[논문 리뷰] Novel Mining of Cancer via Mutation in Tumor Protein P53 using Quick Propagation Network

Ayad Ghany Ismaeel, Raghad Zuhair Yousif|arXiv (Cornell University)|2015. 05. 20.

Genetics, Bioinformatics, and Biomedical Research참고 문헌 6인용 수 4

한 줄 요약

이 연구는 TP53 유전자 돌연변이 데이터에서 암 예측을 추출하기 위해 빠른 전파(QP) 신경망을 사용하는 새로운 딥러닝 접근법을 제안한다. 포괄적인 TP53 돌연변이 데이터베이스를 활용하고 입력 특징을 최소화함으로써 모델은 거의 완벽한 상관관계(0.9999)와 낮은 오차율(0.0029 평균 절대상대오차)을 달성하여 돌연변이로부터 암 위험을 분류하는 데 높은 정확도를 보였다.

ABSTRACT

There is multiple databases contain datasets of TP53 gene and its tumor protein P53 which believed to be involved in over 50% of human cancers cases, these databases are rich as datasets covered all mutations caused diseases (cancers), but they haven't efficient mining method can classify and diagnosis mutations patient's then predict the cancer of that patient. This paper proposed a novel mining of cancer via mutations because there is no mining method before offers friendly, effective and flexible predict or diagnosis of cancers via using whole common database of TP53 gene (tumor protein P53) as dataset and selecting a minimum number of fields in training and testing quick propagation algorithm which supporting this miming method. Simulating quick propagation network for the train dataset shows results the Correlation (0.9999), R-squared (0.9998) and mean of Absolute Relative Error (0.0029), while the training for the ALL datasets (train, test and validation dataset) have results the Correlation (0.9993), R-squared (0.9987) and mean of Absolute Relative Error (0.0057).

연구 동기 및 목표

• 암과 연관된 TP53 돌연변이를 분류하기 위한 효율적이고 유연하며 사용자 친화적인 데이터 마이닝 방법의 부족을 해결하기 위해.
• 최소한의 입력 특징을 사용하면서도 TP53 돌연변이로부터 암 위험 진단의 높은 정확도를 유지하는 예측 모델을 개발하기 위해.
• 실제 TP53 돌연변이 데이터를 기반으로 하여 훈련 및 전체 데이터셋(train, test, validation)에 대해 QP 네트워크의 성능을 검증하기 위해.
• TP53 돌연변이 프로파일을 바탕으로 조기 암 진단을 위한 확장 가능하고 효과적인 솔루션을 제공하기 위해.

제안 방법

• 연구는 공공 데이터베이스에서 확보한 TP53 유전자 돌연변이의 포괄적인 데이터셋을 기반으로 훈련된 빠른 전파(QP) 신경망을 활용한다.
• 모델의 효율성과 복잡성 감소를 위해 TP53 돌연변이 데이터베이스에서 관련성이 높은 최소한의 필드만 입력 특징으로 선택한다.
• 모델은 전용 훈련 데이터셋으로 훈련된 후 별도의 테스트 및 검증 세트로 평가되어 일반화 능력이 확보된다.
• 성능 평가에는 상관계수, 결정계수(R-squared), 평균 절대상대오차(MARE)가 사용된다.
• 이론적 수렴 속도와 돌연변이 데이터 분류 작업 처리 효율성 면에서 QP 알고리즘이 선택되었다.
• 전체 파ip라인은 구현 및 시뮬레이션되어 다양한 데이터 분할에 걸쳐 예측 정확도와 강건성을 평가하였다.

실험 결과

연구 질문

• RQ1 빠른 전파 신경망은 TP53 유전자 돌연변이 데이터를 기반으로 암 위험을 효과적으로 분류할 수 있는가?
• RQ2 TP53 데이터베이스에서 최소한의 입력 특징으로 훈련된 QP 모델은 암 예후 예측에서 얼마나 정확한가?
• RQ3 훈련 및 전체 데이터셋(train+test+validation)에서 상관계수 및 오차 지표 측면에서 모델의 성능은 어떠한가?
• RQ4 제안된 방법은 기존의 TP53 관련 암 예측을 위한 데이터 마이닝 기법들에 비해 민첩하고 효율적인 대안을 제공하는가?

주요 결과

• QP 네트워크는 훈련 데이터셋에서 상관계수 0.9999와 결정계수 0.9998를 기록하여 거의 완벽한 예측 일치를 보였다.
• 전체 데이터셋(train, test, validation)에서는 높은 상관계수 0.9993과 결정계수 0.9987를 유지하였다.
• 훈련 세트에서 평균 절대상대오차(MARE)는 0.0029로 예측의 높은 정밀도를 보였다.
• 전체 데이터셋에서는 MARE가 약간 증가하여 0.0057로 상승했지만 여전히 강력한 예측 성능을 나타냈다.
• 결과적으로 QP 네트워크가 최소한의 입력 특징을 사용하여 TP53 돌연변이에서 암 위험을 효과적으로 마이닝할 수 있음을 확인하였다.
• 이 연구는 제안된 방법이 정확하고 효율적이며 조기 암 진단을 위한 유망한 도구가 될 수 있음을 입증하였다.