Gen Ekspresyon Verilerinde Yapay Sinir Ağlarına Dayalı Denetimli Temel Bileşenler Analizi Yaklaşımı

Supervised Principal Component Analysis Approach Based on Artificial Neural Networks in Gene Expression Data

Özet

Bu çalışmada, denetimli temel bileşenler analizi (D-TBA) ile yeni bir yaklaşım olarak önerilen yapay sinir ağlarıyla denetimli temel bileşenler analizi (D-YSA-TBA) kullanılarak çok boyutlu gen ekspresyon verilerinin boyutunun indirgenmesi ve random survival forests (RSF) analizi kullanılarak performansların karşılaştırılması amaçlandı. Simülasyon uygulamasında çok değişkenli normal dağılımdan 100 birim için 5000 gen ve bu gen verisi ile ilişkili yaşam süresi verisi türetildi. Simülasyon aşaması 1000 tekrarlı olarak gerçekleştirildi. Ayrıca yaygın B-hücreli lenfoma (DLBCL) hastası 240 bireye ilişkin gen ekspresyon verileri kullanıldı. Önemli genlerin seçiminde Wald istatistiği kullanılarak boyut indirgemesi yapıldı. Yöntemlerden elde edilen yeni veri setleri RSF analizi kullanılarak analiz edildi. Simülasyon uygulamasında D-TBA ve D-YSA-TBAyöntemlerinin açıklayıcılıkları arasında anlamlı bir fark olduğu görülmüştür (p

Abstract

The aim of this study is dimension reduction of multidimensional gene expression data using supervisedprincipal component analysis (S-PCA) and –proposed as a new approach- supervised principal component analysiswith artificial neural networks (S-ANN-PCA) and to compare performances of these two methods by using randomsurvival forests (RSF). In simulation application 5000 genes were generated according to multivariate normaldistribution and then survival time that is correlated to these gene data were generated for 100 units. Simulation stepwas carried out with 1000 repetitions.In addition, gene expression data for 240 individuals with extensive B-cell lymphoma (DLBCL) were used.Dimension reduction was done using Wald statistic in selection of important genes. The new data sets obtained fromthe methods were analyzed using RSF analysis.In the simulation application, it was obtained that the explanatorinessof S-PCA was significantly different from S-ANN-PCA (p