[논문]Decision Tree와 SNP정보를 이용한 간경화 환자의 감수성 예측

김동회; 엄상용; 조성원; 함기백; 김진

Decision Tree와 SNP정보를 이용한 간경화 환자의 감수성 예측
Pridict of Liver cirrhosis susceptibility using Decision tree with SNP 원문보기

김동회 (한림대학교 컴퓨터공학과) , 엄상용 (한림대학교 컴퓨터공학과) , 조성원 (아주대학교 간소화기 질환센터) , 함기백 (아주대학교 간소화기 질환센터) , 김진 (한림대학교 컴퓨터공학과)

본 논문에서는 SNP데이터를 이용하여 간경화에 대한 감수성을 예측하기 위해 의사결정 트리를 이용하였다. 데이터는 간경화 환자와 정상환자 총 116명의 데이터를 사용하였으며, Feature 값으로는 간질환과 밀접한 연관성을 갖는 28개의 SNP데이터를 사용하였다. 실험방법은 각각의 SNP에 대하여 의사결정트리로 분류율을 측정한 후 가장 높은 분류율을 가지는 SNP부터 조합해 나가는 방식으로 C4.5 의사결정트리를 이용 leave-one-out cross validation으로 간경화와 정상을 구분하는 정확도를 측정하였다. 실험결과 간 질환 관련 SNP중 IL1RN-S130S, IRNGR2-Q64R, IL-10(-592), IL1B_S35S 4개의 SNP조합에서 65.52%의 정확도를 얻을 수 있었다.

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

문제 정의

것은 불가능하다. 따라서 본 연구에서는 분류율을 높일 수 있는 방법으로 특징값 축소를 위해 28개 각각의 SNP에 대하여 분류율을 측정하고 분류율이 높은 순서부터 SNP를 조합하여 예측율을 측정하였다.Featwe size 는 조합된 SNP의 개수 이며, 17개를 제외한 나머지 SNP 들은 분류율이 0으로 조합에서 제외시켰다.
본 논문에서는 SNP 데이터에 의사결정트리를 적용하여간 경화 진단의 예측율을 측정하는 문제에 대하여 논의하였다. 실험 결과에서 볼 수 있듯이 의사결정트리는 전체SNP 데이터를 입력으로 하며 48.
3장에서는 Decision tree! 이용한 감수성 예측실험 및 결과에 대하여 논한다. 마지막으로 결론 및 향후 연구과제에 대하여 논한다.

제안 방법

5 의사결정 트리 분류기를 이용 간경화에 대한 감수성을 예측차였다. 또한 부분적인 튝징 값들이 분류에 더 효율적일 경우가 있기 때문에 각 SNP에 대한 분류율을 기준으로 높은 분류율을 보이는 SNP순으로 조합해 나가는 방식으로 예측율을 측정하였다. 실험은 leave-one-out cross validation[13]§ 사용하였다.
본 논문에서는 SNP와 의사결정 트리를 간경화에 걸릴 수 있는 감수성(Susc이Ability)을 예측하기 위한 모델로 사용하였으며, 예측율을 높이기 위한 방법으로 최적의 특징값들을 만들기 위해 각각의 SNP에 대한 罡류율을쵹정한 후 높은 분류율을 보이는 SNP부터 조합해 나가는 방법으로 예측율을 향상시켰다.
5 R이ease 8[12] 의사결정 트리 분류기를 사용하였다. 분석에서는 SNP 데이터를 가지는 116개의 Case에 대해 C₄.5 의사결정 트리 분류기를 이용 간경화에 대한 감수성을 예측차였다. 또한 부분적인 튝징 값들이 분류에 더 효율적일 경우가 있기 때문에 각 SNP에 대한 분류율을 기준으로 높은 분류율을 보이는 SNP순으로 조합해 나가는 방식으로 예측율을 측정하였다.

대상 데이터

본 논문에서 실험을 위해 표 1어서 보여 지는 것과 같이 28개의 SNP 정보를 가지는 116명의 데이터를 사용하였다이 데이터는 아주대학교병원 간, 소화기 질환 유전체 연구센터에서 발취하였다, [11L SNP는 간 질환과 밀접한 연관을 가질 것으로 연구되고 있는 후보유전자뜰을 선택하였댜.

이론/모형

몬 논문에서는 의사결정 트리 알고리즘 중 가장 잘 알려져 있고 가장 폭넓게 사용되고 있는 C.4.5 Release 8 을 사용하였다.
본 논문에서는 실험을 위해 C₄.5 R이ease 8[12] 의사결정 트리 분류기를 사용하였다. 분석에서는 SNP 데이터를 가지는 116개의 Case에 대해 C₄.
또한 부분적인 튝징 값들이 분류에 더 효율적일 경우가 있기 때문에 각 SNP에 대한 분류율을 기준으로 높은 분류율을 보이는 SNP순으로 조합해 나가는 방식으로 예측율을 측정하였다. 실험은 leave-one-out cross validation[13]§ 사용하였다. 전체 116명의 Case(간경화 58, 정상 58)애 대해서 의사 결정 트리는 하나의 case를 제외하고 나머지에 대한 트리와 그에 따른 규칙들을 생성한다.

성능/효과

28%의 간경화 감수성을 보였다. 그러나 단일 SNP에 따른 분류율을 측정하여 분류율이 높은 SNP 들을 우선적으로 조합해 나가는 방법으로 65.52%로 간경화 감수성 예측율을 높일 수 있었다. 결과적으로 SNP를 이용한 간경화 감수성 예측에 특징값 선택 기법을 이용 특징값을 최적으로 하여 의사결정 트리 분류기를 젂용함으로서 효율적으로 활용될 수 있을 것이다.
첫째 뿐류나 예측 근거를 제공하기 대문에 사용자가 이해하기 쉽다[4, 5]. 둘째 의사결정 트리는 모델 구축 시 분류에 영향을 미치지 않는 속성들을 자동으로 제외시킴으로 테이터 선정이 용이하다. 셋째 다른 방법들과 비교하였을 때 모델 구축에 소요되는 시간이 상대적으로 邮르다 [6, 7].
본 연구의 실험 결과는 정확도, 민감도, 특이도로 표현된다. 결과에 대한 계산은 표3와 같은 방법으로 산출된다, 정확도는 주어진 데이터에 대하여 얼마나 정확하게 클래스를 구분할 수 있는 가로 질환과 정상을 구분할 수 있는 확률을 뜻한다.
실험 결과에서 볼 수 있듯이 의사결정트리는 전체SNP 데이터를 입력으로 하며 48.28%의 간경화 감수성을 보였다. 그러나 단일 SNP에 따른 분류율을 측정하여 분류율이 높은 SNP 들을 우선적으로 조합해 나가는 방법으로 65.
따라서 전체의 SNP보다는 클래스 구분을 최대화 할 수 있는 SNP조합을 사용했을때 더 낳문예측율을 보일수 있다. 여기서 우리는 분류율이 높은 SNP 순으로 조합해 나가는 방식으로 예측율을 높일 수 있었다.
위에서 언급한 특성과 더불어 의사 결정 트리는 특징 값들로 수치 데이터와 더불어 기호페이터도 허용됨으로서 A, T, G, C 염기로 표현되는 SNP 데이터를 표현하기에도 적합하다. 몬 논문에서는 의사결정 트리 알고리즘 중 가장 잘 알려져 있고 가장 폭넓게 사용되고 있는 C.
. 표 4에서 보는 것과 같이 IL1RN-S130S, 旧 NGR2-Q64R, IL-10(-592)f IL1B_S35S 4개의 SNP조합에서 65.52%의 가장 높은 정확도를 보였다.

후속연구

52%로 간경화 감수성 예측율을 높일 수 있었다. 결과적으로 SNP를 이용한 간경화 감수성 예측에 특징값 선택 기법을 이용 특징값을 최적으로 하여 의사결정 트리 분류기를 젂용함으로서 효율적으로 활용될 수 있을 것이다.
향후 더 많은 간 질환 관련 SNP들을 이용해 특징 값을 보다 더 최적화 하고 간 질환과 관련성이 높은 홉연, 음주량, 스트레스 지수와 같은 삶의 질 데이터와 성별, 나이와 같은 개인 정보를 특징 값으로 사용하여 간경화에 대한 감수성 예측율을 향상시키고자 한以.

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

Decision Tree와 SNP정보를 이용한 간경화 환자의 감수성 예측
Pridict of Liver cirrhosis susceptibility using Decision tree with SNP 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Decision Tree와 SNP정보를 이용한 간경화 환자의 감수성 예측 Pridict of Liver cirrhosis susceptibility using Decision tree with SNP 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

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Decision Tree와 SNP정보를 이용한 간경화 환자의 감수성 예측
Pridict of Liver cirrhosis susceptibility using Decision tree with SNP 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper