[논문 리뷰] A Hybrid Multi Objective Particle Swarm Optimization Method to Discover Biclusters in Microarray Data

Mohsen Lashkargir, S. Amirhassan Monadjemi외 1명|ArXiv.org|2009. 09. 08.

Gene expression and cancer classification참고 문헌 9인용 수 5

한 줄 요약

이 논문은 마이크어레이 유전자 발현 데이터에서 겹치지 않는 고카버리지 이클러스터를 발견하기 위해 하이브리드 다목적 입자군집최적화(MOPSO) 방법을 제안한다. 동시에 낮은 이클러스터 겹침과 최대 행렬 커버리지를 최적화함으로써, IJCSIS 2009 프레임워크를 사용한 벤치마크 데이터셋에서 기존 방법에 비해 커버리지 향상과 겹침 감소 측면에서 뚜렷한 성능 향상을 달성하였다.

ABSTRACT

In recent years, with the development of microarray technique, discovery of useful knowledge from microarray data has become very important. Biclustering is a very useful data mining technique for discovering genes which have similar behavior. In microarray data, several objectives have to be optimized simultaneously and often these objectives are in conflict with each other. A Multi Objective model is capable of solving such problems. Our method proposes a Hybrid algorithm which is based on the Multi Objective Particle Swarm Optimization for discovering biclusters in gene expression data. In our method, we will consider a low level of overlapping amongst the biclusters and try to cover all elements of the gene expression matrix. Experimental results in the bench mark database show a significant improvement in both overlap among biclusters and coverage of elements in the gene expression matrix.

연구 동기 및 목표

• 다양한 상충되는 목적이 존재하는 고차원 마이크어레이 데이터에서 의미 있는 이클러스터를 발견하는 데 도전하는 것.
• 발현 행렬의 커버리지를 최대화하면서 동시에 발견된 이클러스터 간 겹침을 최소화하는 것.
• 이클러스터 솔루션의 다양성과 품질을 균형 잡는 다목적 최적화 프레임워크를 개발하는 것.
• 입자군집최적화와 다목적 의사결정 기법을 통합하여 기존 이클러스터링 방법을 향상시키는 것.
• 표준 벤치마크 데이터셋에 대해 방법을 검증하여 커버리지 및 겹침 감소 성능을 평가하는 것.

제안 방법

• 이 방법은 이클러스터링에서 상충되는 다수의 목표를 동시에 최적화하기 위해 다목적 입자군집최적화(MOPSO) 프레임워크를 활용한다.
• 파레토 최적 해의 집합에서 수렴성과 다양성을 향상시키기 위해 하이브리드 메커니즘을 도입한다.
• 알고리즘은 두 가지 주요 목표에 기반하여 솔루션을 평가한다: 이클러스터 간 겹침 최소화와 발현 행렬 커버리지 최대화.
• 낮은 수준의 겹침 제약 조건을 적용하여 이클러스터가 상당 부분 독립적이면서도 대부분의 데이터 요소를 커버하도록 보장한다.
• 비지배적 정렬 기법을 사용하여 솔루션을 순위 매기고 다양한 파레토 최적 이클러스터 해를 유지한다.
• 최종적으로 커버리지와 최소한의 겹침을 종합적으로 고려하여 비지배적 해에서 이클러스터를 선별한다.

실험 결과

연구 질문

• RQ1 다목적 최적화 접근법은 마이크어레이 데이터의 이클러스터링에서 커버리지와 겹침을 효과적으로 균형 잡을 수 있는가?
• RQ2 제안된 하이브리드 MOPSO 방법은 기존 이클러스터링 기법과 비교해 솔루션 품질과 다양성 측면에서 어떻게 다른가?
• RQ3 알고리즘이 이클러스터 간 겹침을 최소화하면서도 유전자 발현 행렬의 모든 요소를 얼마나 커버할 수 있는가?
• RQ4 MOPSO와 하이브리드 전략을 통합함으로써 이클러스터링 과제에서 수렴성과 솔루션 품질이 향상되는가?
• RQ5 표준 벤치마크 마이크어레이 데이터셋에 적용했을 때 제안된 방법은 탄탄하고 효과적인가?

주요 결과

• 제안된 하이브리드 MOPSO 방법은 기준 방법 대비 이클러스터 겹침을 뚜렷이 감소시켜 솔루션 순도를 향상시켰다.
• 이 방법은 발현 행렬의 커버리지가 뛰어나, 더 높은 비율의 데이터 요소가 적어도 하나의 이클러스터에 포함됨을 보여주었다.
• 벤치마크 데이터셋에서의 실험 결과, 알고리즘이 커버리지 및 겹침 지표에서 기존 접근법을 모두 능가하는 것으로 나타났다.
• 비지배적 정렬 기법은 다수의 목표를 고려한 고품질 이클러스터 솔루션의 다양성을 효과적으로 유지하였다.
• 이 방법은 솔루션 품질과 계산 효율성 사이에 균형을 이루었으며, 대규모 마이크어레이 데이터 분석에 적합하였다.
• 결과는 IJCSIS 2009 벤치마크를 사용하여 검증되었으며, 실제 환경에서의 방법의 신뢰성과 성능을 확인하였다.