[논문]신경망 분류기를 이용한 암 관련 유전자 발현정보를 분류

권영준; 류중원; 조성배

신경망 분류기를 이용한 암 관련 유전자 발현정보를 분류
Classification of Cancer-related Gene Expression Data Using Neural Network Classifiers 원문보기

권영준 (연세대학교 컴퓨터과학과) , 류중원 (연세대학교 컴퓨터과학과) , 조성배 (연세대학교 컴퓨터과학과)

최근 생물 유전자 정보를 효과적으로 분석하기 위한 적절한 도구의 필요성이 대두되고 있다. 본 논문에서는 백혈병 환자의 골수로부터 얻어낸 DNA Microarray 유전 정보를 분류하여 환자가 가지고 있는 암의 종류를 예측하기 위한 최적의 특징추출방법과 분류 방법을 찾고자 한다. 이를 위해 피어슨 상관관계, 유클리디안 거리, 코사인 계수, 스피어맨 상관관계, 정보 이득, 상호 정보, 신호 대잡음비의 7가지 특징 추출 방법을 사용하였으며, 역전과 신경망, 의사결정 트리, 구조 적응형 자기구성 지도, $textsc{k}$-최근접 이웃 등 가지의 기계학습 분류기를 이용하여 분류 실험을 하였다. 실험결과, 피어슨 상관관계와 역전파 신경망을 이용한 분류 방법이 97.1%의 인식률을 보임을 알 수 있었다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 대량의 인간 유전자들 중 분류 작업과 큰 관련성을 갖는 유전자를 선별하기 위한 다양한 특징 추출 방법들과 몇 가지 신경망 분류기들을 이용하여 선별된 유 전자들의 발현 정도를 보고 질병의 종류를 효과적으로 분 류하는 방법에 대해 소개하고자 한다.
본 논문에서는 유전자 발현 정보를 이용하여 환자가 가지고 있는 병이 ALL, AML 중 어느 것인지를 분류하는 실험을 하였다. 이롤 위한 시스템은 크게 특징 추출 단계 와 패턴분류 단계의 두 단계로 나뉘어 진다(그림 1).

제안 방법

이것은 입력 벡터가 나열되어있는 예제를 통해 반복적으로 출 력을 각각의 입력에 따라 수정해가며 학습한다. 각각의 학 습 입력을 거치는 것이 하나 주기로 하여 각 주기동안 신 경망은 실제의 결과를 가지고 목적하는 결과와 비교해서, 오류를 산출한 뒤, 그 오류를 최소화하기 위해 가중치 값을 조절한다. 지도 학습이라 불리는 이 과정을 통해, 신경 망은 올바른 결과와 입력 패턴을 연관시키는 것을 학습하 게 된다.
즉, 측정된 자료가 좌표 상에 양(+)의 기울기를 갖는 직선에 분포한다면 그때의 상관계수는 양수가 되고, 음(7의 기울 기를 갖는 직선에 가깝게 분포하면 음의 상관계수를 갖는 다. 본 논문에서는 학습 데이터의 각 유전자의 발현 수치 와 각 샘플이 속하는 클래스를 반영한 클래스 패턴과의 상 관관계를 계산하여 특징 추출의 척도로 사용하였다. 사용된 상관관계법은 피어슨 상관관계(Pearson's Correlation) 와 스피어맨 상관관계 (Spearmane Correlation)이며, N 개의 원소를 갖는 두 벡터 X와 V사이의 각각의 상관 계 수「pegs과 匚55은 다음과 같이 정의된다
38개의 학습 데이터 중 27개는 ALL을 앓고 있는 환자의 것이고, 11개는 AML올 앓고 있는 환자로부터 얻어진 것이다. 신경망을 학습시키기 위해 ALL에 속하는 샘플들 을 클래스 0, AML 에 속하는 샘플들을 클래스 1로 표기 하였다. 각 샘플은 수치화 된 7, 129개 유전자들의 유전자 발현 정보로 구성되어 있다.
구조적응 자기구성 치도(SASOM, Structure Adaptive Self-organizing Map)는 일반적인 자기구성 지도의 구조 가 초기에 결정되어 학습이 끝날 때까지 변하지 않는 다는 단점을 보완하기 위해 제안되었다[3]. 즉, 기존의 SOM 알고리즘을 이용하여 지도를 학습시킨 후, 학습된 지도의 노 드들 중 서로 다른 클래스의 데이터가 섞여있는 노드를 반 복적으로 분화하여 주어진 데이터에 대하여 최적의 위상 을 갖는 자도를 생성한다.
패턴분류 단계에서는 선택된 25개의 유전자들로 구성되 어있는 38개의 학습데이터와 34개의 테스트 데이터를 몇 가지 분류기법에 적용하여 분류하였다.

대상 데이터

38개의 학습 데이터 중 27개는 ALL을 앓고 있는 환자의 것이고, 11개는 AML올 앓고 있는 환자로부터 얻어진 것이다. 신경망을 학습시키기 위해 ALL에 속하는 샘플들 을 클래스 0, AML 에 속하는 샘플들을 클래스 1로 표기 하였다.
72개의 샘플 중 38개는 신경망을 학습시켜기 위한 학습 데이터로 쓰였고, 다른 34개는 학습된 신경망의 성능을 평 가하기 위한 테스트 데이터로 쓰였다.
본 논문에서 사용된 데이터는 72명의 백혈병 환자로부터 얻어진 골수 샘플로부터 제작된 DNA Microarray 데이터를 수치화 한 것이다. 급성 림프구성 백혈병(ALL, acute lymphoblastic leukemia)과 급성 골수성 백혈병(AML, acute myeloid leukemia)의 두 가지 클래스로 분류된다[1].
군집분석에서는 이들 개념들에 의해 케이스들을 집 단화할 수 있다. 본 논문에서 사용한 거리 지수는 유클리 디안 거리방법乙心血, )과 코사인 계수방법( 厂次派)이며, 두 벡터 X와 F 사이의 거리는 다음과 같이 정의된다.
이롤 위한 시스템은 크게 특징 추출 단계 와 패턴분류 단계의 두 단계로 나뉘어 진다(그림 1). 특징 추출 단계에서는 유전자 발현 정보를 분류하기 위해 7129 개의 유전자로부터 분류에 관련되어있다고 생각되는 유전 자 25개를 선택한다.

데이터처리

8% 의 동일한 최대 적 중률을 보였다. 이는 34개의 테스트 데이터 모두에 대해 ALL 클래스에 속한다는 판단올 내렸을 때의 적중률이므 로, 각 특징 추출 방법들간의 성능비교를 위해 k 값을 변 화시켜가며 구한 결과의 평균값을 구하여 정리하였다.

이론/모형

전체 데이터로부터 의미 있는 정보를 뽑아내는 척도로 정보이론에서 사용하는 정보 이득(IG, Information Gain), 상호 정보(MI, Mutual Information), 신호 대 잡음 비 (Signal to noise ratio) 등의 방법을 웅용하였다. 즉, 정보 이득과 상호 정보의 경우는, 특정 유전자의 i번째 샘플이 특정 클래스 c에 속하는 가의 여부와 그 유전자가 발현했 는가 여부(유전자 발현 정도가 양수인가 음수인가의 여부) 의 두 가지 기준에 의해 네 가지 종류로 구분 짓고, 각종 류에 속하는 샘플의 수를 각각 A, B.

성능/효과

구조 적 응형 자기구성 지도를 '이용한 분류 방법은 모든 특 징 추출 방법들에 대해 비교적 고른 결과를 유지하였다. k -최근접 이웃 방법을 이용하여 분류 실험을 했을 때의 경우, 모든 특징 추출 방법에 대해 58.8% 의 동일한 최대 적 중률을 보였다. 이는 34개의 테스트 데이터 모두에 대해 ALL 클래스에 속한다는 판단올 내렸을 때의 적중률이므 로, 각 특징 추출 방법들간의 성능비교를 위해 k 값을 변 화시켜가며 구한 결과의 평균값을 구하여 정리하였다.
4.2 결과 분석

분류 방법별 인식률에서는, 역전파 신경망이 평균적으 로 가장 우수한 결과를 보여주었다. 의사결정 트리의 경우 여러 형태의 분류방법에 대해 고르지 못한 결과를 보였다.
역전파 신경망 분류기를 이용한 분류 실험에서는 은닉 층의 노드 수를 5에서 15사이의 값으로 취하였고, 학습률 은 0.03~0.50으로, 모멘텀은 0.10~0.90으로 변화시켜가며 실험을 한 후 가장 좋은 결과를 정리하였다. 左-최근접 이 웃 방법을 이용한 분류 실험에서는 k 값을 1부터 38 까지 변화시켜 가며 실험올 하였다.
톡징 추출 방법별로는 피어슨 상관관계 법과 신호 대 잡 음 비 방법이 가장 우수한 결과를 보였다(표 1).

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

신경망 분류기를 이용한 암 관련 유전자 발현정보를 분류
Classification of Cancer-related Gene Expression Data Using Neural Network Classifiers 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

4.2 결과 분석

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

신경망 분류기를 이용한 암 관련 유전자 발현정보를 분류 Classification of Cancer-related Gene Expression Data Using Neural Network Classifiers 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

4.2 결과 분석

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

신경망 분류기를 이용한 암 관련 유전자 발현정보를 분류
Classification of Cancer-related Gene Expression Data Using Neural Network Classifiers 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper