[论文解读] Algorithm for Finding Optimal Gene Sets in Microarray Prediction

J. M. Deutsch|ArXiv.org|Aug 8, 2001

Gene expression and cancer classification参考文献 23被引用 3

一句话总结

本文提出 GESSES，一种基于复制的进化算法，可识别用于精确的微阵列癌症分类的最小最优基因集。在白血病和儿童癌症数据上的应用中，将基因数从 96 个减少至仅 15 个，同时实现了完美的测试分类，证明了该方法在不牺牲预测准确性的情况下，有效减少生物无关基因的优越性。

ABSTRACT

Motivation: Microarray data has been recently been shown to be efficacious in distinguishing closely related cell types that often appear in the diagnosis of cancer. It is useful to determine the minimum number of genes needed to do such a diagnosis both for clinical use and to determine the importance of specific genes for cancer. Here a replication algorithm is used for this purpose. It evolves an ensemble of predictors, all using different combinations of genes to generate a set of optimal predictors. Results: We apply this method to the leukemia data of the Whitehead/MIT group that attempts to differentially diagnose two kinds of leukemia, and also to data of Khan et. al. to distinguish four different kinds of childhood cancers. In the latter case we were able to reduce the number of genes needed from 96 down to 15, while at the same time being able to perfectly classify all of their test data. Availability: http://stravinsky.ucsc.edu/josh/gesses/ Contact: [e-mail]

研究动机与目标

• 识别使用微阵列数据对癌症类型进行准确分类所需的最小基因集。
• 通过进化多样化预测器集成，克服基因表达数据中的噪声和冗余。
• 开发一种将基因选择直接整合到预测过程中的方法，而非将其视为预处理步骤。
• 评估是否一个小的、具有生物学意义的基因集可实现与更大基因面板相当的高预测准确性。
• 探索进化算法是否能在识别癌症诊断最优基因子集方面优于传统基因选择方法。

提出的方法

• GESSES 算法使用一种复制算法——一种进化计算类型——最初为量子和蛋白质模拟而开发。
• 它进化一个预测器集合，每个预测器使用从初始候选基因池中选出的不同基因子集。
• 每个预测器的适应度基于其将训练样本正确分类为不同癌症类别的能力进行评分。
• 该算法通过向预测器添加基因，迭代进化集合，使用一种平衡分类准确率和基因集大小的评分函数。
• 由于其简单性、低假设要求以及在训练数据上快速学习的特点，使用最近邻分类器作为预测引擎。
• 该方法采用随机和确定性两种进化策略，通过跟踪各代中平均误分类数来监控收敛性。

实验结果

研究问题

• RQ1 进化算法能否有效识别出在微阵列癌症诊断中保持高分类准确率的最小基因集？
• RQ2 在 SRBCT 和白血病等复杂癌症数据集中，实现可靠分类所需的最优基因数量是多少？
• RQ3 GESSES 的性能与传统基因选择方法（如排序、主成分分析或基因刮除法）相比如何？
• RQ4 通过进化多样化预测器集成，基因冗余和噪声能在多大程度上被缓解？
• RQ5 在高维微阵列数据中，是否可能在少于 20 个基因的情况下实现完美测试分类？

主要发现

• GESSES 将分类四种儿童癌症（SRBCT）所需的基因数从 96 个成功减少至少于 15 个，实现了对全部 20 个测试样本的完美分类。
• 该算法在 SRBCT 数据集中识别出约 12±2 个基因的稳定最优基因集大小，表明存在一个明确的最小有效基因集。
• 在白血病数据集中，未出现单一最优基因数量；预测器性能差异显著，部分预测器零错误，部分最多五次错误，表明数据存在局限性或噪声。
• 集成方法揭示了多个高性能预测器，但通过调整初始基因池大小或评分方法等参数，未发现统计上显著的性能提升。
• 在确定性模式下，收敛至低错误率速度很快，仅需三个基因即可在白血病数据集中达到约 2 次平均误分类。
• 该方法在 SRBCT 研究中识别出与原始 96 基因集不同的生物上独特的基因，表明其具有揭示新生物学见解的潜力。