랜드마크 유전자 기반 목표 유전자 발현량 예측을 위한 특징 추출 심층 신경망 (Deep Neural Networks with Feature Extraction for Target-gene Expression Level Prediction Based on Landmark Genes)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 26권 / 8호 / 373 ~ 377페이지
· 저자명 : 이다빈, 황규백

초록

유전자 발현 프로파일링은 질병 연구에 유용하다. Library of Integrated Network-Based Cellular Signatures 프로그램 연구진은 전체 인간 유전자 발현 정보의 약 80%를 포함하는 소수의 유전자(랜드마크 유전자) 발현량만을 측정한 뒤 다른 유전자(목표 유전자)의 발현량을 예측하는 효율적인 프로파일링 기법을 개발했다. 본 논문에서는 오토인코더로 랜드마크 유전자의 비선형 특징을 추출한 후 이에 기반하여 목표 유전자의 발현량을 예측하는 방법을 제안한다. 이 방법은 943개의 랜드마크 유전자와 9,520개의 목표 유전자로 구성된 111,009개의 유전자 발현 프로파일에 대한 실험에서 기존의 심층 신경망과 비교했을 때 약 95%의 목표 유전자에 대해 예측 오류를 감소시켰으며, 감소의 폭은 평균적으로 약 7%였다. 이러한 결과는 오토인코더 기반의 비선형 특징 추출이 랜드마크 유전자로부터 목표 유전자의 발현량을 예측하는 데 기여할 수 있음을 시사한다.

영어초록

Gene expression profiling is useful for disease studies. Researchers of the Library of Integrated Network-Based Cellular Signatures Program developed an efficient profiling method in which the expression level of only a subset of the human genes (landmark genes), comprising approximately 80% of the entire gene expression information, is measured, and subsequently used for predicting the expression level of the other genes (target genes). In this study, we propose a method to extract non-linear features of the landmark genes using autoencoders and then predict the expression level of the target genes using the extracted features. In the experiments on 111,009 gene-expression profiles, comprising 943 landmark genes and 9,520 target genes, our method reduced the prediction error for approximately 95% of the target genes compared with a previous deep neural network model. The average proportion of error reduction was approximately 7%. This result suggests that the non-linear feature extraction can improve the accuracy of target-gene expression prediction from the landmark genes.

참고자료

· 없음