Klassifikation von Tumoren mit GP-basierter DNA-Chip-Analyse

Diplomarbeit von Michael Roßkopf

Zusammenfassung:

Krebserkrankungen sind die zweithäufigste Todesursache in den Industrienationen. Daher ist es wichtig, neue Behandlungsmethoden und Medikamente zu entwickeln, die effizienter und schonender wirken als heutige Therapien. Eine wichtige Voraussetzung für jede Behandlung ist die richtige Diagnose. Bei Tumoren gibt es jedoch viele verschiedene Arten und Subtypen, die sich äußerlich kaum unterscheiden, deren Biologie aber sehr unterschiedlich sein kann.

Daher ist die Erfassung der inneren Vorgänge in den betroffenen Geweben von großer Bedeutung. Ein wichtiges Hilfsmittel ist dabei die DNA-Chip-Technologie. Mit DNA-Chips lassen sich „Schnappschüsse“ der Abläufe in den Zellen machen, indem die Genexpression der verschiedenen Gene gemessen wird. Mit Hilfe dieser Expressionsdaten lassen sich dann Rückschlüsse auf die Situation ziehen. So kann man Typen von Tumoren klassifizieren und erkennen, welche Gene am bösartigen Zellwachstum beteiligt sind.

In der Zukunft kann dies vielleicht einmal die Herstellung neuer, spezifischer Medikamente ermöglichen. Problematisch ist jedoch die Auswertung der Expressionsdaten, da es sich dabei nur um lange Folgen von scheinbar zusammenhangslosen Zahlen handelt. Bisher wurden dafür hauptsächlich statistische Klassifikationsverfahren, wie Nachbarschaftsanalyse, selbstorganisierte Karten oder Support Vector Machines benutzt.

Kern dieser Diplomarbeit ist die Untersuchung, wie sich „Genetische Programmierung“ (GP) für die DNA-Chip-Analyse eignet. GP funktioniert im Allgemeinen gut bei der Erkennung von verborgenen Strukturen in großen Datenmengen. Untersucht werden bestimmte binäre und multiple Klassifikationsprobleme aus dem Bereich der Krebsdiagnose, etwa die Frage, ob bestimmtes Gewebe gesund ist oder aus bösartigen Zellen besteht, oder um welche Art von Krebs es sich handelt. Als Datenbasis dienen verschiedene im Internet verfügbare öffentliche Datenmengen, die auch schon mit anderen Klassifikationsverfahren benutzt worden sind. Die Ergebnisse der GP-Versuche sind kleine automatisch generierte Programme, sogenannte Klassifikatoren, die für die Datensätze die jeweils vorher definierte Fragestellung beantworten sollen. Die Arbeit ist folgendermaßen gegliedert:

In Kapitel 2 wird der biologische Hintergrund erläutert. Das Kapitel ist in zwei Teile aufgeteilt. Im ersten Teil wird ein Einblick in die molekulare Genetik gegeben. Dabei werden Geschichte der Genetik, der Aufbau der DNA, der Vorgang der Proteinbiosynthese (Transkription und Translation) und verschiedene Regulationsmechanismen behandelt. Das zweite Unterkapitel befasst sich mit der Biologie von Krebszellen. Dabei wird gezeigt, wie Krebs entstehen kann, aber auch welche Schutzfunktionen die Zellen dagegen besitzen. Einen wichtigen Abschnitt nehmen außerdem die Onkogene ein. Diese speziellen Gene lösen möglicherweise Krebs aus, wenn es zu bestimmten Mutationen kommt, und sie sind ein Hinweis darauf, dass Tumorwachstum ein in jeder Zelle vorhandenes Programm sein könnte.

DNA-Chips sind der Schwerpunkt von Kapitel 3. Es wird erklärt, wie solche Chips benutzt werden und warum sie so vorteilhaft sind. Außerdem gibt es einen Überblick über die verschiedenen Typen von DNA-Chips, über deren Herstellungsverfahren und über die Auslesemethoden. Der zweite Teil des Kapitels handelt von unterschiedlichen Methoden zur Auswertung der Daten. Dabei werden verschiedene bewährte überwachte und nicht überwachte Verfahren aufgeführt und erläutert.

Kapitel 4 widmet sich der Genetischen Programmierung. Darin werden die Parallelen zur Natur anhand einer Einführung in die biologische Evolution gezeigt. Über einfache evolutionäre Optimierungsverfahren und genetische Algorithmen gehen die Ausführungen weiter zur Genetischen Programmierung und ihren Besonderheiten. Danach wird die Software „Discipulus“ vorgestellt. Dieses GP-System wurde für alle Versuche verwendet, die für diese Arbeit durchgeführt wurden.

In Kapitel 5 werden die für diese Arbeit verwendeten Datenmengen vorgestellt. Enthalten ist auch eine Zusammenfassung anderer veröffentlichter Arbeiten, in denen diese Daten benutzt wurden. Dabei werden auch die dort gemachten Ergebnisse aufgeführt. Dies ermöglicht es, spätere Ergebnisse zu vergleichen und die Güte der GP-Klassifikatoren in Relation zu anderen Methoden zu setzen.

Die Vorbereitungen für die Versuche mit „Discipulus“ sind in Kapitel 6 dokumentiert. Da die Datenmengen aus unterschiedlichsten Quellen stammen und sehr umfangreich sind, mussten sie vorher aufbereitet und in ein einheitliches Format gebracht werden. Dazu wurde u.a. eine eigene Software, das Programm „GeneActivator“ entwickelt. Dieses Tool wählt aus der großen Anzahl von Genen, wie sie bei DNA-Chip-Daten vorkommen, eine kleine Menge aus, von der angenommen wird, dass sie besonders relevant für die Bildung von Klassifikatoren ist. Für diese Auswahl wurden verschiedene Verfahren implementiert. Zur Benutzung mit „GeneActivator“ mussten die Originaldaten in einem ersten Schritt umformatiert werden. Diese Vorgehensweise und die Funktionsweise von „GeneActivator“ werden umfassend dargestellt.

Die einzelnen GP-Läufe werden in Kapitel 7 aufgeführt. Dabei wird mit einfachen binären Problemen begonnen, um die unterschiedlichen Genauswahlverfahren von „GeneActivator“ zu testen. Außerdem werden verschieden große Genmengen verwendet, um eine günstige Größe zu finden und so das Phänomen der Überanpassung zu vermeiden. Mit den Erkenntnissen aus den binären Versuchen geht es danach weiter zu multiplen Entscheidungsproblemen. Da „Discipulus“ nur binäre Klassifikatoren erzeugen kann, werden sogenannte One-Versus-All-Experimente gemacht. Dies geschieht zunächst auf einer relativ kleinen Menge mit nur 4 Klassen. Als letzter Versuch wird dann eine Datenmenge mit 14 Klassen analysiert. Die Endergebnisse werden mit den Ergebnissen der in Kapitel 5 vorgestellten Arbeiten verglichen. Dabei wird gezeigt, dass bei 2 der 4 Mengen bessere Ergebnisse erzielt worden sind (Trefferrate bis zu 100%).

Kapitel 8 fasst zum Abschluss die Erkenntnisse aus den verschiedenen Versuchen zusammen und beschreibt mögliche Perspektiven für die Zukunft. Dabei werden Ideen erläutert, wie die evaluierten Verfahren weiter verbessert werden könnten, um in der Praxis eingesetzt zu werden und welche neuen Technologien dazu nötig wären.

Der Anhang A enthält das komplette Handbuch zu der Software „GeneActivator“. Im Anhang B wird der Aufbau dieser Software erläutert. Außerdem wird dort erklärt, wie man das Programm schnell um eigene neue Genauswahlverfahren erweitern kann. Anhang C beinhaltet schließlich einige Hinweise zur Benutzung der beiliegenden Begleit-CD. Auf dieser CD befinden sich neben „GeneActivator“ mit Quellcode und einem Auswertungsprogramm alle Daten in ihren unterschiedlichen Aufbereitungsformen (original, formatiert für „GeneActivator“, verkleinert für „Discipulus“), sowie alle GP-Läufe.

Inhaltsverzeichnis: