Uso de Critérios Multiobjetivo Baseados em Enxames na Escolha dos Melhores Métodos para Seleção de Atributos em Microarranjos Gênicos

• Rodolfo Garcia PUCPR
• Júlio Cesar Nievola PUCPR

Resumo

A técnica de microarranjo é responsável pela extração de informação sobre a expressão de grande quantidade de genes. Sabendo-se que poucos são os genes que fazem parte da ativação ou inibição de uma característica, este trabalho objetiva avaliar métodos para selecionar os atributos mais relevantes em bases de dados obtidas pela técnica de microarranjo. Os critérios utilizados para medir a qualidade de cada método de seleção caracterizam um problema multiobjetivo e uma proposta técnica baseada em enxames, o MOPSO, avalia os métodos e define satisfatoriamente as melhores soluções, facilitando a análise de bases de dados contendo expressões gênicas.

Referências

Azofra, A.A., Sanchez, J.M.B e Peña J.L.C. (2003) "C-FOCUS: A continuous Extension of FOCUS", Advances in Soft Computing - Engineering, Design and Manufacturing, p. 225-232.

Berkhin, P. (2002) "Survey of clustering data mining techniques", Technical report, Accrue Software, EUA.

Borges, H.B. (2006) "Redução de Dimensionalidade em Bases de Dados de Expressão Gênica", Dissertação de Mestrado, PPGIa-PUCPR.

Carvalho, A.B. e Pozo, A.T.R. (2009) "Otimização por Nuvem de Partículas Multiobjetivo na Aprendizagem Indutiva de Regras: Extensões e Aplicações", Dissertação de mestrado, Universidade Federal do Paraná.

Chuang, L.Y., Chang, H.W., Tu, C.J. e Yang, C.H. (2008), Computational Biology and Chemistry, Elsevier, vol. 32, p. 29-38.

Coello, C.A., Lamont, G.B. e Veldhuizen, D.A.V. (2007), Evolutionary Algorithms for Solving Multi-Objective Problems, segunda edição, Springer-Verlag.

Dash, M., Choi, K., Scheuermann, P. e Liu, H. (2002) "Feature Selection for Clustering – A Filter Solution", Em: 2nd International Conference on Data Mining, p. 115-122.

Dy, J. (2008) "Unsupervised Feature Selection", Computational Methods of Feature Selection, Editado por Huan Liu e Hiroshi Motoda, Chapman & Hall/CRC, p. 19-39.

D’Haeseleer, P. (2005) "How Does Gene Expression Clustering Work?", Nature Biotechnology, vol. 23, no. 12, p. 1499-1501.

Eberhart, R.C. e Shi, Y. (2001) "Particle Swarm Optimization: Developments, Applications and resources", Em: IEEE International Conference Evolutionary Computation, vol. 1, p. 81-86.

Faceli, K., Caravalho, A. e Souto, M. (2005) "Validação de Algoritmos de Agrupamento", Relatórios Técnicos do ICMC.

Handl, J. e Knowles, J. (2007) "An Evolutionary Approach to Multiobjective Clustering", Em: IEEE/ACM Transactions on Evolutionary Computation, vol. 11, no. 1, p. 56-76.

Kennedy, J. e Eberhart, R.C. (1995) "Particle Swarm Optimization", Em: IEEE International Conference on Neural Networks, p. 1942-1948, IEEE Press.

Kohavi, R. e John, G.H. (1997) "Wrappers for Feature Subset Selection", Artificial Intelligence, p. 273-324.

Kononenko, I. e Sikonja, M.R. (2008) "Non-Myopic Feature Quality Evaluation with (R)ReliefF", Computational Methods of Feature Selection, Editado por Huan Liu e Hiroshi Motoda, Chapman & Hall/CRC, p. 169-191.

Mostaghim, S. e Teich, J. (2003) "Strategies for finding good local guides in multiobjective particle swarm optimization (MOPSO)", Em: IEEE Swarm Intelligence Symposium, p. 26-33.

NIH- National Institutes of Health (2001) "Genetic Basic", [link], acessado em 07 de Abril de 2011.

Sierra, M.R. e Coello, C.A.C. (2006) "Multi-objective Particle Swarm Optimizers: A Survey of The State-of-the-art", Em: International Journal of computational Intelligence Research, vol. 2.

Suresh, K., Kundu, D., Ghosh, S. e Das S. (2009) "Data Clustering Using Multiobjective Differential Evolution Algorithm", Fundamenta Informaticae, vol. 21, IOS Press, p. 1001-1024.

Xu, R. e Wunsch, D. (2005) "Survey of Clustering Algorithms", Em: IEEE Transactions on Neural Networks, vol. 16, no. 3.

Yu, L. e Liu, H. (2004) "Redundancy Based Feature Selection for Microarray Data", Em: 10th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.