Decision Tree Classifiers in Bioinformatics

Decision Tree Classifiers in Bioinformatics This paper presents a literature review of articles related to the use of decision tree classifiers in gene microarray data analysis published in the last ten years. The main focus is on researches solving the cancer classification problem using single decision tree classifiers (algorithms C4.5 and CART) and decision tree forests (e.g. random forests) showing strengths and weaknesses of the proposed methodologies when compared to other popular classification methods. The article also touches the use of decision tree classifiers in gene selection. Lēmumu koku klasifikatori bioinformātikā Rakstā piedāvāts literatūras apskats, analizējot zinātniskos rakstus, kas apskata klasifikācijas koku un to ansambļu metožu izmantošanu klasifikācijas uzdevuma risināšanai bioinformātikā. Apskatīts vēža klasifikācijas uzdevums, kurā nosaka vēža tipu vai pacienta diagnozi (slims vai vesels) pēc gēnu ekspresijas datiem (mikrorežga formāta dati). Apskatīti vairāki raksti, kas analizē dažādu klasifikācijas metožu pielietošanas iespējas šādu bioinformātikas uzdevumu risināšanā un salīdzina to veiktspēju, izmantojot dažādas datu kopas un pirmapstrādes pieejas. Klasifikatoru salīdzināšanā ņemts vērā arī īpatnējais datu raksturs - dati satur vairākus tūkstošus atribūtu (gēnu) un salīdzinoši maz ierakstu (daži desmiti vai simti), kas apgrūtina klasisko datu ieguves metožu darbību. Apskatītajos rakstos aprakstītās lēmumu koku metodes šajā rakstā tiek salīdzinātas pēc to efektivitātes (klasifikācijas kļūda/precizitāte), kas uzrādīta vairākās populārās gēnu mikrorežga datu kopās (leikēmijas, limfomas u.c. datu kopas). Rakstā arī apskatītas uz lēmumu koku izmantošanu balstītas metodes, kas izmantotas gēnu atlasei. Šādas metodes ir, piemēram, gēnu lietderības noteikšana pēc lēmumu koku klasifikatoru konstruēšanā izmantotās atribūtu informatīvuma novērtēšanas pieejas (Information Gain u.c.) un gadījuma lēmumu koku mežu generēšana, nosakot visbiežāk izmantotos gēnus, kas tiek atlasīti tālākajam darbam. Kopumā lēmumu koku klasifikatoru veiktspēja ir līdzvērtīga vai pārspēj citas klasiskās metodes, veicot pareizu datu pirmapstrādi. Lēmumu koku klasifikatoru ansambļu veiktspēja lielākoties pārspēj vienkāršu lēmumu koku klasifikatoru veiktspēju, ņemot vērā šādu klasifikatoru nestabilitāti. Lēmumu koku priekšrocība ir arī to vieglā interpretējamība un to spēja atklāt sakarības datos, kas var palīdzēt atklāt gēnu lomu slimības diagnostikā un ārstēšanā. Деревья решений в биоинформатике В статье предложен обзор литературы, анализ научных статей, которые рассматривают применение методов деревьев решений и их ансамблей для решения задач классификации в биоинформатике. Рассматривается задача классификации рака, которая определяет тип рака или диагноз пациента (больной или здоровый) по данным экспрессии генов (данные формата микрочипов). Рассматриваются статьи, в которых анализируются возможности применения различных методов классификации в области биоинформатики при решении подобных задач и сравнивается их производительность с помощью различных наборов данных и подходов предобработки. При сравнении классификаторов также принимается во внимание особый характер данных - данные содержат несколько тысяч признаков (генов) и относительно небольшое число записей (несколько десятков или сотен), что осложняет работу классических методов добычи данных. Методы деревьев решений, рассматриваемые в статьях, сравниваются в данной статье по их эффективности (ошибка /точность классификации), показанной в экспериментах с популярными наборами данных генных микрочипов (наборами данных о лейкемии, лимфоме и другими). В статье также обсуждается использование методов на основе деревьев решений для отбора генов. Такие методы включают в себя, например, использование подходов к оценке информативности атрибутов (Information Gain и т. д.), которые используются при построении классификаторов деревьев решений, и генерацию случайных лесов деревьев решений для определения наиболее часто используемых генов, которые отбираются для дальнейшей работы. В целом, классификаторы деревьев решений по производительности равны или превосходят другие традиционные методы, производя правильную предварительную обработку данных. Ансамбли классификаторов деревьев решений в значительной степени превосходят простые классификаторы деревьев решений по производительности с учетом нестабильности классификаторов. Преимущество методов деревьев решений заключается в том, что их легко интерпретировать, и они способны обнаруживать взаимосвязи в данных, которые могут помочь определить роль гена в диагностике и лечении заболеваний.