[論文レビュー] Antifragility Predicts the Robustness and Evolvability of Biological Networks through Multi-class Classification with a Convolutional Neural Network

Hyobin Kim, Stalin Muñoz+2 more|arXiv (Cornell University)|Feb 4, 2020

Bioinformatics and Genomic Networks参考文献 72被引用数 4

ひとこと要約

本論文では、アンチフラジリティを予測子として用い、畳み込みニューラルネットワーク（CNN）を活用して、元のおよび変異したボーレィアンネットワークモデル間のアンチフラジリティの差に基づき、生物学的ネットワークのロバストネスおよびエボリューション能力を予測する新規手法を提案する。CNNは多クラス分類において高い精度を達成し、変異後の機能的比較を明示的に行わずに、ネットワークの耐性および適応可能性の予測にアンチフラジリティが強力な予測子であることを示している。

ABSTRACT

Robustness and evolvability are essential properties to the evolution of biological networks. To determine if a biological network is robust and/or evolvable, it is required to compare its functions before and after mutations. However, this sometimes takes a high computational cost as the network size grows. Here we develop a predictive method to estimate the robustness and evolvability of biological networks without an explicit comparison of functions. We measure antifragility in Boolean network models of biological systems and use this as the predictor. Antifragility occurs when a system benefits from external perturbations. By means of the differences of antifragility between the original and mutated biological networks, we train a convolutional neural network (CNN) and test it to classify the properties of robustness and evolvability. We found that our CNN model successfully classified the properties. Thus, we conclude that our antifragility measure can be used as a predictor of the robustness and evolvability of biological networks.

研究の動機と目的

• 変異後の明示的機能的比較を要する従来の手法に比べ、生物学的ネットワークのロバストネスおよびエボリューション能力を評価するための高い計算コストを低減すること。
• 外部的摂動から利益を受けるシステムとして定義されるアンチフラジリティが、ネットワークの耐性および適応可能性の予測指標として機能するかを検討すること。
• 元のネットワークと変異ネットワーク間のアンチフラジリティの差を特徴量として用い、ネットワーク特性（ロバストネスおよびエボリューション能力）を分類する機械学習フレームワークの開発。
• 直接的な機能的比較に代えて学習された予測モデルを導入することで、計算コストの高いシミュレーションに依存するのを減らすこと。

提案手法

• 生物学的ネットワークをボーレィアンネットワークダイナミクスを用いてモデル化し、調節的相互作用をシミュレートする。
• 摂動への反応の統計的測度を用いて、元のおよび変異ネットワーク構成におけるアンチフラジリティを定量化する。
• 元のネットワークと変異ネットワーク間のアンチフラジリティの差を分類の入力特徴量として計算する。
• これらのアンチフラジリティ差特徴量を用いて畳み込みニューラルネットワーク（CNN）を訓練し、ネットワーク特性の多クラス分類を実行する。
• CNNを用いて、ネットワークがロバストであるか、エボリューション可能であるか、両方であるか、あるいはどちらでもないかを、アンチフラジリティプロファイルに基づき予測する。
• 交差検証を用いてモデルを検証し、テストセットにおける分類精度およびF1スコアを用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 アンチフラジリティは生物学的ネットワークにおけるロバストネスおよびエボリューション能力の信頼できる予測子として機能するか？
• RQ2 畳み込みニューラルネットワークは、アンチフラジリティ差を入力として用いることで、生物学的ネットワークのロバストネスおよびエボリューション能力をどの程度正確に分類できるか？
• RQ3 本手法は、変異後の明示的機能的比較を要する従来手法と比較して、計算コストを低減するか？
• RQ4 複雑な調節系において、アンチフラジリティがネットワークの耐性および適応可能性を予測する上で果たす相対的寄与度はいかほどか？

主な発見

• 畳み込みニューラルネットワークは、生物学的ネットワークのロバストネスおよびエボリューション能力の組み合わせ特性を予測する上で高い分類精度を達成した。
• 元のネットワークと変異ネットワーク間のアンチフラジリティ差は、ネットワーク行動を予測する強力で情報豊富な予測子であることが判明した。
• モデルは、ロバストかつエボリューション可能なネットワーク、ロバストだがエボリューション不可能なネットワーク、ロバストでないがエボリューション可能なネットワーク、およびロバストでもエボリューション可能でもないネットワークの4つの明確なクラスにネットワークを正確に分類できた。
• 本手法は、変異後の計算コストの高い機能的比較の必要性を顕著に低減し、システム生物学におけるスケーラブルな代替手法を提供する。
• 結果から、アンチフラジリティはシステムの耐性の指標にとどまらず、調節ネットワークにおける進化的可能性の重要な指標であることが示された。
• 本手法はボーレィアンネットワークモデルを用いて検証され、エントロピー誌に掲載され、最終的な査読済みバージョンにリンクするDOIが付与された。