Journal of the Korea Society of Computer and Information (한국컴퓨터정보학회논문지)

Korean Society of Computer Information (한국컴퓨터정보학회)
권호 표지
DOI QR코드

DOI QR Code

Class prediction of an independent sample using a set of gene modules consisting of gene-pairs which were condition(Tumor, Normal) specific

조건(암, 정상)에 따라 특이적 관계를 나타내는 유전자 쌍으로 구성된 유전자 모듈을 이용한 독립샘플의 클래스예측

  • 정현이 (가천의과학대학교 IT학과) ;
  • 윤영미 (가천의과학대학교 정보공학부)
  • Received : 2010.06.29
  • Accepted : 2010.10.15
  • Published : 2010.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Using a variety of data-mining methods on high-throughput cDNA microarray data, the level of gene expression in two different tissues can be compared, and DEG(Differentially Expressed Gene) genes in between normal cell and tumor cell can be detected. Diagnosis can be made with these genes, and also treatment strategy can be determined according to the cancer stages. Existing cancer classification methods using machine learning select the marker genes which are differential expressed in normal and tumor samples, and build a classifier using those marker genes. However, in addition to the differences in gene expression levels, the difference in gene-gene correlations between two conditions could be a good marker in disease diagnosis. In this study, we identify gene pairs with a big correlation difference in two sets of samples, build gene classification modules using these gene pairs. This cancer classification method using gene modules achieves higher accuracy than current methods. The implementing clinical kit can be considered since the number of genes in classification module is small. For future study, Authors plan to identify novel cancer-related genes with functionality analysis on the genes in a classification module through GO(Gene Ontology) enrichment validation, and to extend the classification module into gene regulatory networks.

대용량(High-throughput) 형태로 얻어진 cDNA 마이크로어레이 데이터에 다양한 데이터 마이닝 기법을 적용하면 서로 다른 조직에서 추출한 유전자의 발현정도를 비교할 수 있고 정상세포와 암세포에서 발현량의 차이를 보이는 DEG(Differently Expression Gene) 유전자를 추출할 수 있다. 이들을 이용하여 병을 진단할 수 있을 뿐만 아니라, 암의 진행 단계(Cancer Stage)에 따른 치료 방법을 결정할 수 있다. 마이크로어레이를 기반으로 한 대부분의 암 분류자는 기계학습 기법을 이용하여 암 관련 유전자를 추출하여, 이들 유전자를 총체적으로 이용하여 독립 샘플의 클래스(암, 정상)를 판정한다. 하지만 유전자의 발현량의 차이뿐만 아니라 유전자와 유전자의 상관관계의 변화가 질병 진단에 활용될 수 있다. 대부분의 질병은 단독 유전자의 변이에 의한 것이 아니라 유전자의 모듈로 이루어진 유전자조절네트워크의 변이에 의한 것이기 때문이다. 본 논문에서는 조건에 따라 특이적 관계를 나타내는 유전자 쌍을 식별하여, 이들 유전자 쌍을 이용한 유전자 분류 모듈을 생성한다. 분류 모듈을 이용한 암 분류 방법이 기존의 암 분류 방법보다 높은 정확도로 암과정상 샘플을 분류함을 보여주고 있다. 분류 모듈을 구성하는 유전자의 수가 상대적으로 적으므로 임상키트로의 개발도 고려할 수 있다. 향후 분류 모듈에 속하는 유전자의 기능적 검증을, GO(Gene Ontology)를 활용함으로서, 밝혀지지 않은 새로운 암 관련 유전자를 식별하고, 분류 모듈을 확대하여 암 특이적 유전자조절네트워크 구성에 활용할 계획이다.

Keywords

References

  1. Daniela Dunkler, Michael Schemper and Georg Heinze, "Gene selection in Microarray survival studies under possibly non-proportional hazards.", BIOINFORMATICS, Vol.26, No.6, p.p. 784-790, 2010. https://doi.org/10.1093/bioinformatics/btq035
  2. Yuhang Wang, Fillia S. Makedon, James C. Ford, and Justin Pearlman, "HykGene: a hybrid approach for selecting maker genes for phenotype classification using microarray gene expression data", BIOINFORMATICS, Vol.21, No.8, pp. 1530-1537, 2005. https://doi.org/10.1093/bioinformatics/bti192
  3. 안재균, 윤영미, 신은지, 박상현, "유전자 발현값 상관관계 분석을 통한 암분류자 생성방법.", 제32회 한국정보처리학회 추계학술대회 논문집 제16권 2호, 769-770쪽, 2009년 11월
  4. 김선, 김수진, 장병탁, "마이크로어레이 기반 miRNA 모듈 분석을 위한 하이퍼망 분류기법", 정보과학회 논문지: 소프트웨어 및 응용, 제 35권, 제 6호, 347-356쪽, 2008년. 6월.
  5. Donald Geman, Christian d'Avignon, Daniel Q. Naiman, Raimond L. Winslow, "Classifying Gene Expression Profiles from Pairwise mRNA Comparisons.", Statistical Applications in Genetics and Molecular Biology, Vol.3, Issue.1, Article.19, 2004
  6. Junhee Seok, Amit Kaushal, Ronald W Davis, and Wenzhong Xiao, "Knowledge-based analysis of microarrays for the discovery of transcriptional regulation relationships.", BMC Bioinformatics, 2010. 1.
  7. 윤영미, 이종찬, 박상현, "두 단계 접근법을 통한 통합 마이크로어레이 데이터의 분류자 찾기", 정보과학회논문지: 데이터베이스 제34권, 제1호, 193-205쪽, 2007년 2월.
  8. 서울대학교 통계학과 생물정보통계연구실, "마이크로어레이 자료의 통계적 분석", 자유아카데미, 21-33쪽, 2005년
  9. Guo Yu, Statistical issues in microarray data analysis: Array-to-array normalization, Empirical Bayes batch effect adjustment.
  10. Carla s. Moller-Levet, Catharine M. West, Crispin J. Miller, "Exploiting sample variability to enhance multivariate analysis of microarray data", BIOINFORMATICS, Vol.23, pp.2733-2740, 2007 https://doi.org/10.1093/bioinformatics/btm441
  11. Breiman L, "Random Forest, Machine Learning", 45, p.p. 5-32, 2001 .
  12. 윤태균, 이관수, "의료진단 및 중요검사 항목 결정 지원 시스템을 위한 랜덤 포레스트 알고리즘 적용", 전기학회논문지 제 57권, 제 6호, 1058-1062쪽, 2008년 6월.
  13. Ramon Diaz-Uriarte, Sara Alvarez de Andres, "Gene selection and classification of microarray data using random forest.", BMC Bioinformatics, p.p.1471-2105, 2006.
  14. Elias Zintzaras, Axel Kowald, "Forest classification trees and forest support vector machines algorithms: Demonstration using microarray data.", ELSEVIER, Computers in Biology and Medicine 40, p.p.519-524, 2010. https://doi.org/10.1016/j.compbiomed.2010.03.006
  15. Rameswar Debnath, Takio Kurita, "An evolutionary approach for gene selection and classification of microarray data based on SVM error-bound theories.", ELSEVIER, BioSystems 100, p.p.39-46, 2010. https://doi.org/10.1016/j.biosystems.2009.12.006
  16. 원홍희, 조성배, "암 분류를 위한 기계학습 분류기의 성능평가", 한국정보처리학회추계학술발표대회논문집 제9권 제2호, 2002년 11월.
  17. 홍진혁, 조성배, "나이브 베이스 분류기를 이용한 유전 발현 데이터기반 암 분류를 위한 순위기반 다중 클래스 유전자 선택", 정보과학회논문지: 시스템 및 이론, 제35권, 제8호, 372-377쪽, 2008년 8월.
  18. Gashier M., Giraud-Carrier C., Martinez T., "Decision Tree Ensemble: Small Heterogeneous Is Better Than Large Homogeneous.", Seventh International Conference on Machine Learning and Application, p.p.900-905, 2008.
  19. Jorng-Tzong Horng, Li-Cheng Wu, Baw-Juine Liu, Jun-Li Kuo, Wen-Horng Kuo, Jin-Jian Zhang, "An expert system to classify microarray gene expression data using gene selection by decision tree.", Elsevier, Expert Systems with Applications, Vol.36, Issue.5, p.p.9072-9081, 2009. https://doi.org/10.1016/j.eswa.2008.12.037
  20. Chunrong Cheng, Kui Shen, Chi Song, Jianhua Luo, George C. Tseng, "Ratio adjustment and calibration scheme for gene-wise normalization to enhance microarray inter-study prediction.", Bioinformatics, p.p.1655-1661, 2009.
  21. Aleksey Fadeev, Oualid Missaoui, Hichem Frigui, "Ensemble Possibilistric k-NN for Functional Clustering of Gene Expression Profiles in Human Cancers Challenge.", icmla, 2009 International Conference on Machine Learning and Applications, p.p.439-442, 2009.
  22. Aik Choon Tan, Daniel Q. Naiman, LeiXu, Raimond L. Winslow and Donald Geman, "Simple decision rules for classifying human cancers from gene expression profiles.", BIOINFORMATICS, Vol.21, No.20, p.p. 3896-3904, 2005 https://doi.org/10.1093/bioinformatics/bti631
  23. Singh D., Febbo P. G., Ross K., Jackson D. G., Manola J., Ladd C., "Gene expression correlates of clinical prostate cancer behavior", cancer cell, vol.1, pp.203-209, 2002 https://doi.org/10.1016/S1535-6108(02)00030-2
  24. Welsh J. B., Sapinoso L, M., Su A. I., Kern S. G., Wang-Rodriquez J., Moskaluk C. A., "Analysis of gene expression identifies candidate markers and pharmachological targets in prostate cancer", Cancer Research, Vol. 61, pp.5974-5978, 2001
  25. LaTulippe E., Satagopan J., Smith A., Scher H., Scardino P., Reuter V., "Comprehensive gene expression analysis of prostate cancer reveals distinct transcriptional programs associated with metastatic disease", Cancer Research, Vol.62, pp.4499-4506, 2002
  26. Mark Hall, Eibe Frank, Geoffrey Holmes, Bernhard Pfahringer, Peter Reutemann, Ian H. Written ; The WEKA Data Mining Software, An Update, SIGKDO Explorations, Vol.11, Issue 1, 2009.
  27. http:/ /www.hsl.creighton.edu/hsl/searching/Recall-Precision.html
  28. 박윤정, 박승수, "암 분류를 위한 분류기법의 성능비교", 한국 컴퓨터 종합 학술대회 논문집, Vol.33, No.1, 220-222쪽, 2006년.

Cited by

  1. 텍스트 마이닝 및 자동 추론 기반 생물학 지식 발견 시스템을 위한 확률 기반 필터링 vol.17, pp.2, 2012, https://doi.org/10.9708/jksci.2012.17.2.139
  2. 트위터 사용자정보의 유사성을 기반으로 한 팔로어 분류시스템 vol.19, pp.1, 2014, https://doi.org/10.9708/jksci.2014.19.1.111