[論文レビュー] From homogeneous to heterogeneous network alignment

Shawn Gu, John P. Johnson+2 more|arXiv (Cornell University)|Apr 4, 2017

Bioinformatics and Genomic Networks参考文献 15被引用数 1

ひとこと要約

本論文は、WAVE、MAGNA++、SANAの3つの最先端の同型ネットワークアラインメント（NA）手法を拡張することで、複数のノード型およびエッジ型を有するネットワークを扱える最初の非同型ネットワークアラインメント（HNA）手法を紹介する。非同型グラフレットと拡張されたS³測度を提案し、合成ネットワークおよび生物学的ネットワークにおいて、同型手法に比べて顕著に高いアラインメント品質とノイズ耐性を達成した。

ABSTRACT

Network alignment (NA) compares networks with the goal of finding a node mapping that uncovers highly similar (conserved) network regions. Existing NA methods are homogeneous, i.e., they can deal only with networks containing nodes and edges of one type. Due to increasing amounts of heterogeneous network data with nodes or edges of different types, we extend three recent state-of-the-art homogeneous NA methods, WAVE, MAGNA++, and SANA, to allow for heterogeneous NA for the first time. We introduce several algorithmic novelties. Namely, these existing methods compute homogeneous graphlet-based node similarities and then find high-scoring alignments with respect to these similarities, while simultaneously maximizing the amount of conserved edges. Instead, we extend homogeneous graphlets to their heterogeneous counterparts, which we then use to develop a new measure of heterogeneous node similarity. Also, we extend $S^3$, a state-of-the-art measure of edge conservation for homogeneous NA, to its heterogeneous counterpart. Then, we find high-scoring alignments with respect to our heterogeneous node similarity and edge conservation measures. In evaluations on synthetic and real-world biological networks, our proposed heterogeneous NA methods lead to higher-quality alignments and better robustness to noise in the data than their homogeneous counterparts. The software and data from this work is available upon request.

研究の動機と目的

• 多様なノード型およびエッジ型を含む非同型生物学的ネットワークにおけるネットワークアラインメントの増大するニーズに対応する。
• 既存の同型NA手法の限界を克服する。同型手法は複数のデータタイプを扱えない。
• 同型NA技術を非同型設定に拡張する統一フレームワークを構築し、アラインメント品質と耐性を維持する。
• アラインメント精度を向上させるために、非同型ノード類似度およびエッジ保存のための新規測度を導入する。
• 提案手法を合成ネットワークおよび実世界の生物学的ネットワークで評価し、同型ベースラインに比べて優れていることを示す。

提案手法

• 局所的ネットワークモチーフに複数のノード型およびエッジ型を組み込むことで、同型グラフレットを非同型グラフレットに拡張する。
• 非同型グラフレットの構造的およびタイプに配慮した類似度に基づく、新しい非同型ノード類似度測度を開発する。
• タイプ固有のエッジ対応およびトポロジー保存を考慮することで、非同型ネットワークにおけるS³エッジ保存測度を拡張する。
• WAVE、MAGNA++、SANAの最適化パイプラインに、新しい非同型ノード類似度およびエッジ保存測度を統合する。
• 2段階のアラインメント戦略を採用：まず非同型類似度を計算し、次にノードおよびエッジ保存を最大化する高得点アラインメントを最適化する。
• 既存のアラインメントフレームワークを活用するが、非同型構造的およびタイプに配慮した特徴をスコア関数に統合するように適応する。

実験結果

リサーチクエスチョン

• RQ1 既存の同型ネットワークアラインメント手法は、複数のノード型およびエッジ型を有する非同型ネットワークを効果的に拡張できるか？
• RQ2 非同型グラフレットの使用は、多様なタイプのネットワークにおけるノード類似度推定をどのように改善するか？
• RQ3 提案された非同型エッジ保存測度（拡張S³）は、同型手法に比べてアラインメント品質をどの程度向上させるか？
• RQ4 拡張された手法は、実際および合成された非同型ネットワークにおいて、アラインメント精度およびノイズ耐性の観点でどの程度の性能を示すか？
• RQ5 非同型構造的特徴の統合は、比較ネットワーク解析において生物学的により意味のあるアラインメントをもたらすか？

主な発見

• 提案された非同型ネットワークアラインメント手法は、合成ネットワークおよび実世界の生物学的ネットワークの両方で、同型手法に比べて顕著に優れたアラインメント品質を達成した。
• 非同型グラフレットの使用により、タイプ固有の構造的パターンを捉えることができ、より正確なノード類似度推定が可能になった。
• 非同型ネットワーク向けに拡張されたS³測度は、エッジ保存の検出を向上させ、より生物学的に整合性のあるアラインメントを実現した。
• 拡張された手法は、ネットワークデータのノイズに対して優れた耐性を示し、摂動が加えられても高いアラインメント精度を維持した。
• 本フレームワークは、性能を損なうことなく、最先端の3つの同型NA手法（WAVE、MAGNA++、SANA）を非同型設定に一般化することに成功した。
• 本研究のソフトウェアおよびデータは、要請に応じて公開可能であり、再現性および非同型ネットワーク解析分野におけるさらなる研究を支援する。