KR100963764B1

KR100963764B1 - 바이클러스터링 방법 및 장치

Info

Publication number: KR100963764B1
Application number: KR1020080017979A
Authority: KR
Inventors: 박상현; 안재균; 윤영미
Original assignee: 연세대학교 산학협력단
Priority date: 2008-02-27
Filing date: 2008-02-27
Publication date: 2010-06-14
Also published as: KR20090092634A

Abstract

본 명세서는, 바이클러스터링 방법 및 장치가 개시된다. 바이클러스터링 방법은 입력장치로부터 마이크로어레이 행렬 데이터를 입력받는 단계 및 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 단계를 포함한다.

바이클러스터링, 바이클러스터, RN클러스터링, RN클러스터, 범위 계산, 우선 순위 큐

Description

바이클러스터링 방법 및 장치{METHOD AND APPARATUS OF BICLUSTERING}

본 발명은, 바이클러스터링 방법 및 장치에 관한 것으로 특히, RN클러스터를 생성하기 위한 바이클러스터링 방법 및 장치에 관한 것이다.

바이클러스터링은 마이크로어레이 행렬 데이터에서 서로 간에 밀접한 상관관계를 갖는 유전자의 집합과, 이 유전자 집합의 기능이 발현되는 샘플 집합으로써 구성되는 부분 행렬을 찾아내는 데이터 마이닝 기법을 통칭하며, 이러한 부분 행렬을 바이클러스터라 한다.

또한, 마이크로어레이 행렬 데이터를 구성하는 모든 유전자가 특정한 세포 프로세스에 참여하는 것은 아니며, 모든 샘플에서 이 특정한 세포 프로세스를 관찰할 수 있는 것도 아니다. 따라서 유전자의 부분 집합이 특정한 실험적 조건 집합 하에서 상관관계를 가진다고 기대할 수 있고, 상기 바이클러스터링은 상관관계를 갖는 유전자의 집합을 찾고, 나아가 유전자 제어 네트워크(gene regulatory network)를 밝히는 역할을 할 수 있다.

종래 바이클러스터링 방법은 NP-Hard(Non-deterministic Polynomial-time Hard)임이 증명되어 휴리스틱한 방법이나 확률 통계적 접근 방식에 의하여 수행되 어 왔다. 따라서, 각각의 바이클러스터링 방법의 장단점은 모두 다르고 각각의 바이클러스터링이 밝혀낼 수 있는 패턴 역시 다양할 수 있다. 다만, 종래의 바이클러스터링 방법은 대체적으로 의미 있는 패턴을 찾기에 충분하지 못한 노이즈 레벨을 허용하고, 큰 마이크로어레이 데이터에 대해서 지수적인 시간 복잡도를 가지고, 마이크로어레이 데이터에 숨겨진 바이클러스터 중 극히 일부분만을 찾아내거나, 중복의 정도가 매우 큰 다수의 바이클러스터를 찾아내는 단점을 가지게 된다.

따라서, 기능적으로 상관관계가 높은 유전자 집합으로 이루어진 바이클러스터를 도출할 수 있는 바이클러스터링 방법을 찾아야 할 것이다.

본 발명은 노이즈 레벨에 대해 견고한 특성을 가지는 바이클러스터링 방법을 제공한다.

본 발명은 다수의 오버래핑이 가능하고 다양성이 보장되는 유전자 집합을 찾아내는 바이클러스터링 방법을 제공한다.

본 발명은 양의 상관관계를 갖는 유전자 집합과 음의 상관관계를 갖는 유전자 집합을 동시에 찾아내는 바이클러스터링 방법을 제공한다.

본 발명은 기능적 상관관계의 정도가 매우 높은 바이클러스터를 찾아내는 바이클러스터링 방법을 제공한다.

본 발명의 일실시예에 따른 바이클러스터링 방법은 입력장치로부터 마이크로어레이 행렬 데이터를 입력받는 단계 및 상기 마이크로어레이 행렬 데이터로부터 상기 마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 단계를 포함한다.

본 발명의 일측에 따르면, 마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 상기 단계는 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 단계를 포함한다.

또한, 본 발명의 일측에 따르면, p레벨-RN클러스터를 기반으로 p+1레벨-RN클 러스터를 도출하는 상기 단계는 p레벨-RN클러스터를 구성하는 상기 유전자 집합 내 모든 유전자에 대해서 발현값 차이 비율을 결정하는 단계 및 상기 발현값 차이 비율을 이용하여 p+1레벨-RN클러스터를 도출하는 단계를 포함한다.

또한, 본 발명의 일측에 따르면, 마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 상기 단계는, 상기 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 단계, 상기 도출된 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 단계 또는 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행하는 단계 중 적어도 하나를 더 포함한다.

또한, 본 발명의 일실시예에 따른 바이클러스터링 방법은 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제1 p레벨-RN클러스터로부터 적어도 하나의 제1 p+1레벨-RN클러스터를 도출하는 단계, 상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제2 p레벨-RN클러스터로부터 적어도 하나의 제2 p+1레벨-RN클러스터를 도출하는 단계 및 상기 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 단계를 포함한다.

본 발명의 일실시예에 따른 바이클러스터링 장치는 입력장치로부터 마이크로어레이 행렬 데이터를 입력받는 입력모듈 및 상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 도출모듈을 포함한다.

본 발명은 노이즈 레벨에 대해 견고한 특성을 가질 수 있는 바이클러스터링 방법을 제공할 수 있다.

본 발명은 다수의 오버래핑이 가능하고 다양성이 보장될 수 있는 유전자 집합을 찾아내는 바이클러스터링 방법을 제공할 수 있다.

본 발명은 양의 상관관계를 갖는 유전자 집합과 음의 상관관계를 갖는 유전자 집합을 동시에 찾아낼 수 있는 바이클러스터링 방법을 제공할 수 있다.

본 발명은 기능적 상관관계의 정도가 매우 높은 바이클러스터를 찾아낼 수 있는 바이클러스터링 방법을 제공할 수 있다.

이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하지만, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.

도 1은 본 발명의 일실시예에 따른 바이클러스터링 방법을 나타낸 동작 흐름도이다.

도 1에 도시된 바와 같이 바이클러스터링 방법은 단계(S101) 내지 단계(S102)로 수행될 수 있다. 또한, 바이클러스터링 방법은 바이클러스터링 장치에 의하여 수행될 수 있다.

단계(S101)에서 바이클러스터링 장치는 입력장치로부터 마이크로어레이 행렬 데이터를 입력받을 수 있다.

상기 마이크로어레이 행렬 데이터는 유전자 집합 및 샘플 집합으로 구성된 행렬 데이터일 수 있다. 이 때, 상기 샘플은 특정한 실험 조건을 의미할 수 있다. 예를 들어, 상기 샘플은 시간, 온도 또는 환경 조건일 수 있다.

또한, 상기 입력장치는 상기 마이크로어레이 행렬 데이터를 입력하기 위한 소정의 입출력 인터페이스일 수 있다. 또한, 상기 입력장치는 상기 마이크로어레이 행렬 데이터를 포함하는 소정의 저장장치일 수 있다.

단계(S102)에서 바이클러스터링 장치는 상기 마이크로어레이 행렬 데이터로부터 상기 마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출할 수 있다.

상기 RN클러스터는 마이크로어레이 행렬 데이터에서 서로 간에 밀접한 상관관계를 갖는 유전자의 집합과, 이 유전자 집합의 기능이 발현되는 샘플 집합으로써 구성되는 부분 행렬인 바이클러스터일 수 있다. 또한, RN클러스터링은 상기 RN클러스터를 생성하는 바이클러스터링을 의미할 수 있다. 또한, 상기 RN클러스터링은 RN클러스터를 노드로 갖는 넓이 우선 탐색 트리를 구축해 나가며 RN클러스터를 찾아나가는 방법일 수 있다. 따라서, 상기 바이클러스터링 장치는 상기 마이크로어레이 행렬 데이터에서 가능한 많은 수의 오버래핑된, 다양한 바이클러스터를 찾아낼 수 있다.

또한, 이러한 단계(S102)에 대해서는 추후 도 2를 통하여 더욱 상세하게 설명하도록 하겠다.

도 2는 본 발명의 일측에 따른 마이크로어레이 행렬 데이터로부터 RN클러스 터를 도출하는 단계를 도시한 동작 흐름도이다.

도 2에 도시된 바와 같이 도 1의 단계(S102)는 단계(S201) 내지 단계(S204)로 수행될 수 있다. 또한, 단계(S201) 내지 단계(S204)는 바이클러스터링 장치에 의해서 수행될 수 있다.

단계(S201)에서 상기 바이클러스터링 장치는 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출할 수 있다. 이 때, 상기 p레벨-RN클러스터 또는 p+1레벨-RN클러스터는 상기 RN클러스터에 포함될 수 있고, 상기 p는 상기 RN클러스터를 구성하는 샘플 집합 내 샘플 개수를 나타내는 자연수일 수 있다.

또한, O = {g₀, g₁, ..., g_m _-1}, T = {s₀, s₁, ..., s_n _-1}이고, C 를 (G,S)의 m x n 부분 행렬 (O,T)라고 하는 경우, C = (O,T) = {c_ij}, i

[0, m-1], j

[0, n-1]라고 할 수 있다. 이 때, G는 마이크로어레이 행렬 데이터의 유전자 집합이고, S는 샘플 집합이고, C는 O

G, T

S인 마이크로어레이 행렬 데이터의 부분 행렬일 수 있다.

또한, g_i, g_j, g_k

O 이고 T = {s_a, s_b,..., s_c, s_d,...}일 때, C = (O,T) 인 바이클러스터에 대해서, C 가 다음 수학식 1의 조건들을 만족하면 C 를 RN클러스터라고 할 수 있다.

이 때, sign(x)는 x<0일 때 -1을, 아니면 1을 반환하는 함수이고, g_h

O에 대해서,

는 최대

값이고,

는 최소

값일 수 있다. 또한, dⁱ _ab는 샘플 s_a와 s_b 사이에서의 유전자 g_i의 발현값 차이이고, dⁱ _cd는 샘플 s_c와 s_d 사이에서의 유전자 g_i의 발현값 차이이다. 또한, d^j _ab는 샘플 s_a와 s_b 사이에서의 유전자 g_j의 발현값 차이이고, d^j _cd는 샘플 s_c와 s_d 사이에서의 유전자 g_j의 발현값 차이이다. 또한, tⁱ _cd는 dⁱ _ab/dⁱ _cd, 즉 유전자 g_i의 발현값 차이 비율이고, t^j _cd는 d^j _ab/d^j _cd, 즉 유전자 g_j의 발현값 차이 비율이고, t^k _cd는 d^k _ab/d^k _cd, 즉 유전자 g_k의 발현값 차이 비율이다. 또한,

는 입력장치로부터 입력된 허용 노이즈 값이다. 또한, mg는 최소 유전자 집합 크기이고, ms는 최소 샘플 집합 크기이다.

또한, RN클러스터 C=(O,T)의 |T| = p 일 때, C를 p레벨-RN클러스터라고 정의하고, p는 RN-클러스터의 샘플의 개수를 가리킬 수 있다. 예를 들어, |T| = 4 일 때, C 는 4레벨-RN클러스터이다. 또한, 수학식 1의 4번 조건에 따라, RN클러스터는 |T| ≥ 3 이므로, 1레벨-RN클러스터나 2레벨-RN클러스터는 존재할 수 없다. 그러나 예외적으로 수학식 1의 조건을 따르지 않는 2레벨-RN클러스터를 정의한다. m이 G 의 모든 유전자의 숫자를 지칭할 때, 2레벨-RN클러스터는 (G,S)의 m x 2 부분 행렬이라고 정의될 수 있다.

예를 들어, 표1의 10 x 6 마이크로어레이 행렬 데이터 (G,S)에서, 2레벨-RN클러스터의 샘플 집합을　{s₀,s₂}라고 하고, ms = 3, mg = 3, δ = 2 라고 하자. 여기에서 샘플 s₃을 조사한다면 T = {s₀,s₂,s₃}이 된다. 이때 유전자 g_k 에 대한 d^k ₀₂와 d^k ₂₃의 값들이 표 2 에 나와있다. 이 때, d^k ₀₂는 유전자 g_k 에 대한 샘플 s₂의 발현값과 샘플 s₀의 발현값의 차이이고, d^k ₂₃은 유전자 g_k 에 대한 샘플 s₃의 발현값과 샘플 s₂의 발현값의 차이이다. 유전자 집합 O = {g₀,g₂,g₄}와 샘플 집합 T = {s₀,s₂,s₃}를 갖는 바이클러스터 B는 수학식 1의 RN-클러스터 조건을 모두 만족하는 것을 볼 수 있다. 먼저, k = 0, 2, 4일 때, d^k ₀₂와d^k ₂₃는 0이 아니다. 두 번째로, k = 0, 2, 4일 때, d^k ₀₂와 d^k ₂₃는 같은 부호를 가진다. 세 번째로,　k = 4일 때, max(|t^k ₂₃|) = 9.14 이고, k = 2일 때, min(|t^k ₂₃|) = 7.75이며, k = 0일 때, |t^k ₂₃| = 8이다. 이 때, 9.14 / 2 < 8 < 7.75 x 2를 만족한다. 마지막으로, |O| = 3 ≥3이며, |T| = 3 ≥ 3을 만족한다. 그러므로 바이클러스터 B는 3레벨-RN클러스터라고 할 수 있다.

또한, 바이클러스터링 장치는 i < j이고, 샘플 쌍의 집합 {(s_i, s_j)}과 유전자의 집합 {g₀, g₁, ..., g_m _-1}을 통하여 적어도 하나의 2레벨-RN클러스터를 형성할 수 있다. 이 때, 상기 바이클러스터링 장치가 형성 가능한 모든 2레벨-RN클러스터의 수는 상기 샘플 쌍의 가능한 가지 수와 같다. 예를 들어, 표 1에서 상기 바이클러스터링 장치가 형성 가능한 2레벨-RN클러스터의 샘플 쌍은 {s₀, s₁}, {s₀, s₂}, ...,{s₀, s₃}등이 될 수 있다. 만약 ms = 3이면, {s₀, s₅}, {s₁, s₅}, {s₂, s₅}, {s₃, s₅}, {s₄, s₅}는 3레벨-RN클러스터 이상으로 자랄 수 없기 때문에, 2레벨-RN클러스터가 될 수 없다. 마찬가지로, ms = 4라면, {s₀, s₄}, {s₁, s₄}, {s₂, s₄}, {s₃, s₄}도 2레벨-RN클러스터가 될 수 없다.

또한, 이와 같은 단계(S201)에 대해서는 추후 도 3을 통하여 더욱 상세하게 살펴보도록 하겠다.

단계(S202)에서 상기 바이클러스터링 장치는 상기 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정할 수 있다. 구체적으로, 상기 바이클러스터링 장치는 상기 도출된 p+1레벨-RN클러스터의 유전자 집합의 크기를 기준으로 우선 순위 큐를 유지하고, 그리고 상기 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터를 결정할 수 있다.

상기 p레벨-RN클러스터의 개수가 r이고, 각 p레벨-RN클러스터에 대해서 최대한 n개의 샘플이 조사될 수 있고, 각 조사 프로세스는 최대 10개(OP와 ON에서 각각 다섯 개씩인 경우)의 p+1레벨-RN클러스터를 생성할 수 있는 경우, 상기 바이클러스터링 장치는 최대 10nr 개의 p+1레벨-RN클러스터를 도출할 수 있다.

이 때, 상기 바이클러스터링 장치는 저장공간의 한계 또는 시간상의 비효율성 등으로 인해 상기 도출한 p+1레벨-RN클러스터 중 가치가 높은 것들을 선별할 수 있다.

특히, 상기 바이클러스터링 장치는 유전자 집합의 크기에 따라 상기 도출한 p+1레벨-RN클러스터 중 결과 p+1레벨-RN클러스터를 결정할 수 있다. 또한, 상기 바이클러스터링 장치는 넓이 우선 트리의 각 레벨마다 유전자 집합의 크기를 우선 순위 측정 함수로 하는 우선 순위 큐를 유지함으로써 결과 p+1레벨-RN클러스터를 결정할 수 있다.

도 5는 다중 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터 및 후보 p+1레벨-RN클러스터를 결정하는 일예를 도시한 도면이다. 도 5에 도시된 p레벨-RN클러스터의 집합(501) 및 p+1레벨-RN클러스터의 집합(502)은 넓이 우선 트리를 구성하고 있고, 상기 넓이 우선 트리의 각 노드는 p레벨 또는 p+1레벨-RN클러스터를 의미할 수 있다. 또한, 상기 각 노드 안의 숫자는 RN클러스터의 유전자 집합의 크기를 나타내고 있다. 또한, 상기 바이클러스터링 장치는 도출된 p+1레벨-RN클러스터 각각이 어떤 p레벨-RN클러스터에서 도출되었는지를 고려하여 다중 우선 순위 큐를 유지하고 있다. 즉, 상기 바이클러스터링 장치는 유전자 집합의 크기만을 비교하여 A₁, A₂, A₃를 우선 순위 큐에 저장하는 것과 구별하여, 먼저 p레벨-RN클러스터 A, B, C 각각으로부터 도출된 p+1레벨-RN클러스터를 구분하여 우선 순위 큐에 저장하고, 저장된 A₁, B₂, C₃에 대해서 다시 한번 우선 순위 큐를 유지할 수 있다. 상기 바이클러스터링 장치는 다수의 큐를 이용함으로써 다양성을 제공할 수 있다. 또한, 상기 바이클러스터링 장치는 상기 결과 p+1레벨-RN클러스터를 결과값으로 출력할 수 있다.

단계(S203)에서 상기 바이클러스터링 장치는 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정할 수 있다. 구체적으로 상기 바이클러스터링 장치는 상기 도출된 p+1레벨-RN클러스터의 유전자 집합의 크기 및 샘플 집합의 최종순번 샘플을 기준으로 우선 순위 큐를 유지하고, 그리고 상기 우선 순위 큐에 따라 후보 p+1레벨-RN클러스터를 결정할 수 있다.

상기 바이클러스터링 장치는 상기 유전자 집합의 크기와 상기 최종순번 샘플의 인덱스에 따라 결정된 수치의 곱에 의해 우선 순위 큐를 유지할 수 있다. 이 때, 상기 결정된 수치는 상기 마이크로어레이 행렬 데이터에 포함된 모든 샘플의 개수(또는 마이크로어레이 행렬 데이터의 최종순번 샘플의 인덱스)에서 상기 최종순번 샘플의 인덱스를 뺀 값일 수 있다. 예를 들어, p+1레벨-RN클러스터의 샘플 집합에 포함된 샘플이 s₀, s₂, s₃이고, 상기 마이크로어레이 행렬 데이터의 모든 샘플의 개수가 100인 경우, 최종순번 샘플은 s₃이고, 인덱스는 3, 상기 결정된 수치는 97이 되는 것이다. 상기 바이클러스터링 장치가 이러한 우선 순위 큐를 유지하는 첫 번째 이유는 보다 큰 유전자 집합을 가진 p레벨-RN클러스터가 보다 큰 유전자 집합을 가진 p+1레벨-RN클러스터로 성장할 수 있는 확률이 높기 때문이고, 두 번째 이유는 최종순번 샘플의 인덱스가 커질수록 p+1레벨-RN클러스터가 더 큰 레벨의 RN클러스터로 성장할 확률은 적어지기 때문이다.

예를 들어 S = {s₀, s₁, s₂, s₃, s₄, s₅}(S는 마이크로어레이 행렬 데이터의 샘플 집합)이고, 두 개의 3레벨-RN클러스터SB₁과 SB₂가 있고, SB₁의 T = {s₀, s₁, s₂}(SB₁의 샘플 집합)이고, SB₂의 T = {s₀, s₁, s₃}(SB₂의 샘플 집합)인 경우, SB₁이 SB₂보다 검사할 수 있는 샘플이 많다(SB₁의 경우 s₃, s₄, s₅이고, SB₂는 s₄, s₅이다). 그 결과, SB₁이 T = {s₀, s₁, s₂, s₃}, T = {s₀, s₁, s₂, s₄}, T = {s₀, s₁, s₂, s₅}인 3개의 4레벨-RN클러스터로 성장할 수 있음에 비해서, SB₂는 T = {s₀, s₁, s₃, s₄}, T = {s₀, s₁, s₃, s₅}인 2개의 4레벨-RN클러스터로 밖에는 성장할 수 없다. 또한 SB₁는 T = {s₀, s₁, s₂, s₃, s₄, s₅}인 6레벨-RN클러스터로 성장할 수 있음에 비해서 SB₂는 6레벨-RN클러스터로 성장할 수 없다. 즉, 상기 최종순번 샘플의 인덱스가 커질 수록 p+1레벨-RN클러스터가 성장할 수 있는 확률은 줄어든다고 판단할 수 있다.

또한, 상기 바이클러스터링 장치는 후보 p+1레벨-RN클러스터를 결정하기 위한 우선 순위 큐를 다중으로 유지할 수 있다. 또한, 상기 바이클러스터링 장치는 상기 후보 p+1레벨-RN클러스터를 p+2레벨-RN클러스터의 도출에 이용할 수 있다.

또한, 결과 p+1레벨-RN클러스터 및 후보 p+1레벨-RN클러스터를 위한 우선 순위 큐의 크기를 qsize라고 하고, 우선 순위 큐의 개수를 qnum이라 하고, k = qnum x qsize라고 하는 경우, k는 중복 검사 전의 결과 p+1레벨RN클러스터 및 후보 p+1레벨RN클러스터의 총 개수가 될 수 있다. 또한, 상기 k가 클수록 상기 바이클러스터링 장치는 프루닝을 방지하므로 로컬 옵티마를 방지할 수 있다. 다만, qnum이 소정의 수치(예를 들어100)보다 큰 경우, 결과 p+1레벨RN클러스터 또는 후보 p+1레벨RN클러스터의 품질에 영향을 미치지 않기 때문에, 상기k는 최적 값으로 결정될 수 있다.

또한, 본 발명에서 제안한 바이클러스터링 방법은 효율적인 범위 계산, 트리 구조 및 큐 저장 구조를 설계함으로써 높은 기능적 상관관계 신뢰도를 갖는 바이클러스터 및 오버래핑된 다양한 바이클러스터를 도출할 수 있다. 또한 도출된 바이클러스터는 GO(Gene Ontology)검증을 통해서 높은 기능적 상관관계 신뢰도를 검증받을 수 있다. 또한, 상기 도출된 바이클러스터는 현재 가장 높은 기능적 상관관계 정도를 보이는 알고리즘 중 하나로 알려져 있는 OPSM(Order-Preserving Submatrix) 방법에서 도출한 바이클러스터 비교할 때, 모든 GO에 대해서 p값으로 표현되는 신뢰도가 높게 확인되었다. 즉, 상기 도출된 바이클러스터는 낮은 거짓 양성 오류를 보여준다는 것이다.

단계(S204)에서 상기 바이클러스터링 장치는 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행할 수 있다. 구체적으로, 상기 바이클러스터링 장치는 유사도 검사를 이용하여 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각으로부터 중복 결과를 제거할 수 있다. 이 때, 상기 유사도 검사는 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 유전자 집합을 이용하는 것일 수 있다.

상기 바이클러스터링 장치는 중복되지 않았다고 판단되는 결과 p+1레벨-RN클러스터의 집합을 E라고 하는 경우, 상기 E에 포함된 모든 결과 p+1레벨-RN클러스터에 대해서 상기 결정된 결과 p+1레벨-RN클러스터(우선 순위 큐에 저장된 결과 p+1레벨-RN클러스터)와 유사도 검사를 할 수 있다. 다만, 상기 바이클러스터링 장치는 N(E) = 0이라면, 상기 결정된 결과 p+1레벨-RN클러스터를 유사도 검사를 거치지 않고 바로 E에 넣을 수 있다.

또한, 상기 유사도 검사는 비교의 대상이 되는 두 개의 결과 p+1레벨-RN클러스터 상호 간의 유사도를 이용하여 수행될 수 있다. 구체적으로, 상기 바이클러스터링 장치는 상기 유사도가 입력장치로부터 입력된 유사도 허용값보다 크거나 같은 경우, 상기 두 개의 p레벨-RN클러스터가 유사하다고 판단할 수 있다. 두 개의 결과 p+1레벨-RN클러스터인 C₁ = (O₁,T₁)와 C₂ = (O₂,T₂)가 있는 경우, C₁과 C₂ 상호간의 유사도는 수학식 2와 같이 나타낼 수 있다. 일반적으로 바이클러스터링 방법은 샘플의 다양성보다는 유전자의 다양성에 초점을 맞추고 있어, 두 개의 p레벨-RN클러스터의 유전자 집합을 통해 유사도를 측정하는 수학식 2의 방법은 타당하다.

이 때, O = O₁

O₂이고, max(a, b)는 a≥b 일 때 a를, 그렇지 않다면 b를 반환하는 함수이다. 예를 들어 p레벨-RN클러스터 C₁의 O = {g₀, g₂, g₃, g₅}이고, C₂의 O = {g₁, g₂, g₃, g₄, g₆}일 때, C1과 C2사이의 유사도는 0.5이다.

또한, 상기 바이클러스터링 장치는 상기 유사도 검사 결과, 두 개의 결과 p+1레벨-RN클러스터가 유사하다고 판단된 경우, 유전자 집합의 크기가 작은 쪽을 제거할 수 있다.

또한, 상기 바이클러스터링 장치는 후보 p+1레벨-RN클러스터에 대해서도 같은 방법으로 중복 검사를 수행할 수 있다. 도 5를 참조하면, 상기 바이클러스터링 장치는 우선 순위 큐(503)에 저장된 결과 p+1레벨-RN클러스터의 중복 검사를 수행하고, 최종 확정된 결과 p+1레벨-RN클러스터(504)를 결정할 수 있다. 또한, 상기 바이클러스터링 장치는 우선 순위 큐(505)에 저장된 후보 p+1레벨-RN클러스터의 중 복 검사를 수행하고, 최종 확정된 후보 p+1레벨-RN클러스터(506)를 결정할 수 있다.

또한, 도 2에 도시되지 않았으나, 상기 바이클러스터링 장치는 중복 검사가 수행된 결과 p+1레벨-RN클러스터를 출력하는 단계(도시되지 않음) 및 중복 검사가 수행된 후보 p+1레벨-RN클러스터를 이용하여 p+2레벨-RN클러스터를 도출하는 단계(도시되지 않음)를 더 포함할 수 있다.

도 3은 본 발명의 일측에 따른 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 단계를 도시한 동작 흐름도이다.

도 3에 도시된 바와 같이 도 2의 단계(S201)는 단계(S301) 내지 단계(S302)로 수행될 수 있다. 또한, 단계(S301) 내지 단계(S302)는 바이클러스터링 장치에 의해서 수행될 수 있다.

단계(S301)에서 상기 바이클러스터링 장치는 p레벨-RN클러스터를 구성하는 상기 유전자 집합 내 모든 유전자에 대해서 발현값 차이 비율을 결정할 수 있다.

구체적으로, 상기 바이클러스터링 장치는 상기 샘플 집합에 포함된 샘플 각각에 대응하는 유전자 발현값 및 p+1레벨-RN클러스터에 추가로 포함 가능한 샘플에 대응하는 유전자 발현값 중 적어도 하나를 이용하여 상기 p레벨-RN클러스터를 구성하는 유전자 집합 내 모든 유전자 각각에 대한 발현값 차이를 계산하고, 그리고 상기 발현값 차이를 이용하여 상기 모든 유전자 각각의 발현값 차이 비율을 결정할 수 있다.

이 때, 상기 p+1레벨-RN클러스터에 추가로 포함 가능한 샘플은 p레벨-RN클러 스터에 대해서, 상기 p레벨-RN클러스터에 포함된 샘플 s_last가 샘플 집합의 마지막 원소일 때, last < i 을 만족하는 s_i를 의미할 수 있다. 이 때, s_i는 상기 마이크로어레이 행렬 데이터에 포함된 샘플일 수 있다. 또한, 상기 바이클러스터링 장치는 상기 p+1레벨-RN클러스터에 추가로 포함 가능한 샘플을 검사함으로써, p+1레벨-RN클러스터를 얻어낼 수 있다. 예를 들어, 2레벨-RN클러스터 C = (O,T)에 대해서, s_last이 T의 마지막 원소일 때, last < i 을 만족하는 s_i를 검사함으로써 3레벨-RN클러스터를 얻어낼 수 있다. 같은 방식으로 상기 바이클러스터링 장치는 3레벨-RN클러스터의 집합에서 4레벨-RN클러스터의 집합을, 4레벨-RN클러스터의 집합에서 5레벨-RN클러스터의 집합을 얻어낼 수 있다. 즉, 상기 바이클러스터링 장치는 p 레벨의 노드의 집합을 p레벨-RN클러스터의 집합이라고 볼 때, 넓이 우선 탐색을 수행할 수 있는 것이다. 이 때, 각 노드는 p레벨-RN클러스터나 p+1레벨-RN클러스터를 의미할 수 있다. 또한, 각 노드의 이름은 p레벨-RN클러스터나 p+1레벨-RN클러스터를 얻기 위해 조사해야 하는 샘플을 의미할 수 있다.

또한, 상기 바이클러스터링 장치는 p레벨-RN클러스터의 유전자 집합 내 모든 유전자 g_k(단, k = 0, 1, ..., m-1)에 대해서, 샘플 집합에 포함된 제1 샘플(s₁), 제2 샘플(s₂) 및 최종순번 샘플(s_last) 각각의 유전자 발현값을 추출할 수 있다. 또한, 상기 바이클러서터링 장치는 상기 p+1레벨-RN클러스터에 추가로 포함 가능한 샘플(s_i)의 유전자 발현값을 추출할 수 있다. 또한, 상기 바이클러스터링 장치는 수학식 3을 이용하여 상기 유전자 g_k에 대한 발현값 차이 비율을 결정할 수 있다.

이 때, c^k ₁은 s₁에서의 유전자 g_k에 대한 유전자 발현값이고, c^k ₂은 s₂에서의 유전자 g_k에 대한 유전자 발현값이고, c^k _l은 s_l에서의 유전자 g_k에 대한 유전자 발현값이고, c^k _i은 s_i에서의 유전자 g_k에 대한 유전자 발현값이다. 또한, d^k ₁₂ 및 d^k _li 각각은 유전자 g_k에 대한 발현값 차이이고, t^k _li는 유전자 g_k에 대한 발현값 차이 비율이다.

또한, 상기 t^k _li의 부호에 의해서 유전자 집합 O는 양의 값을 갖는 집합인 OP와 음의 값을 갖는 집합인 ON으로 나뉠 수 있다. 또한, 상기 바이클러스터링 장치는 같은 부호를 갖는 t^k _li를 함께 유지함으로써, 음의 상관관계를 갖는 유전자를 찾 아낼 수 있다.

도 4는 발현값 차이 비율을 이용한 p+1레벨-RN클러스터의 도출의 일예를 도시한 도면이다. 도 4에 도시된 표(401)는 상기 OP에 포함된 유전자와 그 t^k _li값을 나타낸다. 또한, 도 4에 도시된 표(402)는 상기 OP에 포함된 유전자를 t^k _li 값에 따라 오름차순 정렬한 결과이다.

단계(S302)에서 상기 바이클러스터링 장치는 상기 발현값 차이 비율을 이용하여 p+1레벨-RN클러스터를 도출할 수 있다.

구체적으로 상기 바이클러스터링 장치는 입력장치로부터 허용 노이즈 값을 입력받고, 상기 발현값 차이 비율 및 상기 허용 노이즈 값을 이용하여 p+1레벨-RN클러스터를 도출할 수 있다.

이 때, 발현값 차이 비율 및 허용 노이즈 값을 이용하여 p+1레벨-RN클러스터를 도출하기 위해서 상기 바이클러스터링 장치는 상기 유전자 집합 내 모든 유전자 각각의 발현값 차이 비율을 비교하여 중앙 발현값 차이 비율을 결정하고, 상기 중앙 발현값 차이 비율 및 상기 허용 노이즈 값을 이용하여 적어도 하나의 범위 레인지를 결정하고, 그리고 상기 모든 유전자 각각의 발현값 차이 비율이 상기 범위 레인지에 속하는지 여부에 따라 p+1레벨-RN클러스터를 도출할 수 있다.

상기 바이클러스터링 장치는 상기 유전자 집합 내 모든 유전자 각각의 발현값 차이 비율을 비교하여 중앙 발현값 차이 비율을 갖는 유전자 g_q를 결정할 수 있 다. 예를 들어, 상기 바이클러스터링 장치는 상기 유전자 집합 OP에 포함된 유전자를 발현값 차이 비율에 따라 오름차순으로 정리하고, 정리된 결과를 바탕으로 중앙에 위치한 유전자를 결정할 수 있다. 도 4의 표(402)를 참조하면, 상기 바이클러스터링 장치는 18개의 유전자 중 발현값 차이 비율 1을 갖는 g₆를 중앙에 위치한 유전자로 결정하고, 상기 g₆의 발현값 차이 비율을 중앙 발현값 차이 비율로 결정할 수 있다.

또한, 상기 바이클러스터링 장치는 상기 OP에서 수학식 1의 조건을 만족하는 유전자 부분 집합 OP_i(i = 0, 1, ..., n-1, n)를 얻어낼 수 있다. 이 때, 각 유전자 부분 집합 OP_i는 상기 발현값 차이 비율이 범위 레인지 range_i(i = 0, 1, ..., n-1, n) 안에 포함되는 유전자를 가질 수 있다. 이 때, 각 range_i는 상기 중앙 발현값 차이 비율 및 입력장치로부터 입력된 상기 허용 노이즈 값을 이용하여 결정될 수 있다.

또한, 상기 허용 노이즈 값을 높이더라도, 상기 바이클러스터링 방법의 실행 시간이 지수적으로 증가하지 않는 다는 것을 확인할 수 있다. 즉, 상기 바이클러스터링 방법은 마이크로어레이 행렬 데이터의 노이즈 레벨이 높은 경우에라도 숨어 있을 수 있는 높은 기능적 상관관계 신뢰도를 갖는 바이클러스터를 도출할 수 있다.

도 4를 참조하면, 본 발명의 일실시예에 따라 상기 OP_i를 OP₀, OP₁, OP₂, OP₃, OP₄로 결정할 수 있다. 도 4에 도시된 바와 같이, t^q _li = 1이고,

=2일 경우, range₀ = [1x2^-3, 1x2^-1] = [0.125, 0.5]로 결정될 수 있다. 또한, 같은 형식으로 range₁, range₂, range₃, range₄를 결정할 수 있다. 다만, 상기 OP_i의 개수는 다양한 실시예에 따라 달라질 수 있다.

또한, 상기 OP에 포함된 각각의 유전자 g_k에 대해서, 만약

range_i라면 g_k는 OP_i에 소속될 수 있다. 또한, 상기 바이클러스터링 장치는 상기 OP_i중 그 크기가 최소 유전자 집합 크기인 mg보다 큰 것을 (p+1)레벨-RN클러스터로 도출할 수 있다. 이 때, 상기 도출된 p+1레벨-RN클러스터의 샘플 집합은 p레벨-RN클러스터의 샘플 집합과 p+1레벨-RN클러스터에 추가 가능한 샘플(s_i)의 합집합일 수 있다.

또한, 상기 바이클러스터링 장치는 OP_i를 결정하는 것과 같은 방법으로 ON_i를 결정할 수 있다. 또한, 상기 바이클러스터링 장치는 상기 ON_i중 그 크기가 최소 유전자 집합 크기인 mg보다 큰 것을 p+1레벨-RN클러스터로 도출할 수 있다.

또한, 상기 바이클러스터링 장치는 p+1레벨-RN클러스터를 도출하는 과정에서, 검사 가능한 모든 샘플에서 그 크기가 mg이상인 OP_i 또는 ON_i를 얻을 수 없는 경우, 더 이상 유효한 p+1레벨-RN클러스터를 얻을 수 없다고 판단하고, 전체 프로세스를 종료할 수 있다.

도 6은 본 발명의 일실시예에 따른 바이클러스터링 방법을 나타낸 동작 흐름도이다.

도 6에 도시된 바와 같이 바이클러스터링 방법은 단계(S601) 내지 단계(S605)로 수행될 수 있다. 또한, 바이클러스터링 방법은 바이클러스터링 장치에 의해서 수행될 수 있다.

단계(S601)에서 상기 바이클러스터링 장치는 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제1 p레벨-RN클러스터로부터 적어도 하나의 제1 p+1레벨-RN클러스터를 도출할 수 있다.

단계(S602)에서 상기 바이클러스터링 장치는 상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제2 p레벨-RN클러스터로부터 적어도 하나의 제2 p+1레벨-RN클러스터를 도출할 수 있다.

이 때, 상기 p는 상기 제1 p레벨-RN클러스터 또는 제2 p레벨-RN클러스터를 구성하는 샘플 집합 내 샘플 개수를 나타내는 자연수이고, 상기 제2 p레벨-RN클러스터는 상기 제1 p레벨-RN클러스터와 샘플 집합의 크기가 동일하고, 상기 샘플 집합 내 최종순번 샘플에 차이를 가질 수 있다.

예를 들어, 도 5에 도시된 바와 같이 상기 제1 p레벨-RN클러스터는 p레벨-RN클러스터의 집합(501)의 노드 A이고, 상기 제2 p레벨-RN클러스터는 노드 B일 수 있다. 또한, 상기 제1 p+1레벨-RN클러스터는 노드 A₁, A₂ 또는 A₃이고, 상기 제2 p+1레벨-RN클러스터는 노드 B₁, B₂ 또는 B₃일 수 있다.

또한, 이와 같은 단계(S601) 또는 단계(S602)에 대하여 설명하지 아니한 내용은 앞서 도 2의 단계(S201)를 통하여 설명한 내용과 동일하거나, 당업자에 의해 용이하게 유추할 수 있으므로 이하 설명을 생략하도록 하겠다. 이 때, 제1 p레벨-RN클러스터 또는 제2 p레벨-RN클러스터는 단계(S201)의 p레벨-RN클러스터의 하나이고, 제1 p+1레벨-RN클러스터 또는 제2 p+1레벨-RN클러스터는 단계(S201)의 p+1레벨-RN클러스터의 하나일 수 있다.

단계(S603)에서 상기 바이클러스터링 장치는 상기 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정할 수 있다. 구체적으로, 상기 바이클러스터링 장치는 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터 각각의 유전자 집합 크기를 기준으로 우선 순위 큐를 유지하고, 그리고 상기 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터를 결정할 수 있다.

또한, 이와 같은 단계(S603)에 대하여 설명하지 아니한 내용은 앞서 도 2를 통하여 설명한 단계(S202)를 통하여 설명한 내용과 동일하거나 당업자에 의해 용이하게 유추할 수 있으므로 이하 설명을 생략하도록 하겠다. 이 때, 제1 p+1레벨-RN클러스터 또는 제2 p+1레벨-RN클러스터는 단계(S202)의 p+1레벨-RN클러스터에 포함될 수 있다.

단계(S604)에서 상기 바이클러스터링 장치는 상기 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정할 수 있다. 구체적으로, 상기 바이클러스터링 장치는 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터 각각의 유전자 집합의 크기 및 샘플 집합의 최종순번 샘플을 우선 순위 큐를 유지하고, 그리고 상기 우선 순위 큐에 따라 후보 p+1레벨-RN클러스터를 결정할 수 있다.

또한, 이와 같은 단계(S604)에 대하여 설명하지 아니한 내용은 앞서 도 2를 통하여 설명한 단계(S203)를 통하여 설명한 내용과 동일하거나 당업자에 의해 용이하게 유추할 수 있으므로 이하 설명을 생략하도록 하겠다. 이 때, 제1 p+1레벨-RN클러스터 또는 제2 p+1레벨-RN클러스터는 단계(S203)의 p+1레벨-RN클러스터에 포함될 수 있다.

단계(S605)에서 상기 바이클러스터링 장치는 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행할 수 있다.

이와 같은 단계(S605)에 대해서 설명하지 아니한 내용은 앞서 도 2의 단계(S204)를 통하여 설명한 내용과 동일하거나 당업자에 의해 용이하게 유추할 수 있으므로 이하 설명을 생략하도록 하겠다.

본 발명에 따른 바이클러스터링 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD- ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

도 7은 본 발명의 일실시예에 따른 바이클러스터링 장치를 도시한 블록도이다.

도 7에 도시된 바와 같이 바이클러스터링 장치(700)는 입력모듈(701), 도출모듈(702), 결과결정모듈(703), 후보결정모듈(704) 및 중복검사모듈(705)을 포함할 수 있다.

입력모듈(701)은 입력장치로부터 마이크로어레이 행렬 데이터를 입력받을 수 있다.

도출모듈(702)은 상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출할 수 있다.

결과결정모듈(703)은 상기 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정할 수 있다.

후보결정모듈(704)은 상기 도출된 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정할 수 있다.

중복검사모듈(705)은 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행할 수 있다.

또한, 이와 같은 도 7에 대하여 설명하지 아니한 사항은 앞서 도 1 내지 도 6을 통하여 설명한 바이클러스터링 방치의 동작 내용과 실질적으로 동일하거나, 당업자라면 도 1 내지 도 6의 내용으로부터 용이하게 유추할 수 있는 것으로 이하 설명을 생략하도록 하겠다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

도 2는 본 발명의 일측에 따른 마이크로어레이 행렬 데이터로부터 RN클러스터를 도출하는 단계를 도시한 동작 흐름도이다.

도 4는 발현값 차이 비율을 이용한 p+1레벨-RN클러스터의 도출의 일예를 도시한 도면이다.

도 5는 다중 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터 및 후보 p+1레벨-RN클러스터를 결정하는 일예를 도시한 도면이다.

<도면의 주요 부분에 대한 부호의 설명>

700: 바이클러스터링 장치

702: 도출모듈

Claims

입력장치로부터 마이크로어레이 행렬 데이터를 입력받는 단계; 및

상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 단계

를 포함하는 바이클러스터링 방법.
삭제
제1항에 있어서,

상기 p레벨-RN클러스터 또는 p+1레벨-RN클러스터는,

상기 RN클러스터에 포함되고,

상기 p는,

상기 RN클러스터를 구성하는 샘플 집합 내 샘플 개수를 나타내는 자연수인 것을 특징으로 하는 바이클러스터링 방법.
제1항에 있어서,

p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 상기 단계는,

p레벨-RN클러스터를 구성하는 상기 유전자 집합 내 모든 유전자에 대해서 발현값 차이 비율을 결정하는 단계; 및

상기 발현값 차이 비율을 이용하여 p+1레벨-RN클러스터를 도출하는 단계

를 포함하는 바이클러스터링 방법.
제4항에 있어서,

p레벨-RN클러스터를 구성하는 유전자 집합 내 모든 유전자에 대해서 발현값 차이 비율을 결정하는 상기 단계는,

상기 샘플 집합에 포함된 샘플 각각에 대응하는 유전자 발현값 및 p+1레벨-RN클러스터에 추가로 포함 가능한 샘플에 대응하는 유전자 발현값 중 적어도 하나를 이용하여 상기 p레벨-RN클러스터를 구성하는 유전자 집합 내 모든 유전자 각각에 대한 발현값 차이를 계산하고, 그리고

상기 발현값 차이를 이용하여 상기 모든 유전자 각각의 발현값 차이 비율을 결정하는 것을 특징으로 하는 바이클러스터링 방법.
제4항에 있어서,

발현값 차이 비율을 이용하여 p+1레벨-RN클러스터를 도출하는 상기 단계는,

입력장치로부터 허용 노이즈 값을 입력받는 단계; 및

상기 발현값 차이 비율 및 상기 허용 노이즈 값을 이용하여 p+1레벨-RN클러스터를 도출하는 단계

를 포함하는 바이클러스터링 방법.
제6항에 있어서,

발현값 차이 비율 및 허용 노이즈 값을 이용하여 p+1레벨-RN클러스터를 도출하는 상기 단계는,

상기 유전자 집합 내 모든 유전자 각각의 발현값 차이 비율을 비교하여 중앙 발현값 차이 비율을 결정하고,

상기 중앙 발현값 차이 비율 및 상기 허용 노이즈 값을 이용하여 적어도 하나의 범위 레인지를 결정하고, 그리고

상기 모든 유전자 각각의 발현값 차이 비율이 상기 범위 레인지에 속하는지 여부에 따라 p+1레벨-RN클러스터를 도출하는 것을 특징으로 하는 바이클러스터링 방법.
제1항에 있어서,

마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 상기 단계는,

상기 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 단계

를 더 포함하는 바이클러스터링 방법.
제8항에 있어서,

도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 상기 단계는,

상기 도출된 p+1레벨-RN클러스터의 유전자 집합의 크기를 기준으로 우선 순위 큐를 유지하고, 그리고

상기 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터를 결정하는 것을 특징으로 하는 바이클러스터링 방법.
제8항에 있어서,

마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 상기 단계는,

상기 도출된 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 단계

를 더 포함하는 바이클러스터링 방법.
제10항에 있어서,

도출된 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 상기 단계는,

상기 도출된 p+1레벨-RN클러스터의 유전자 집합의 크기 및 샘플 집합의 최종순번 샘플을 기준으로 우선 순위 큐를 유지하고, 그리고

상기 우선 순위 큐에 따라 후보 p+1레벨-RN클러스터를 결정하는 것을 특징으로 하는 바이클러스터링 방법.
제10항에 있어서,

마이크로어레이 행렬 데이터의 부분 행렬 데이터인 적어도 하나의 RN클러스터를 도출하는 상기 단계는,

상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행하는 단계

를 더 포함하는 바이클러스터링 방법.
제12항에 있어서,

결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행하는 상기 단계는,

유사도 검사를 이용하여 상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각으로부터 중복 결과를 제거하는 것을 특징으로 하는 바이클러스터링 방법.
제13항에 있어서,

상기 유사도 검사는,

상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 유전자 집합을 이용하는 것을 특징으로 하는 바이클러스터링 방법.
제12항에 있어서,

상기 바이클러스터링 방법은,

중복 검사가 수행된 결과 p+1레벨-RN클러스터를 출력하는 단계; 및

중복 검사가 수행된 후보 p+1레벨-RN클러스터를 이용하여 p+2레벨-RN클러스터를 도출하는 단계

를 더 포함하는 바이클러스터링 방법.
마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제1 p레벨-RN클러스터로부터 적어도 하나의 제1 p+1레벨-RN클러스터를 도출하는 단계;

상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 제2 p레벨-RN클러스터로부터 적어도 하나의 제2 p+1레벨-RN클러스터를 도출하는 단계; 및

상기 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 단계

를 포함하는 바이클러스터링 방법.
제16항에 있어서,

상기 p는,

상기 제1 p레벨-RN클러스터 또는 제2 p레벨-RN클러스터를 구성하는 샘플 집합 내 샘플 개수를 나타내는 자연수이고,

상기 제2 p레벨-RN클러스터는,

상기 제1 p레벨-RN클러스터와 샘플 집합의 크기가 동일하고, 상기 샘플 집합 내 최종순번 샘플에 차이가 있는 것을 특징으로 하는 바이클러스터링 방법.
제16항에 있어서,

도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 상기 단계는,

도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터 각각의 유전자 집합 크기를 기준으로 우선 순위 큐를 유지하고, 그리고

상기 우선 순위 큐에 따라 결과 p+1레벨-RN클러스터를 결정하는 것을 특징으로 하는 바이클러스터링 방법.
제16항에 있어서,

상기 바이클러스터링 방법은,

상기 도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 단계

를 더 포함하는 바이클러스터링 방법.
제19항에 있어서,

도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 상기 단계는,

도출된 제1 p+1레벨-RN클러스터 및 제2 p+1레벨-RN클러스터 각각의 유전자 집합의 크기 및 샘플 집합의 최종순번 샘플을 우선 순위 큐를 유지하고, 그리고

상기 우선 순위 큐에 따라 후보 p+1레벨-RN클러스터를 결정하는 것을 특징으로 하는 바이클러스터링 방법.
제19항에 있어서,

상기 바이클러스터링 방법은,

상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행하는 단계

를 더 포함하는 바이클러스터링 방법.
제1항 또는 제3항 내지 제21항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록 매체.
입력장치로부터 마이크로어레이 행렬 데이터를 입력받는 입력모듈; 및

상기 마이크로어레이 행렬 데이터에 포함된 적어도 하나의 유전자 집합 및 샘플 집합으로 구성된 p레벨-RN클러스터를 기반으로 p+1레벨-RN클러스터를 도출하는 도출모듈

을 포함하는 바이클러스터링 장치.
제23항에 있어서,

상기 바이클러스터링 장치는,

상기 도출된 p+1레벨-RN클러스터로부터 결과 p+1레벨-RN클러스터를 결정하는 결과결정모듈; 및

상기 도출된 p+1레벨-RN클러스터로부터 후보 p+1레벨-RN클러스터를 결정하는 후보결정모듈

을 더 포함하는 바이클러스터링 장치.
제24항에 있어서,

상기 바이클러스터링 장치는,

상기 결정된 결과 p+1레벨-RN클러스터 또는 후보 p+1레벨-RN클러스터 각각의 중복 검사를 수행하는 중복검사모듈

을 더 포함하는 바이클러스터링 장치.