생물지리 기반 유전자 선택과 암 분류

초록

본 논문은 고차원 마이크로어레이 암 유전자 발현 데이터를 차원 축소와 분류 정확도 향상을 위해 두 가지 하이브리드 기법, Biogeography‑Based Optimization‑Random Forests(BBO‑RF)와 BBO‑SVM을 제안한다. 정보이득 기반 필터를 이용해 유전자 순위를 사전 계산하고, BBO 알고리즘이 서식지(population) 형태로 후보 유전자 집합을 진화시켜 최적의 서브셋을 탐색한다. 각 서브셋의 적합도는 SVM 혹은 Random Forests 분류기의 정확도로 평가한다. 세 개의 공개 암 데이터셋(KR 데이터와 libSVM)에서 실험한 결과, 제안 기법이 기존 방법들과 동등하거나 우수한 분류 성능을 보이며, 선택된 유전자 수가 적음에도 높은 정확도를 유지함을 확인하였다.

상세 요약

본 연구는 마이크로어레이 데이터의 고차원성(수천수만 개 유전자)과 샘플 수가 적은 특성(수십수백 개)으로 인한 과적합과 연산 비용 문제를 해결하고자, 진화적 메타휴리스틱인 Biogeography‑Based Optimization(BBO)을 특징 선택 단계에 도입하였다. BBO는 서식지(habitat)를 후보 유전자 집합으로 정의하고, 이주(migration)와 변이(mutation) 연산을 통해 서식지 간에 정보를 교환한다. 이때 이주율과 변이율은 각각의 서식지 적합도(분류 정확도)에 비례하도록 설계되어, 높은 적합도를 가진 서식지는 더 많은 유전자를 다른 서식지에 전달하고, 낮은 적합도는 변이를 통해 새로운 유전자 조합을 탐색한다.

유전자 순위는 정보이득(information gain) 필터를 사용해 사전 계산되었으며, 이는 각 유전자가 클래스 라벨을 구분하는 데 기여하는 정도를 정량화한다. 이 순위는 BBO 초기화 단계에서 높은 순위 유전자를 우선적으로 포함하도록 가중치를 부여함으로써 탐색 공간을 효율적으로 축소한다. 또한 변이 연산 시에도 순위가 낮은 유전자를 교체 대상으로 선택함으로써, 전역 최적해에 도달할 가능성을 높였다.

적합도 평가는 두 가지 분류기, Support Vector Machine(SVM)과 Random Forests(RF)를 각각 사용하였다. SVM은 RBF 커널을 적용해 비선형 경계 학습에 강점을 보이며, 하이퍼파라미터 C와 γ는 교차 검증을 통해 최적화하였다. RF는 다수의 결정 트리를 앙상블하여 변수 중요도를 자체적으로 추정하지만, 여기서는 외부 선택된 유전자 집합만을 입력으로 사용해 과적합을 방지하였다. 두 분류기의 정확도는 10‑fold 교차 검증을 통해 평균값을 구했으며, 이를 BBO의 적합도 함수로 활용하였다.

실험 데이터는 세 개의 공개 암 데이터셋(예: Leukemia, Colon Cancer, Prostate Cancer)으로, 각각 72, 62, 102개의 샘플과 7,12912,625개의 유전자를 포함한다. BBO‑RF와 BBO‑SVM은 각각 30세대까지 진화했으며, 인구 크기는 50으로 설정하였다. 결과는 선택된 유전자 수가 1030개 수준으로 크게 감소했음에도 불구하고, 기존 연구에서 보고된 95%~98% 수준의 정확도를 유지하거나 약간 상회하였다. 특히 BBO‑SVM은 작은 유전자 집합에서도 높은 마진을 확보해 안정적인 성능을 보였으며, BBO‑RF는 변수 중요도 해석에 유리한 특성을 제공하였다.

이러한 결과는 BBO가 전역 탐색 능력과 지역 탐색 능력을 균형 있게 제공함을 시사한다. 정보이득 기반 사전 순위와 결합된 BBO는 초기 탐색 효율성을 높이고, 변이 연산을 통해 지역 최적에 머무르는 위험을 완화한다. 또한, 두 분류기의 상이한 학습 메커니즘을 활용함으로써 선택된 유전자가 다양한 모델에 적용 가능함을 입증하였다. 향후 연구에서는 다중 목표 최적화(정확도와 모델 복잡도 동시 최적화)와 다른 메타휴리스틱(예: PSO, GA)과의 비교, 그리고 생물학적 의미 해석을 위한 경로 분석 등을 확대할 여지가 있다.