Mikrodizi veri kümesindeki ALL, AML ve MLL lösemi türlerine ilişkin gen anomalilerinin LSTM sinir ağı ile sınıflandırılması

Year 2023, Volume: 38 Issue: 3, 1299 - 1306, 06.01.2023

Fatma Akalın Nejat Yumuşak

https://doi.org/10.17341/gazimmfd.1064693

Abstract

Kromozomlarda gerçekleşen parça değişimleri lösemilerin ortaya çıkmasında etkisi olan genetik faktörlerdir. Bu faktörler vasıtasıyla genler üzerinde oluşan değişiklikler lösemilerin türlere ayrılmasında önemli bir rol oynamaktadır. Öte yandan genetik değişikliklerin olduğu kısımlar, kanserin prognozu açısından da tespit edilmesi ve sınıflandırılması gereken kritik bölgelerdir. Bölgelerin net bir şekilde aydınlatılabilmesi hem doğru teşhis hem de uygulanılacak tedavi planı açısından öne çıkan hayati konulardır. Bu doğrultuda gerçekleştirilen çalışmada mikroarray veri kümesi kullanılarak ALL, AML ve MLL lösemi türlerinin doğru ve verimli bir şekilde ayırt edilebilmesi hedeflenmiştir. İlk olarak çok boyutlu bir yapıya sahip olan mikrodizi veri kümesi üzerindeki hesaplama maliyetini düşürmek ve hızlı bir şekilde en doğru sonuca ulaşmak amacıyla balina optimizasyon algoritması kullanılmıştır. Verisetine uygulanılan balina optimizasyon algoritması sayesinde hastalıkla ilişkili olan potansiyel genler seçilmiştir. Ardından seçilen bu özel genler LSTM sinir ağı mimarisi ile sınıflandırılmıştır. Basit bir hiyerarşi ve düşük hesaplama karmaşıklığını sunan mevcut yaklaşım üzerinde gerçekleştirilen sınıflandırma sonucunda %100 oranında bir başarı elde edilmiştir.

Keywords

Mikroarray veri kümesi, Balina optimizasyon algoritması, LSTM sinir ağı

References

• [1] Yakut T. and Gülten T., Çocukluk çağı Lösemilerindeki Genetik Değişiklikler ve Klinik Önemi, Uludağ üniviersitesi Tıp Fakültesi Dergisi, 31(1), 57–62, 2005.
• [2] Korkmazer M.E., Akut myeloid lösemi hastalarında BAP1 ve ANAPC7 gen ekspresyonlarının araştırılması, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, 2014.
• [3] Slany R. K., The molecular biology of mixed lineage leukemia, Haematologica, 94(7), 984–993, 2009, doi: 10.3324/haematol.2008.002436.
• [4] Winters A. C. and Bernt K. M., MLL-rearranged leukemias- An update on science and clinical approaches, Frontiers in Pediatrics, 5, 11–13, 2017, doi: 10.3389/fped.2017.00004.
• [5] Slany R. K. The molecular mechanics of mixed lineage leukemia, Oncogene, 35(40), 5215–5223, 2016, doi: 10.1038/onc.2016.30.
• [6] Zhang L., Qian L., Ding C., Zhou W., and Li F., Similarity-balanced discriminant neighbor embedding and its application to cancer classification based on gene expression data, Computers in Biology and Medicine, 64, 236–245, 2015, doi: 10.1016/j.compbiomed.2015.07.008.
• [7] Alshamlan H. M., Badr G. H., and Alohali Y. A., Genetic Bee Colony (GBC) algorithm: A new gene selection method for microarray cancer classification, Computational Biology and Chemistry, 56, 49–60, 2015, doi: 10.1016/j.compbiolchem.2015.03.001.
• [8] Khorshed T., Moustafa M. N., and Rafea A., Learning Visualizing Genomic Signatures of Cancer Tumors using Deep Neural Networks, Proceedings of the International Joint Conference on Neural Networks, 2020, doi: 10.1109/IJCNN48605.2020.9207368.
• [9] Xu R., Anagnostopoulos G. C., and Wunsch D. C., Multiclass cancer classification using semisupervised ellipsoid ARTMAP and particle swarm optimization with gene expression data, IEEE/ACM Transactions on Computational Biology and Bioinformatics, 4(1), 65–77, 2007, doi: 10.1109/TCBB.2007.1009.
• [10] Panda M., Elephant search optimization combined with deep neural network for microarray data analysis, Journal of King Saud University - Computer and Information Sciences, 32(8), 940–948, 2020, doi: 10.1016/j.jksuci.2017.12.002.
• [11] Kar S., Sharma K.D., and Maitra M., Gene selection from microarray gene expression data for classification of cancer subgroups employing PSO and adaptive K-nearest neighborhood technique, Expert Systems with Applications., 42(1), 612–627, 2015, doi: 10.1016/j.eswa.2014.08.014.
• [12] Tong D. L. and Schierz A. C., Hybrid genetic algorithm-neural network: Feature extraction for unpreprocessed microarray data, Artificial Intelligence in Medicine, 53(1), 47–56, 2011, doi: 10.1016/j.artmed.2011.06.008.
• [13] Babu P.S.A., Annavarapu C.S.R., and Dara S., Clustering-based hybrid feature selection approach for high dimensional microarray data, Chemometrics and Intelligent Laboratory Systems, 213, 2021, doi: 10.1016/j.chemolab.2021.104305.
• [14] Maulik U., Mukhopadhyay A., and Chakraborty D., Gene-expression-based cancer subtypes prediction through feature selection and transductive SVM, IEEE Transactions on Biomedical Engineering, 60(4), 1111–1117, 2013, doi: 10.1109/TBME.2012.2225622.
• [15] De Campos L. M., Cano A., Castellano J. G., and Moral S., Bayesian networks classifiers for gene-expression data, International Conference on Intelligent Systems Design and Applications, ISDA, 1200–1206, 2011, doi: 10.1109/ISDA.2011.6121822.
• [16] Vafaee Sharbaf F., Mosafer S., and Moattar M. H., A hybrid gene selection approach for microarray data classification using cellular learning automata and ant colony optimization, Genomics, 107(6), 231–238, 2016, doi: 10.1016/j.ygeno.2016.05.001.
• [17] Ghosh M., Begum S., Sarkar R., Chakraborty D., and Maulik U., Recursive Memetic Algorithm for gene selection in microarray data, Expert Systems with Applications, 116, 172–185, 2019, doi: 10.1016/j.eswa.2018.06.057.
• [18] Potharaju S. P. and Sreedevi M., Distributed feature selection (DFS) strategy for microarray gene expression data to improve the classification performance, Clinical Epidemiology and Global Health, 7(2), 171–176, 2019, doi: 10.1016/j.cegh.2018.04.001.
• [19] Chakraborty D. and Maulik U., Identifying Cancer Biomarkers from Microarray Data Using Feature Selection and Semisupervised Learning, IEEE Journal of Translational Engineering in Health and Medicine, 2, 1–11, 2014, doi: 10.1109/JTEHM.2014.2375820.
• [20] https://file.biolab.si/biolab/supp/bi-cancer/projections/.
• [21] Rana N., Latiff M. S. A., Abdulhamid S. M., and Chiroma H., Whale optimization algorithm: a systematic review of contemporary applications, modifications and developments, Neural Computing and Applications, 32(20), 2020.
• [22] Canayaz M., Demir M., B Balina Optimizasyon Algoritması ve Yapay Sinir Ağı ile Öznitelik Seçimi, IEEE Xplore, 2017
• [23] Mirjalili S. and Lewis A., The Whale Optimization Algorithm, Advances in Engineering Software, 95, 51–67, 2016, doi: 10.1016/j.advengsoft.2016.01.008.
• [24] Sak H., Senior A., and Beaufays F., Long Short-Term Memory Based Recurrent Neural Network Architectures for Large Vocabulary Speech Recognition, 2014, [Online]. Available: http://arxiv.org/abs/1402.1128.