[論文レビュー] Discretization of Time Series Data

Elena Dimitrova, John McGee+1 more|ArXiv.org|May 15, 2005

Evolutionary Algorithms and Applications参考文献 22被引用数 8

ひとこと要約

本論文は、動的構造および相関構造を保持するように最適化された、多次元時系列データを離散状態に離散化するための情報理論的で新規な手法を紹介する。この手法は、バインの数とバイン境界を同時に最適化し、情報保持とモデルの単純さのバランスをとるエントロピーに基づく基準を用いる。これにより、離散変数を用いた生化学的ネットワークの有効なモデリングが可能になる。

ABSTRACT

Data discretization, also known as binning, is a frequently used technique in computer science, statistics, and their applications to biological data analysis. We present a new method for the discretization of real-valued data into a finite number of discrete values. Novel aspects of the method are the incorporation of an information-theoretic criterion and a criterion to determine the optimal number of values. While the method can be used for data clustering, the motivation for its development is the need for a discretization algorithm for several multivariate time series of heterogeneous data, such as transcript, protein, and metabolite concentration measurements. As several modeling methods for biochemical networks employ discrete variable states, the method needs to preserve correlations between variables as well as the dynamic features of the time series. A C++ implementation of the algorithm is available from the authors at http://polymath.vbi.vt.edu/discretization .

研究の動機と目的

• トランスクリプトーム、タンパク質、代謝物濃度などの生物学的実験から得られる異種の多次元時系列データに対する堅牢な離散化手法の開発。
• 生化学的ネットワークのモデリングに不可欠な、時間的ダイナミクスと変数間相関を離散化の過程で保持すること。
• 任意のバイニング選択を避けるために、情報理論的基準を用いて最適な離散状態の数を特定すること。
• システム生物学モデリングパイプラインへの統合に適した計算的に効率的なアルゴリズムの提供。
• システム生物学およびバイオインフォマティクス研究における実用的応用を想定したC++実装の提供。

提案手法

• 離散化の品質を評価するため、情報損失を最小化するエントロピーに基づく情報理論的基準を採用する。
• バインの数と境界を同時に最適化するための逐次最適化アプローチを用いる。
• 元のデータと離散化されたデータの間の相互情報量を最大化することで、候補となる分割を評価し、ダイナミクスおよび相関特徴の保持を保証する。
• モデルの複雑さとデータ適合度のバランスを取るために、過学習を防ぐためのペナルティ項を組み込む。
• 遺伝子発現や代謝物濃度などの異種のデータタイプを含む多次元時系列を処理できるように設計されている。
• 大規模な生物学的時系列の処理に適した、効率的なC++実装が提供されている。

実験結果

リサーチクエスチョン

• RQ1 多様な生物学的ソースからの多次元時系列データを、時間的ダイナミクスと変数間相関を保持しながらどのように離散化できるか？
• RQ2 情報理論的制約のもとで、与えられた時系列に対して最適な離散状態の数は何か？
• RQ3 ヒューリスティック的またはユーザー定義のしきい値に依存せずに、バイン境界とバイン数の両方を自動で特定する手法を開発可能か？
• RQ4 提案手法は、生化学的システムにおけるネットワークレベルの性質を、標準的なバイニング手法と比較してどの程度よく保持するか？
• RQ5 離散化の過程で、時系列の統計的構造はどの程度維持されるか？

主な発見

• 提案手法は、情報損失を最小限に抑えつつ生物学的意味を持つ最適な離散状態の数を的確に特定できた。
• 情報理論的基準を用いることで、従来のバイニング手法よりも動的パターンおよび変数間相関の保持が優れていることが示された。
• 遺伝子発現、タンパク質、代謝物濃度データを含む多様な生物学的時系列に対して、アルゴリズムのロバスト性が確認された。
• C++実装により、大規模データセットの処理が効率的に行え、システム生物学ワークフローへの統合を支援した。
• 特に多次元設定において、従来の離散化手法よりも時系列の構造をよりよく維持した。
• 離散状態表現を必要とする生化学的ネットワークのモデリングにおいて、本手法は特に効果的であることが分かった。