조건(암, 정상)에 따라 특이적 관계를 나타내는 유전자 쌍으로 구성된 유전자 모듈을 이용한 독립샘플의 클래스예측 = Class prediction of an independent sample using a set of gene modules consisting of gene-pairs which were condition(Tumor, Normal) specific

국문 초록 (Abstract)

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.

다국어 초록 (Multilingual 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.

참고문헌 (Reference)

1 윤태균, "의료진단 및 중요 검사 항목 결정 지원 시스템을 위한 랜덤 포레스트 알고리즘 적용" 대한전기학회 57 (57): 1058-1062, 2008

2 안재균, "유전자 발현값 상관관계 분석을 통한 암분류자 생성방법" 16 (16): 769-770, 2009

3 박윤정, "암 분류를 위한 분류기법의 성능비교" 33 (33): 220-222, 2006

4 원홍희, "암 분류를 위한 기계학습 분류기의 성능평가" 9 (9): 2002

5 서울대학교 통계학과 생물정보통계연구실, "마이크로어레이 자료의 통계적 분석" 자유아카데미 21-33, 2005

6 김 선, "마이크로어레이 기반 miRNA 모듈 분석을 위한 하이퍼망 분류 기법" 한국정보과학회 35 (35): 347-356, 2008

7 홍진혁, "나이브 베이스 분류기를 이용한 유전발현 데이타기반 암 분류를 위한 순위기반 다중클래스 유전자 선택" 한국정보과학회 35 (35): 372-377, 2008

8 "http:/ /www.hsl.creighton.edu/ hsl/ searching/Recall-Precision.html"

9 Mark Hall, "The WEKA Data Mining Software, An Update" 11 (11): 2009

10 Guo Yu, "Statistical issues in microarray data analysis: Array-to-array normalization"

11 Aik Choon Tan, "Simple decision rules for classifying human cancers from gene expression profiles" 21 (21): 3896-3904, 2005

12 Chunrong Cheng, "Ratio adjustment and calibration scheme for gene-wise normalization to enhance microarray inter-study prediction" 1655-1661, 2009

13 Breiman L, "Random Forest" 45 : 5-32, 2001

14 Junhee Seok, "Knowledge-based analysis of microarrays for the discovery of transcriptional regulation relationships" 2010

15 Yuhang Wang, "HykGene:a hybrid approach for selecting maker genes for phenotype classification using microarray gene expression data" 21 (21): 1530-1537, 2005

16 Daniela Dunkler, "Gene selection in Microarray survival studies under possibly non-proportional hazards" 26 (26): 784-790, 2010

17 Ramon Diaz-Uriarte, "Gene selection and classification of microarray data using random forest" 1471-2105, 2006

18 Singh D, "Gene expression correlates of clinical prostate cancer behavior" 1 : 203-209, 2002

19 Elias Zintzaras, "Forest classification trees and forest support vector machines algorithms:Demonstration using microarray data" 40 : 519-524, 2010

20 Carla s. Moller-Levet, "Exploiting sample variability to enhance multivariate analysis of microarray data" 23 : 2733-2743, 2007

21 Aleksey Fadeev, "Ensemble Possibilistric k-NN for Functional Clustering of Gene Expression Profiles in Human Cancers Challenge" 439-442, 2009

22 Gashier M, "Decision Tree Ensemble:Small Heterogeneous Is Better Than Large Homogeneous" 900-905, 2008

23 LaTulippe E, "Comprehensive gene expression analysis of prostate cancer reveals distinct transcriptional programs associated with metastatic disease" 62 : 4499-4506, 2002

24 Donald Geman, "Classifying Gene Expression Profiles from Pairwise mRNA Comparisons" 3 (3): 2004

25 Welsh J. B, "Analysis of gene expression identifies candidate markers and pharmachological targets in prostate cancer" 61 : 5974-5978, 2001

26 Jorng-Tzong Horng, "An expert system to classify microarray gene expression data using gene selection by decision tree" 36 (36): 9072-9081, 2009

27 Rameswar Debnath, "An evolutionary approach for gene selection and classification of microarray data based on SVM error-bound theories" 100 : 39-46, 2010

28 윤영미, "2 단계 접근법을 통한 통합 마이크로어레이 데이타의 분류기 생성" 한국정보과학회 34 (34): 46-58, 2007