| |
 |
|
|
 |
| |
マイクロアレイデータのノイズに対する典型的なアプローチはノイズを除去することですが，もう一つの考え方があります．それは，ノイズを除去する代わりにノイズに強い距離関数を作ることです．マイクロアレイデータはしばしばSVMなどで有名なカーネル法で解析されることが多いのですが，本研究で考案した距離関数は，データをカーネル行列で表現するための数学的性質「条件付負定性」を満たしていません．そこで，エントロピー最大化法を導入して，距離行列からカーネル行列に変換することを試みました．その結果，既存のノイズ除去法より，申請者の開発した方法のほうがマイクロアレイデータを高精度に分類できることを確認しました． |
|
| |
 |
|
| |
図 本研究で用いたエントロピー最大化法は概念的には次のように説明できます．(a)のように与えられた距離行列があったとします．(b)この距離行列からカーネル行列を作るために，各サンプルどうしをそれらの距離の長さでつないだ紐のモデルを考えます．(c)これらの紐でつながれた状態でサンプル間が最大に離れるように引っ張り，その状態でのサンプル間の内積からカーネル行列を作ります． |
|
| |
|
|
| |
文献 |
|
| |
[6] Tsuyoshi Kato, Wataru Fujibuchi, Kiyoshi Asai:
Learning Kernels from Distance Constraints,
IPSJ Journal, Vol.47 No.SIG10, pp.1--11, July, 2006. |
|
| |
[7] Tsuyoshi Kato, Wataru Fujibuchi, Kiyoshi Asai:
Kernels for Noisy Microarray Data,
Meeting on Image Recognition and Understanding 2006 |
|
| |
[8] Wataru Fujibuchi* and Tsuyoshi Kato*:
Classification of Heterogeneous Microarray Data by Maximum Entropy Kernel,
BMC Bioinformatics, 8:267, July 2007, (*These authors contributed equally.) [pdf][suppl][software] |
|
|
|
|
|
