Karaciğer Mikroarray Kanser Verisinin Sınıflandırılması için Genetik Algoritma Kullanarak ANFIS’in eğitilmesi

Year 2017, Volume: 21 Issue: 1, 54 - 62, 01.02.2017

Bülent Haznedar Mustafa Turan Arslan Adem Kalınlı

https://doi.org/10.16984/saufenbilder.283823

Cited By: 6

Abstract

 Sınıflandırma,
verilerin analiz edilmesi için önemli bir veri madenciliği tekniği olup tıp,
genetik ve biyomedikal mühendisliği başta olmak üzere birçok alanda
kullanılmaktadır. Özelikle tıp alanında DNA mikroarray gen ekspresyon
verilerini sınıflandırmaya yönelik yapılan çalışmalarda artış görülmektedir.
Ancak, mikroarray gen ekspresyon (ifade) verilerinde bulunan gen sayılarının
çokluğu ve bu veriler arasında çoğunlukla doğrusal olmayan ilişkiler bulunması
gibi nedenlerden dolayı geleneksel sınıflandırma algoritmalarının başarımları
sınırlı kalabilmektedir. Bu sebeplerden dolayı son yıllarda sınıflandırma
probleminin çözümü için yapay zekâ tekniklerine dayalı sınıflandırma
yöntemlerine olan ilgi giderek artmaya başlamıştır. Bu çalışmada, karaciğer
mikroarray kanser veri setinin sınıflandırılması için Adaptif Ağ Tabanlı
Bulanık Mantık Çıkarım Sistemi (ANFIS) ve Genetik Algoritmaya (GA) dayalı
hibrid bir yaklaşım önerilmiştir. Simülasyon sonuçları, diğer bazı yöntemlere
ait sonuçlarla karşılaştırılmıştır. Elde edilen sonuçlardan, önerilen yöntemin
diğer yöntemlere göre daha başarılı olduğu görülmüştür.

Keywords

Neuro-fuzzy, ANFIS, genetik algoritma, sınıflandırma, mikroarray gen ifade

Training ANFIS structure using genetic algorithm for liver cancer classification based on microarray gene expression data

Abstract

Classification is an important data mining technique, which is used in many fields mostly exemplified as medicine,
genetics and biomedical engineering. The number of studies about classification of the datum on DNA microarray
gene expression is specifically increased in recent years. However, because of the reasons as the abundance of gene
numbers in the datum as microarray gene expressions and the nonlinear relations mostly across those datum, the
success of conventional classification algorithms can be limited. Because of these reasons, the interest on classification
methods which are based on artificial intelligence to solve the problem on classification has been gradually increased
in recent times. In this study, a hybrid approach which is based on Adaptive Neuro-Fuzzy Inference System (ANFIS)
and Genetic Algorithm (GA) are suggested in order to classify liver microarray cancer data set. Simulation results are
compared with the results of other methods. According to the results obtained, it is seen that the recommended method
is better than the other methods.

Keywords

Neuro-fuzzy, ANFIS, genetic algorithm, classification, microarray gene expression

References

• 1. S. G. Özcan, “Bütünleştirici Modül Ağlarıyla Gen Düzenleme Analizi”, Başkent Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, Ankara, 62 s, 2014.
• 2. H. Ü. Lüleyap, “Moleküler Genetiğin Esasları”, Nobel Kitabevi, 437 s, 2008.
• 3. S. H. Bal, F. Budak, “Mikroarray teknolojisi”, Uludağ Üniversitesi Tıp Fakültesi Dergisi, vol. 38, no. 3, pp. 227-233, 2012.
• 4. D. F. Atat, U. Supplement, E. K. Derleme, M. Kodu, and K. Tarihi, “Mikroarray Teknolojisi ve Diş Hekimliği’nde Kullanımı Dt. Özge ŞİMŞEK*,” pp. 55–62, 2012.
• 5. Shakya, K., Ruskin, H. J., Kerr, G., Crane, M., Becker, J., “Comparison of microarray preprocessing methods”, In Advances in Computational Biology, Springer New York, pp. 139-147, 2010.
• 6. İpekdal, K., Microarray teknolojisi. (Web sayfası: http:// yunus.hacettepe.edu.tr /~mergen/sunu/s_mikroarrayandecology.pdf) (Erişim Tarihi: Nisan 2015)
• 7. H. Liu, I. Bebu, and X. Li, “Microarray probes and probe sets.,” Front. Biosci. (Elite Ed)., vol. 2, pp. 325–38, 2010.
• 8. M. Pirooznia, J. Y. Yang, M. Q. M. Yang, and Y. Deng, “A comparative study of different machine learning methods on microarray gene expression data.,” BMC Genomics, vol. 9 Suppl 1, p. S13, 2008.
• 9. C. Loganathan and D. Ph, “Cancer Classification using Adaptive Neuro Fuzzy Inference System with Runge Kutta Learning,” vol. 79, no. October, pp. 46–50, 2013.
• 10. K. Anandakumar and M. P. -, “Efficient Cancer Classification using Fast Adaptive Neuro-Fuzzy Inference System (FANFIS) based on Statistical Techniques,” Int. J. Adv. Comput. Sci. Appl., vol. 1, no. 3, pp. 132–137, 2011.
• 11. D. Simon, “Training fuzzy systems with the extended Kalman filter,” Fuzzy Sets Syst., vol. 132, no. 2, pp. 189–199, 2002.
• 12. M. a. Hall and L. a. Smith, “Practical feature subset selection for machine learning,” Comput. Sci., vol. 98, pp. 181–191, 1998.
• 13. Jang, J. S. R., “ANFIS: Adaptive network-based fuzzy inference systems”, IEEE Trans. Syst., Man. and Cybern, Cilt 23, 665-685, 1993.
• 14. D. Karaboga, E. Kaya, Training ANFIS using artificial bee colony algorithm for nonlinear dynamic system identification, in: IEEE 22nd Signal Processing and Communications Applications Conference (SIU), 2014, pp. 493-496.
• 15. Uzundurukan, S., Zeminlerin Şişme Özelliklerine Etkiyen Temel Parametrelerin Belirlenmesi ve Modellenmesi, Doktora Tezi, İnşaat Mühendisliği Anabilim Dalı, Isparta, 2006.
• 16. Jang, J. S. R., Sun, C. T., “Neuro-Fuzzy Modeling and Control”, proceedings of the IEEE, Cilt 83, 3, 1995.
• 17. M. Mitchell, “An Introduction to Genetic Algorithms”, MIT Press, 1998.
• 18. Mustafa M. Kevran, “Çoklu Sensör Konumlandırma Probleminin Genetik Algoritmalar ile Çözümü”, Havacılık ve Uzay Teknolojileri Enstitüsü, Yüksek Lisans Tezi, İstanbul, 124 s, 2009.
• 19. İnternet: Rutgers Üniversitesi Biyoinformatik Laboratuvarı http://bioinformatics.rutgers.edu/
• 20. Chen, Xin, et al., “Gene expression patterns in human liver cancers”. Molecular biology of the cell, vol. 13, no. 6, pp. 1929-1939, 2002.
• 21. İnternet: Karaciğer Kanseri Veri Seti (Chen-2002), http://bioinformatics.rutgers.edu/Static/Supplements/CompCancer/CDNA/chen-2002/chen-2002_database.txt