초록

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

암의 치료법은 같은 종류의 암이라 해도 그 하부 클래스에 따라 매우 다르기 때문에 암의 클래스를 예측하는 것은 그 정확한 치료를 위하여 매우 중요하다. 유전자 발현 데이터를 이용한 암의 분류에 있어 기존의 연구들은 각 데이터를 하나의 클러스터에 소속시키는 하드 분할(hard partition)에 의한 분할 방식을 사용하는 하드 클러스터링을 사용하였다. 하지만 일반적으로 유전자 발현 암 데이터와 같은 실세계의 데이터는 쉽게 나뉘어지기 힘들거나 클러스터 간의 경계가 분명하지 않기 때문에 하드 클러스터링 기법은 주어진 데이터의 성질을 손실시킬 수 있는데 반해, 퍼지 클러스터링 기법은 각 데이터가 소속 정도에 따라 여러 개의 클러스터에 속할 수 있도록 분할하기 때문에 이러한 손실을 최소화할 수 있다. 따라서 본 논문에서는 퍼지 클러스터링의 대표적인 방법인 fuzzy c-means 클러스터링을 적용하여 암의 클래스를 예측하고, 다양한 하드 클러스터링 방법과 비교함으로써 퍼지 클러스터링의 성능을 검증하였다.

암의 치료법은 같은 종류의 암이라 해도 그 하부 클래스에 따라 매우 다르기 때문에 암의 클래스를 예측하는 것은 그 정확한 치료를 위하여 매우 중요하다. 유전자 발현 데이터를 이용한 암의 분류에 있어 기존의 연구들은 각 데이터를 하나의 클러스터에 소속시키는 하드 분할(hard partition)에 의한 분할 방식을 사용하는 하드 클러스터링을 사용하였다. 하지만 일반적으로 유전자 발현 암 데이터와 같은 실세계의 데이터는 쉽게 나뉘어지기 힘들거나 클러스터 간의 경계가 분명하지 않기 때문에 하드 클러스터링 기법은 주어진 데이터의 성질을 손실시킬 수 있는데 반해, 퍼지 클러스터링 기법은 각 데이터가 소속 정도에 따라 여러 개의 클러스터에 속할 수 있도록 분할하기 때문에 이러한 손실을 최소화할 수 있다. 따라서 본 논문에서는 퍼지 클러스터링의 대표적인 방법인 fuzzy c-means 클러스터링을 적용하여 암의 클래스를 예측하고, 다양한 하드 클러스터링 방법과 비교함으로써 퍼지 클러스터링의 성능을 검증하였다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 게 결정짓 는 기존의 클러스터링 방법보다 퍼지 클러스터링의 성능이 우수할 것으로 예상되며 이를 체계적으로 검증하는 연구가 필요하다. 본 논문에서는 유전자 발현 데이터 분석 에 많이 사용되고 있는 대표적인 하드 클러스터링 방법 인 계층적 클러스터링, hard c-means 클러스터링, k-means 클러스터링과의 성능 비교를 통해서 퍼지 클러스터링의 성능을 검증하고자 한다. 백혈병, 림프종, SRBCT(Small round blue cell tumor) 관련 유전자 발현 데이터에 적용한 결과 퍼지 클러스터링의 성능이 가장 우수함을 확인하였다.
• 하지만, 조직병리학 등의 방법에 의존하는 임상학적 암 분류는 종종 불완전하여 오진할 수 있는 가능성이 있다. 유전자 발현 정보에 근거한 분자 수준의 암 분류는 정확하고 객관적이며 체계적인 암의 분류를 위한 방법론을 제시해준다. 하지만 유전자 발현 데이터는 일반적으로 매우 많은 양의 유전자 정보를 포함하며 모든 유전자가 암과 관련이 있는 것은 아니므로 암과 관련이 있는 중요한 유전자만을 추출하여 이를 기준으로 암을 분류하는 것이 바람직하다.

제안 방법

• 표 2는 하드 클러스터링과 FCM을 이용하여 클러스터링한 후 그 결과를 histological diagnosis에 의해 기존에 알려진 각 샘플의 클래스와 비교하여 구한 암 분류 인식률이다. 모든 데이터에 대해 FCM이 가장 우수한 성능을 보였으며, 백혈병 데이터와 SRBCT 데이터에서는 모든 샘플에 대해 올바른 분류를 하였고 림프종 데이터에서는 45개의 샘플 중에 한 개의 샘플(DLCL-0020)만 틀리게 분류하였다. 림프종 데이터의 이 샘플은 k-means 클러스터링을 제외한 다른 클러스터링 방법에서도 모두 틀리게 분류되었다.
• 본 논문에서는 퍼지 클러스터링의 대표적인 알고리즘인 fuzzy c-means 클러스터링 방법을 사용하여 암의 하 부 클래스를 예측하였다. 백혈병, 림프종, SRBCT의 세 가지 유전자 발현 암 데이터에 적용한 결과 퍼지 클러스터링 방법이 기존의 하드 클러스터링 방법에 비하여 우수한 성능을 보임을 확인할 수 았었다.

대상 데이터

• 림프종 데이터는 45개의 샘플 데이터로 구성되어 있으며, 이 중에서 22개가 GC B-like 림프종 샘플이고, 23개 가 Activated B-like 림프종 샘플이다. SRBCT 데이터는 63개의 샘플로 구성되어 있으며, NB (neuroblastoma), RMS (rhabdomyosarcoma), NHL (non-Hodgkin lymphoma), EWS (Ewing family of tumors)의 네 가지 클래스로 이루어져 있다,
• 실험 데이터로 사용한 백혈병 데이터는 38개의 샘플 데이터로 구성되어 있으며, 백혈병의 두 가지 종류인 급성 골수성 백혈병(acute myeloid leukemia- AML) 환자 11명과 급성 림프성 백혈병 (acute lymphoblastic leukemia: ALL) 환자 27명으로부터 얻어진 데이터이다. 림프종 데이터는 45개의 샘플 데이터로 구성되어 있으며, 이 중에서 22개가 GC B-like 림프종 샘플이고, 23개 가 Activated B-like 림프종 샘플이다. SRBCT 데이터는 63개의 샘플로 구성되어 있으며, NB (neuroblastoma), RMS (rhabdomyosarcoma), NHL (non-Hodgkin lymphoma), EWS (Ewing family of tumors)의 네 가지 클래스로 이루어져 있다,
• 실험 데이터로 사용한 백혈병 데이터는 38개의 샘플 데이터로 구성되어 있으며, 백혈병의 두 가지 종류인 급성 골수성 백혈병(acute myeloid leukemia- AML) 환자 11명과 급성 림프성 백혈병 (acute lymphoblastic leukemia: ALL) 환자 27명으로부터 얻어진 데이터이다. 림프종 데이터는 45개의 샘플 데이터로 구성되어 있으며, 이 중에서 22개가 GC B-like 림프종 샘플이고, 23개 가 Activated B-like 림프종 샘플이다.

이론/모형

• 클러스터링 알고리즘은 클러스터로 분할시키는 정도에 따라 하드 (hard) 클러스터링 기법과 퍼지(fuzzy) 클러스터링 기법으로 나뉠 수 있다[1]. 하드 클러스터링 기법은 각 데이터를 하나의 클러스터에 소속시키는 하드 분할 (hard partition)에 의한 분할 방식을 사용한다. 일반적으로 유전자 발현 암 데이터와 같은 실세계의 데이터는 쉽게 나 뉘어지기 힘들거나 클러스터 간의 경계가 분명하지 않기 때문에 하드 클러스터링 기법은 주어진 데이터의 성질을 손실할 수 있다.

성능/효과

• 림프종 데이터에 대하여 클러스터 수를 2로 하여 퍼지 클러스터링한 결과, 각 샘플에 대하여 원래 알려진 histological diagnosis오]" 실험의 결과인 fuzzy diagnosis 결과로 나누어 분석해본 결과, 하나의 샘플(DLCL-0020) 만 빼고는 다 원래 알려진 클래스로 판별되었다. 멤버쉽 값을 보면, 대체로 확연히 구분이 갈 정도로 두 클래스에 대하여 많은 차이를 보인다.
• 하드 클러스터링 방법 중에는 hard c-means 클러스터 링과 평균 연결 클러스터링이 백혈병 데이터와 림프종 데이터에 대해 가장 좋은 성능을 보였고, 완전 연결 클러스터링이 SRBCT에 대하여 가장 좋은 성능을 보였다. 단일 연결 클러스터링은 모든 데이터에 대해 가장 저조한 성능을 보였다, 즉 이진 클래스의 경우는 hard c-means 클러스터링과 평균 연결이 우수한 성능을 보이고, 다중 클래스의 경우는 완전 연결 클러스터링이 우수한 성능을 보였다. 이는 문제 영역에 맞는 거리 척도와 알고리즘이 각기 다를 수 있음을 의미한다.
• Tavazoie 등은 분할 클러스터링 방법의 하나인 k-means (KM) 클러스터링 방법을 사용하여 유전자 발현 데이터를 분석하였다[3]. 발현된 패턴에 따라 그룹화된 많은 클러스터들이 기능적으로 유사한 유전자들을 많이 포함하고 있음을 보였으며, 같은 클러스터 내의 유전자들의 서열을 분석한 결과 up-stream region 어서 공통 적으로 나타나는 새로운 cis-regulatory motif를 발견하였다. 클러스터의 밀집성(tightness)이 중요한 서열 motif의 존재와 연관되어 있음을 밝혔다.
• 본 논문에서는 유전자 발현 데이터 분석 에 많이 사용되고 있는 대표적인 하드 클러스터링 방법 인 계층적 클러스터링, hard c-means 클러스터링, k-means 클러스터링과의 성능 비교를 통해서 퍼지 클러스터링의 성능을 검증하고자 한다. 백혈병, 림프종, SRBCT(Small round blue cell tumor) 관련 유전자 발현 데이터에 적용한 결과 퍼지 클러스터링의 성능이 가장 우수함을 확인하였다.
• 본 논문에서는 퍼지 클러스터링의 대표적인 알고리즘인 fuzzy c-means 클러스터링 방법을 사용하여 암의 하 부 클래스를 예측하였다. 백혈병, 림프종, SRBCT의 세 가지 유전자 발현 암 데이터에 적용한 결과 퍼지 클러스터링 방법이 기존의 하드 클러스터링 방법에 비하여 우수한 성능을 보임을 확인할 수 았었다.
• 이 샘플은 클러스터의 수를 네 개로 하였을 때, ALL_B_cell 클래스에 속하였다. 클러스터의 수를 네 개로 하여 클러스터링한 결과 cluster 1과 cluster 2를 ALL_B_cell로, 이uster 3을 ALL_T_cell, 시uster 4를 AML로 정하였을 때, 세 개의 샘플(ALL_9723_T_c이1, ALL_17638_T_cell, AML_13)을 제외한 모든 클래스가 원래의 클래스와 일치하였다.
• 표 1은 백혈병 데이터를 두 개의 클러스터(c=2)로 퍼 지 클러스터링한 결과이다, AML 클래스와 ALL클래스 로 클러스터링 한 결과, histological diagnosis에 의해 기 존에 알려진 각 샘플의 클래스가 퍼지 클러스터링에 의해 구해진 클래스와 모두 일치하는 것을 볼 수 있다. 대부분의 샘플이 멤버쉽 값이 0.
• 하드 클러스터링 방법 중에는 hard c-means 클러스터 링과 평균 연결 클러스터링이 백혈병 데이터와 림프종 데이터에 대해 가장 좋은 성능을 보였고, 완전 연결 클러스터링이 SRBCT에 대하여 가장 좋은 성능을 보였다. 단일 연결 클러스터링은 모든 데이터에 대해 가장 저조한 성능을 보였다, 즉 이진 클래스의 경우는 hard c-means 클러스터링과 평균 연결이 우수한 성능을 보이고, 다중 클래스의 경우는 완전 연결 클러스터링이 우수한 성능을 보였다.

후속연구

• 유전자 발현 데이터는 많은 노이즈를 포함할 수 있기 때문에 각 샘플의 클러스터를 deterministic 홍].게 결정짓 는 기존의 클러스터링 방법보다 퍼지 클러스터링의 성능이 우수할 것으로 예상되며 이를 체계적으로 검증하는 연구가 필요하다. 본 논문에서는 유전자 발현 데이터 분석 에 많이 사용되고 있는 대표적인 하드 클러스터링 방법 인 계층적 클러스터링, hard c-means 클러스터링, k-means 클러스터링과의 성능 비교를 통해서 퍼지 클러스터링의 성능을 검증하고자 한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기