Modification of the Fast Global K-means Using a Fuzzy Relation with Application in Microarray Data Analysis

تعيين ژن هايي كه در نمونه هاي مختلف داراي بيان افتراقي هستند، مي تواند در جلوگيري، تشخيص و درمان بيماري ها در سطح ژني مفيد واقع شود. در اين مقاله، الگوريتمGlobal k-means (GKM) سريع، براي خوشه بندي داده هاي بيان ژني بهبود داده مي شود. خوشه بندي GKM سريع يكي از نسخه هاي بهبوديافته ي خوشه بندي k-means است. در اين الگوريتم تكرار شونده در گام اول يك خوشه تعريف، و در هر گام بعدي يك خوشه اضافه مي شود. در هر گام براي انتخاب مركز خوشه ي بعدي تمام نمونه هاي فضاي داده ها بررسي مي شوند. در نتيجه، اين الگوريتم پاسخي نزديك به پاسخ بهينه ي كلي به دست مي دهد. در بحث خوشه-بندي ژن ها، ژن هايي كه در ميان نمونه هاي بيمار و سالم و يا نمونه هاي با انواع مختلف يك بيماري، داراي سطوح بيان افتراقي قابل توجهي هستند، داراي اهميت مي باشند. با توجه به اين موضوع، در اين نوشته جهت بهبود خوشه بندي GKM سريع، يك رابطه ي آنتروپي فازي استفاده مي شود. با اين روش قدرت خوشه بندي GKM سريع در جهت كاربرد مزبور، برنامه-ريزي و هدايت مي شود. به منظور نشان دادن نتايج، سه مجموعه داده ي بيان ژن سرطان خون، پروستات و كولن مورد استفاده قرار مي گيرند. بهبود دقت و پايداري روش پيشنهادي، براساس نتايج طبقه بندي با سه روش متداول SVM، Naïve Bayesian و KNN نسبت به روش-هاي مشابه پيشين، قابل توجه مي باشد.

Recognizing genes with distinctive expression levels can help in prevention, diagnosis and treatment of the diseases at the genomic level. In this paper, fast Global k-means (fast GKM) is developed for clustering the gene expression datasets. Fast GKM is a significant improvement of the k-means clustering method. It is an incremental clustering method which starts with one cluster. Iteratively new clusters are added. Since in each epoch, all data points are examined for the next cluster center, it is believed that fast GKM attains a near global solution. In the gene expression clustering problem, genes with significant differential expression levels, across the output disease classes, are important for the accurate classification of samples. Thus, a fuzzy entropy measure which is designated based on maximum within class and minimum between class relevance is exerted in to the search procedure of the fast GKM. As a result, the search procedure of the proposed method is conducted in such a way to provide clusters which assembles the most discriminative genes closer to their centers. Therefore, capacity of the fast GKM which is its ability to find global clusters is managed in a profitable way. To demonstrate the usefulness of the proposed method, three published microarray datasets are used: Leukemia, Prostate, and Colon. Classification results are found robust and accurate using three public classification methods: K-NN, SVM, and Naïve Bayesian.