Sítí příznaků regularizovaný SVM klasifikátor pro omická data

Abstract

Termín ómika se vztahuje ke genomice, proteomice či k metabolomice, což jsou obory, které generují velké množství dat doplněných komplexními znalostmi funkcí genů, proteinů a jiných molekulárních entit, včetně jejich vzájemných interakcí. Pro analyzování ómických dat může být použito více klasifikačních algoritmů, nicméně jen několik z těchto algoritmů je dostatečně kvalitních v ohledu přesnosti, stability, interpretability a efektivnosti. SVM algoritmus se s dostatečnou mírou přesnosti, stability a odolnosti dokáže vyrovnat s často zmiňovanou charakteristikou ómických dat, která se vyznačuje malých počtem vzorků v porovnání s počtem příznaků. V této práci je zvažováno několik způsobů regularizace SVM algoritmu, od kterých se očekává navýšení přesnosti a interpretability. Vstup do SVM algoritmu je obohacen apriorními znalostmi interakcí příznaků, s předpokladem, že tyto interakce reflektují skutečné interakce unvitř organismů. Klasifikátor následně aplikuje odlišná ohodnocení pro přímo interagující příznaky. SVM je navíc regularizováno výrazem, který upravuje řídkost modelu. Výsledná regularizovaná forma se nazývá Sparse network-constrained L2-norm SVM. Prezentované výsledky takového klasifikátoru prokazují ohromné zlepšení intepretability klasifikátoru za přiměřeného poklesu přesnosti.

The term omics refers to genomics, proteomics or metalobomics that generate large amounts of measurements complemented by complex knowledge of functioning of genes, proteins and other molecular entities including their mutual interactions. There are many classification algorithms which can be used to analyze omics data. However, not many algorithms provide required qualities such as accuracy, stability, interpretability and efficiency. SVM algorithm shows accuracy, stability and robustness to cope with the frequent characteristic of omics data, a small number of samples compared to the number of features. In this thesis, several ways of regularizing the SVM algorithm are considered. They are expected to improve its interpretability and accuracy. The traditional SVM input gets supplemented by the prior knowledge of feature interactions expected to mirror the true interactions inside organisms. The classifier obtains penalty for assigning different weights to directly interacting features. Furthermore, SVM is regularized by the sparsity term. The final regularized form is called Sparse network-constrained L2-norm SVM. The presented results demonstrate its great improvement in terms of classifier interpretability while only moderately decreasing its accuracy.