초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

질병의 치료 및 예측을 위한 biomarker와 이들의 생물학적 기능을 찾기 위해 지금까지 DEG analysis나 pathway 분석 등 다양한 연구들이 이루어져 왔다. 하지만 동시에 발현되는 gene들이라 하여 항상 같은 기능이나 조절 작용을 하는 것이 아니며, gene들은 독립적으로 기능하지 않고 서로 상관되어서 gene network를 이루기 때문에 두 그룹 간 차별 발현된 gene들보다, 두 그룹 간 차별 발현된 pathway들이 더 의미 있다. 그리고 기존의 GSEA 등은 개개의 pathway들을 독립적으로 간주하여 분석한다는 단점이 있다. 따라서 본 논문에서는 gene 대신 생물학적인 의미를 갖고 있는 pathway를 사용하여 gene expression data를 분석, Bimax biclustering을 이용한 association rule mining을 통해 classes(control/case)와 pathways 간 연관성을 찾고자 하였다. 또한 서로 연관되어 있는 pathway들은 pathway-set으로 볼 수 있으며, 이를 질병 예측을 위한 ...

질병의 치료 및 예측을 위한 biomarker와 이들의 생물학적 기능을 찾기 위해 지금까지 DEG analysis나 pathway 분석 등 다양한 연구들이 이루어져 왔다. 하지만 동시에 발현되는 gene들이라 하여 항상 같은 기능이나 조절 작용을 하는 것이 아니며, gene들은 독립적으로 기능하지 않고 서로 상관되어서 gene network를 이루기 때문에 두 그룹 간 차별 발현된 gene들보다, 두 그룹 간 차별 발현된 pathway들이 더 의미 있다. 그리고 기존의 GSEA 등은 개개의 pathway들을 독립적으로 간주하여 분석한다는 단점이 있다. 따라서 본 논문에서는 gene 대신 생물학적인 의미를 갖고 있는 pathway를 사용하여 gene expression data를 분석, Bimax biclustering을 이용한 association rule mining을 통해 classes(control/case)와 pathways 간 연관성을 찾고자 하였다. 또한 서로 연관되어 있는 pathway들은 pathway-set으로 볼 수 있으며, 이를 질병 예측을 위한 classification feature(biomarker)로도 활용할 수 있음을 보이고자 하였다. 덧붙여 많은 pathway-set들을 한 눈에 알기 쉽도록 하기 위해 network 등의 시각화 방법도 적용하였다. 사용한 데이터는 breast cancer data 중 하나인 GSE15852로 43개의 control과 43개의 case 샘플로 이루어진 gene expression data이다. PAC(pathway activity inference using condition-responsive genes)를 사용하여 gene 데이터로부터 pathway 데이터를 얻고, GSEA 분석으로 중요한 pathway들을 골랐다. Trimmed mean discretization을 거친 significant pathway data에 Bimax biclustering을 적용하여 pathway-set과 class 간 association 관계들을 찾았다. Pathway-set을 set of gene-set으로 보고, pathway-set에 속하는 모든 gene들의 발현값을 weighted-sum하여 pathway-set activity score를 구하였다. 이 때 각 gene의 t-test로 얻은 t-score를 gene들의 weight로 사용하였다. 또한 각 pathway-set마다 support, confidence, lift 등 11개의 measure를 사용하여 그 중요도를 구하고 이에 따라 각 pathway-set에 중요도(weight)를 부여하여 top 100개의 pathway-set을 classification marker로 뽑았다. Pathway-set feature들의 classification 성능을 평가하기 위해 4-fold cross-validation을 사용한 결과, gene feature(DEG)와 pathway feature(GSEA)의 kNN, SVM, decision tree 및 naive bayes classifier 과 비슷한 예측 성능을 보였다. 그리고 control 및 case에서 자주 나타나는 pathway-set들을 pathway association network로 표현하여 각 class 간 pathway들의 발현 차이를 확인하였다. gene이나 pathway 대신 pathway-set을 사용함으로써 단순히 발현 차이의 유의함 등으로부터 질병 예측을 위한 biomarker를 얻는 것이 아니라, association analysis를 통해 class(control/case)와 pathway들 간의 연관성을 봄과 동시에 이를 classification feature로도 유용하게 쓰일 수 있음을 알 수 있었다. 또한 여러 visualization 방법들은 class와 pathway들 간 연관성들이 어떠한 패턴을 보이는지를 직관적으로 이해할 수 있도록 하였다. 본 논문에서의 방법은 다른 질병들에서의 pathway-set들 간 연관성 등 정보를 제공하고 생물학적 해석을 도울 수 있을 것이다.

Keyword