Hyper-box enclosure method and its application to microarray analysis

Abstract

Veri madenciliği genetik, protein bilimi, evrim, sistem biyolojisi ve mikrodizi gibi birçokbiyobilisim alanında kullanılmaktadır. Son zamanlarda gelistirilen çok boyutlu kutu kapsamametodu sınıflandırma problemleri için oldukça etkili bir yöntemdir ve veri tipine göreparametre eniyilestirmesi gerektirmez. Bu tezin amacı çok boyutlu kutu kapsama yöntemininanlasılması, gelistirilmesi ve önemli bir biyobilisim problemi olan mikrodizi analizi içinkullanılmasıdır.Mikrodizi ölçümlerinden elde edilen verinin en önemli uygulaması tümör tiplerinin belirligenlere (bu genler farklı kanser tipleri için az ya da çok ifade edilebilir) göresınıflandırılmasıdır. Ancak mikrodizi analizi için kullanılan algoritmaların birçoğu veri tipinegöre daha yüksek doğruluk için eniyilestirme gerektirir. Ayrıca bu az ya da çok ifade edilmisgenler arasından optimum seti bulmak da kanser tiplerinin tespiti ve gelisimini takip etmekiçin kritiktir. Bu gereklilikler bağlamında, asgari sayıda gen kullanılarak bazı kanser tiplerininsınıflandırılması tamsayı karısık programlamaya dayalı çok boyutlu kutu kapsama yöntemi ileyapılmıstır. Kullanıcı dostu ve etkili bu yöntem klinik arastırmacılara bazı kanser tipleriningidisatını izlemesi için de yardımcı olabilir.

Data mining is an important tool employed in many bioinformatics domains includinggenomics, proteomics, evolution, systems biology, and microarray analysis. A recentlydeveloped classifier, hyper-box enclosure (HBE) algorithm is an efficient method forclassification problems, and it does not require parameter optimization depending on data typefor higher prediction accuracy. The goal of this thesis is to understand, improve HBEalgorithm, and apply it for microarray analysis which is an important bioinformatics problem.The most important use of data obtained from microarray measurements is theclassification of tumor types with respect to specific genes that are either up or downregulated in specific cancer types. However, almost all classification algorithms used inmicroarray analysis usually require optimization to obtain accurate results depending on thedata type. Additionally, it is highly critical to find an optimal set of markers among those upor down regulated genes that can be clinically utilized to build assays for the diagnosis or tofollow progression of specific cancer types. On the base of these necessities, we employ amixed integer programming based classification algorithm named hyper-box enclosuremethod (HBE) for the classification of some cancer types with a minimal set of predictorgenes. This method, a user friendly and efficient classifier, may also allow the clinicians todiagnose and follow progression of certain cancer types.