병렬 프로세서 기반의 패턴 분류 기법을 이용한 유전자 발현 데이터 분석 = Gene Expression Data Analysis Using Parallel Processor based Pattern Classification Method

국문 초록 (Abstract)

최근 활발히 연구가 진행 중인 마이크로어레이로부터 얻어지는 유전자 발현 데이터를 이용한 질병 진단은, 데이터를 직접적으로 분석하기 힘들기 때문에 일반적으로 기계 학습 알고리즘을 사용하여 이루어져왔다. 그러나 유전자 발현 데이터를 분석함에 있어서 유전자들 간의 상호작용을 고려하는 분석이 필요하다는 최근의 연구 결과들은 기존 기계 학습 알고리즘들을 이용한 분석에 한계가 있음을 의미한다고 볼 수 있다. 본 논문에서는 특징들 사이의 고차원 상관관계를 고려 가능한 하이퍼네트워크 모델을 이용하여 유전자 발현 데이터의 분류를 수행하고 기존의 기계 학습 알고리즘들과 분류 성능을 비교한다. 또한 기존 하이퍼네트워크 모델의 단점을 개선 한 모델을 제안하고, 이를 병렬 프로세서 상에서 구현하여 처리 성능을 비교한다. 실험 결과, 제안 된 모델은 기존의 기계 학습 방법들과의 비교에서도 경쟁력 있는 분류 성능을 보여주었고, 기존 하이퍼네트워크 모델 보다 안정적이고 향상된 분류성능을 보여주었다. 또한 이를 병렬 프로세서 상에서 구현 할 경우 처리 성능을 극대화 할 수 있음을 보였다.

다국어 초록 (Multilingual Abstract)

Diagnosis of diseases using gene expression data obtained from microarray chip is an active research area recently. It has been done by general machine learning algorithms, because it is difficult to analyze directly. However, recent research results about the analysis based on the interaction between genes is essential for the gene expression analysis, which means the analysis using the traditional machine learning algorithms has limitations. In this paper, we classify the gene expression data using the hypernetwork model that considers the higher-order correlations between the features, and then compares the classification accuracies. And also, we present the new hypernetwork model that improve the disadvantage of existing model, and compare the processing performances of the existing hypernetwork model based on general sequential processor and the improved hypernetwork model implemented on parallel processors. In the experimental results, we show that the performance of our model shows improved and competitive classification performance than traditional machine learning methods, as well as, the existing hypernetwork model. We show that the performance is maximized when the hyperntwork model is implemented on our parallel processors.

목차 (Table of Contents)

• 요약
• Abstract
• Ⅰ. 서론
• Ⅱ. 관련 연구
• Ⅲ. 하이퍼네트워크 모델
• Ⅳ. 병렬 프로세서 기반 하이퍼네트워크 모델
• Ⅴ. 실험 및 결과
• Ⅵ. 결론
• 참고문헌
• 저자소개

참고문헌 (Reference)

1 Harris, M., "Optimizing parallel reduction in CUDA" 2008

2 Golub, T, "Molecular classification of cancer: Class discovery and class prediction by gene expression monitoring" 286 (286): 531-537, 1999

3 Zhang, B.T., "Hypernetworks: A molecular evolutio nary architecture for cognitive learning and memory" 3 (3): 49-63, 2008

4 I. Pournara, "FPGA-accelerated Bayesian learning for reconstruction of gene regulatory networks" 323-328, 2005

5 Duggan, D.J, "Expression profiling using cDNA microarrays" 21 : 10-14, 1999

6 Klebanov, L., "Diverse correlation structures in gene expression data and their utility in improving statistical inference" 2 : 538-559, 2007

7 Wee, J.W, "Concurrent Support Vector Machine processor for disease diagnosis" 3316 : 1129-1134, 2004

8 Dar-Jen Chang, "Compute Pairwise Manhattan Distance and Pearson Correlation Coefficient of Data Points with GPU" 501-506, 2009

9 Yeoh, E, "Classification, subtype discovery, and prediction of outcome in pediatric acute lymphoblastic leukemia by gene expression profiling" 1 (1): 133-143, 2002

10 Bhattacharjee, A, "Classification of human lung carcinomas by mrna expression profiling reveals distinct adenocarcinoma subclasses" 13790-13795, 2001

11 Khan, J, "Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks" 7 : 673-679, 2001

12 Manavski, S, "CUDA compatible GPU cards as efficient hardware accelerators for Smith-Waterman sequence alignment" 9 : 10-, 2008

13 Tkacik, T., "A hardware random number generator" 2523 : 450-453, 2003

14 Zhang, B.T, "A bayesian algorithm for in vitro molecular evolution of pattern classifiers" 3384 : 458-467, 2002