[論文レビュー] Enhancing the functional content of protein interaction networks

Gaurav Pandey, Sahil Manocha+2 more|arXiv (Cornell University)|Oct 25, 2012

Bioinformatics and Genomic Networks参考文献 25被引用数 4

ひとこと要約

本稿では、共通近傍類似度（CNS）測定、特に連続的h信頼性（HC.cont）を用いたグラフ変換フレームワークを提案し、ノイズ低減と機能的結合性の向上によって、タンパク質相互作用ネットワークの品質を向上させる。エッジ信頼性スコアを活用することで、HC.contは他のCNS測定法に比べて、特に機能的に接続が乏しい機能クラスにおいて、タンパク質機能予測の精度を向上させる。

ABSTRACT

Protein interaction networks are a promising type of data for studying complex biological systems. However, despite the rich information embedded in these networks, they face important data quality challenges of noise and incompleteness that adversely affect the results obtained from their analysis. Here, we explore the use of the concept of common neighborhood similarity (CNS), which is a form of local structure in networks, to address these issues. Although several CNS measures have been proposed in the literature, an understanding of their relative efficacies for the analysis of interaction networks has been lacking. We follow the framework of graph transformation to convert the given interaction network into a transformed network corresponding to a variety of CNS measures evaluated. The effectiveness of each measure is then estimated by comparing the quality of protein function predictions obtained from its corresponding transformed network with those from the original network. Using a large set of S. cerevisiae interactions, and a set of 136 GO terms, we find that several of the transformed networks produce more accurate predictions than those obtained from the original network. In particular, the $HC.cont$ measure proposed here performs particularly well for this task. Further investigation reveals that the two major factors contributing to this improvement are the abilities of CNS measures, especially $HC.cont$, to prune out noisy edges and introduce new links between functionally related proteins.

研究の動機と目的

• タンパク質相互作用ネットワークにおけるデータ品質の問題、特にノイズ（誤検出）と不完全性（見逃し）を軽減し、正確な生物学的推論を可能にする。
• さまざまな共通近傍類似度（CNS）測定法が、これらのネットワークの機能的コンテンツをどの程度向上させるかを評価する。
• CNS測定法に基づく構造的変換が、タンパク質機能予測アルゴリズムの性能にどのように寄与するかを調査する。
• どのCNS測定法が、ノイズの多いエッジを最も効果的に除去し、機能的に関連するタンパク質間の生物学的に意味のあるリンクを最も効果的に導入するかを特定する。

提案手法

• タンパク質をノード、相互作用をエッジとする無向かつ重み付きグラフとして、元のタンパク質相互作用ネットワークを表現する。エッジの重みは信頼性スコアを反映する。
• 複数のCNS測定法（FS.cont、TOM.cont、HC.contなど）を用いてグラフ変換を実施。各測定法は、共有近傍とエッジ重みに基づいて連続的な類似度スコアを計算する。
• 元のネットワークを、CNSスコアから導出されたエッジ重みを持つ新しいネットワークに変換する。これにより、機能的類似度に基づいてエッジの再重み付けまたは追加が行われる。
• 標準のタンパク質機能予測アルゴリズムであるFunctionalFlowを用い、136個のGO生物学的プロセス用語を用いて、元のネットワークと変換後のネットワークの両方で予測精度を評価する。
• AUC（曲線下積分面積）を用いて予測性能を比較し、特に低結合性タンパク質クラスにおける機能的結合性の変化に注目して改善度を評価する。
• 変換後のネットワークにおける構造的変化を分析し、ノイズの多いエッジの削除と新しい機能的リンクの導入が、予測精度の向上にどのように寄与するかを特定する。

実験結果

リサーチクエスチョン

• RQ1 どのCNS測定法が、ノイズが多く不完全な相互作用ネットワークにおいて、タンパク質機能予測の精度を最も効果的に向上させるか？
• RQ2 異なるCNS測定法は、誤検出のエッジの削除と生物学的に関連するエッジの導入という観点から、ネットワーク構造をどのように変化させるか？
• RQ3 結合性が低いタンパク質クラスにおける機能的結合性の向上が、予測性能にどの程度寄与するか？
• RQ4 エッジ信頼性スコアは、グラフ変換の過程で真の相互作用と偽陽性相互作用を区別するために果たす役割は何か？
• RQ5 CNSに基づくグラフ変換は、PPIネットワークからの下流の機能的推論を強化するための堅牢な事前処理戦略として機能するか？

主な発見

• HC.contは他のCNS測定法に比べ顕著に優れており、特に元のネットワークで機能的結合性が低いGO用語において、AUCの向上が最も顕著であった。
• 元の結合性が2未満の53の機能的クラスにおいて、HC.contは平均してAUCを0.0388向上させた。一方、他のすべてのクラスでは0.0213の向上にとどまり、特に予測が困難なカテゴリで顕著な改善が得られた。
• HC.contは他の測定法に比べてノイズ低減に優れており、偽陽性エッジを効果的に削除しながら、機能的リンクを保持または強化する能力を示した。
• HC.contを用いた変換により、同じGO用語に属するタンパク質間の機能的結合性が向上し、これが直接的に予測精度の向上に寄与した。
• 他の連続的CNS測定法（FS.cont、TOM.cont）は、低結合性クラスにほとんど影響を及ぼさず、AUC変化はそれぞれ-0.0031および0.0045にとどまり、有効性が限定的であることが示された。
• HC.contの成功は、ノイズの多いエッジを除去すると同時に、新しい機能的リンクを導入する二重の能力に起因しており、PPIネットワークにおけるノイズと不完全性の両方を直接的に是正している。