[论文解读] KiWi: A Scalable Subspace Clustering Algorithm for Gene Expression Analysis

Obi L. Griffith, Byron J. Gao+4 more|ArXiv.org|Apr 13, 2009

Gene expression and cancer classification参考文献 29被引用 4

一句话总结

KiWi 是一种为基因表达数据设计的可扩展子空间聚类算法，能够高效发现保持顺序的子矩阵（OPSM）聚类，包括计算成本高昂的‘小枝聚类’（少数基因、大量实验）。它采用一种新颖的索引与剪枝策略，可检测正相关和负相关，显著优于以往方法，在大规模数据集上的可扩展性和生物相关性方面表现突出。

ABSTRACT

Subspace clustering has gained increasing popularity in the analysis of gene expression data. Among subspace cluster models, the recently introduced order-preserving sub-matrix (OPSM) has demonstrated high promise. An OPSM, essentially a pattern-based subspace cluster, is a subset of rows and columns in a data matrix for which all the rows induce the same linear ordering of columns. Existing OPSM discovery methods do not scale well to increasingly large expression datasets. In particular, twig clusters having few genes and many experiments incur explosive computational costs and are completely pruned off by existing methods. However, it is of particular interest to determine small groups of genes that are tightly coregulated across many conditions. In this paper, we present KiWi, an OPSM subspace clustering algorithm that is scalable to massive datasets, capable of discovering twig clusters and identifying negative as well as positive correlations. We extensively validate KiWi using relevant biological datasets and show that KiWi correctly assigns redundant probes to the same cluster, groups experiments with common clinical annotations, differentiates real promoter sequences from negative control sequences, and shows good association with cis-regulatory motif predictions.

研究动机与目标

• 解决现有OPSM发现方法在大规模基因表达数据集上的可扩展性限制。
• 实现对‘小枝聚类’——即少数基因与大量实验组合——的检测，这些聚类常因计算成本过高而被先前方法剪枝。
• 在不同实验条件下识别基因表达模式中的正相关与负相关。
• 通过正确分组冗余探针、临床注释实验和调控序列，提升聚类结果的生物可解释性。
• 提供一种可扩展的解决方案，能够处理大规模基因表达数据集，同时保持子空间聚类模式的完整性。

提出的方法

• KiWi 采用基于列按行排序的新型索引结构，以高效表示和查询潜在的OPSM聚类。
• 采用自底向上的方法，从单个基因开始逐步构建候选聚类，扩展为更大的子矩阵。
• 通过利用保持顺序的特性与频率阈值，采用剪枝策略早期剔除无前景的候选聚类。
• 引入动态阈值机制，以在稀疏或高维数据中平衡敏感性与计算成本。
• 通过在同一矩阵中考虑列索引的反向排序，支持正相关与负相关的检测。
• KiWi 利用数据库风格的索引与查询优化技术，实现对大规模数据集的可扩展性，降低搜索空间的指数级增长。

实验结果

研究问题

• RQ1 子空间聚类算法能否在大量实验条件下高效发现小型、高度共调节的基因聚类（小枝聚类）？
• RQ2 如何在不产生过高计算成本的前提下，大规模发现保持顺序的子矩阵（OPSM）？
• RQ3 KiWi 在多大程度上能够检测到基因表达模式中的正相关与负相关？
• RQ4 与现有方法相比，KiWi 是否能提升聚类结果的生物一致性？
• RQ5 KiWi 是否能正确分组冗余探针，并将聚类与临床注释及调控基序关联？

主要发现

• KiWi 成功将冗余探针分组到同一聚类中，展示了与已知生物冗余一致的特性。
• 该算法正确将具有共同临床注释的实验分组，表明与生物元数据的一致性。
• KiWi 能够将真实启动子序列与阴性对照序列区分开，表明聚类分配具有生物特异性。
• 其结果与顺式调控基序预测具有强关联，支持所发现聚类的功能相关性。
• KiWi 实现了显著的可扩展性提升，能够发现以往方法因计算成本过高而剪枝的难以处理的小枝聚类。
• 该方法在大规模基因表达数据集上表现出稳健性能，在子空间聚类检测中保持了高精确率与高召回率。