유전자 수준은 이 작은 표본 설정에서 과적합을 유발하는가, 아니면 필요한 안정성을 확보하기 위한 것인가?
• RQ3 AIC와 BIC 기반 모델 선택 기준이 분류에 가장 적합한 유전자 서브셋을 식별하는 데 어떻게 비교되는가?
• RQ4 여러 유전자를 포함한 모델 평균화가 단일 유전자 모델을 초월해 예측 성능을 향상시킬 수 있는가?
• RQ5 모델 평균화에 더 많은 유전자를 포함할 경우, 성능에 명확한 절단점이 존재하는가?

주요 결과

• AIC와 BIC를 사용한 모델 선택 결과, 최적의 모델은 단지 1~2개의 유전자로 구성되며, 특히 유전자 #4847(zyxin)가 학습 세트에서 완벽한 분류 성능을 보임.
• 최고의 단일 유전자 모델(유전자 #4847)은 학습 세트에서 36/38, 테스트 세트에서 36/38의 예측률을 기록하여 뛰어난 일반화 능력을 보임.
• 모델 평균화에서 25개 이상의 유전자를 포함할 경우 테스트 세트에서 성능이 저하되며, 명확한 절단점은 없지만 지속적인 예측 정확도 감소가 관찰됨.
• 모델 평균화에서 최대 가능도 가중치 방법은 상위 유전자에 의해 지배되어 단일 유전자 모델로 근사되며, 상위 10개 유전자 기준으로 효과적 유전자 수는 단지 1.05에 불과함.
• 동일 가중치 및 예측률 기반 모델 평균화 방법은 유사한 성능를 보이지만, 10~20개 이상의 유전자를 포함할 경우 테스트 세트에서 성능 저하가 발생함.
• 이 연구는 강력한 개별 예측자와 작은 표본 크기로 인해 더 큰 유전자 집합이 불필요하고 과적합의 위험까지 초래하므로, 이 데이터셋에선 50개 유전자 수준이 과도하다고 결론 내림.