[论文解读] A Novel Approach for Single Gene Selection Using Clustering and Dimensionality Reduction

E. N. Sathishkumar, K. Thangavel+1 more|arXiv (Cornell University)|Jun 10, 2013

Gene expression and cancer classification参考文献 18被引用 10

一句话总结

本文提出了一种新颖的混合方法——混合模糊C均值-快速约简（FCMQR），用于高维基因表达数据中的单基因选择。通过模糊C均值聚类基因，并应用粗糙集理论中的快速约简算法提取高依赖性基因，该方法识别出具有1的平均相关性值（ACV）的显著聚类，在白血病数据上实现了与完整数据集相当的分类准确率，展示了在有效且抗噪声基因选择方面的强大潜力。

ABSTRACT

We extend the standard rough set-based approach to deal with huge amounts of numeric attributes versus small amount of available objects. Here, a novel approach of clustering along with dimensionality reduction; Hybrid Fuzzy C Means-Quick Reduct (FCMQR) algorithm is proposed for single gene selection. Gene selection is a process to select genes which are more informative. It is one of the important steps in knowledge discovery. The problem is that all genes are not important in gene expression data. Some of the genes may be redundant, and others may be irrelevant and noisy. In this study, the entire dataset is divided in proper grouping of similar genes by applying Fuzzy C Means (FCM) algorithm. A high class discriminated genes has been selected based on their degree of dependence by applying Quick Reduct algorithm based on Rough Set Theory to all the resultant clusters. Average Correlation Value (ACV) is calculated for the high class discriminated genes. The clusters which have the ACV value a s 1 is determined as significant clusters, whose classification accuracy will be equal or high when comparing to the accuracy of the entire dataset. The proposed algorithm is evaluated using WEKA classifiers and compared. Finally, experimental results related to the leukemia cancer data confirm that our approach is quite promising, though it surely requires further research.

研究动机与目标

• 为解决从高维、小样本量的基因表达数据中选择信息性基因的挑战。
• 通过聚类将相似基因分组，以减少冗余和噪声。
• 利用基于粗糙集理论的快速约简算法识别高依赖性、具有区分性的基因。
• 评估所选基因在分类性能上与完整数据集的对比表现。
• 使用真实白血病癌症数据和WEKA分类器验证该方法的有效性。

提出的方法

• 使用模糊C均值（FCM）算法对基因表达数据进行聚类，将相似基因分组为同质聚类。
• 在每个聚类内部，应用粗糙集理论中的快速约简算法，识别依赖度最高的基因。
• 计算每个聚类中基因的平均相关性值（ACV），以评估其内部一致性与显著性。
• 识别出ACV恰好为1的聚类作为显著聚类，表明其内部相关性高，具有实现高分类准确率的潜力。
• 使用WEKA分类器对显著聚类中选出的基因进行评估，将其性能与完整数据集进行对比。
• 该方法结合了通过聚类实现的降维与通过粗糙集理论实现的特征选择，以提升基因选择的效率与准确性。

实验结果

研究问题

• RQ1 基于聚类的基因分组是否能提升在高维表达数据中识别生物相关基因的能力？
• RQ2 将模糊C均值聚类与快速约简算法相结合，在选择高依赖性基因方面效果如何？
• RQ3 ACV为1的聚类是否能实现与完整数据集相当的分类准确率？
• RQ4 所提出的FCMQR方法是否能在保持或提升分类性能的同时减少噪声与冗余？
• RQ5 在真实白血病癌症数据上，所选基因子集的性能与完整基因集相比如何？

主要发现

• 所提出的FCMQR方法成功识别出ACV恰好为1的显著基因聚类，表明其内部一致性高，具备实现强分类性能的潜力。
• WEKA分类器评估结果证实，ACV=1聚类中所选基因实现的分类准确率与完整数据集相当或更高。
• 该方法通过聚类基因并仅选择最依赖的特征，有效降低了维度与噪声，提升了特征选择的效率。
• 在白血病癌症数据上的实验结果表明该方法具有前景，但需进一步研究以实现更广泛的验证。
• 将FCM聚类与粗糙集理论中的快速约简算法相结合，能够在小样本、高属性场景下稳健识别出信息性基因。