[論文レビュー] IGLOO: Integrating global and local biological network alignment

Lei Meng, Joseph Crawford+2 more|arXiv (Cornell University)|Apr 20, 2016

Bioinformatics and Genomic Networks参考文献 27被引用数 17

ひとこと要約

IGLOOは、高機能品質のLNAシードを用いてGNAによるトポロジー拡張を誘導することで、局所的（LNA）およびグローバル（GNA）ネットワークアラインメントを統合する画期的なネットワークアラインメント手法を提案する。この手法により、最先端のLNAおよびGNA手法と比較して、機能的およびトポロジカルなアラインメント品質の両面で優れたトレードオフを達成する。

ABSTRACT

Analogous to genomic sequence alignment, biological network alignment (NA) aims to find regions of similarities between molecular networks (rather than sequences) of different species. NA can be either local (LNA) or global (GNA). LNA aims to identify highly conserved common subnetworks, which are typically small, while GNA aims to identify large common subnetworks, which are typically suboptimally conserved. We recently showed that LNA and GNA yield complementary results: LNA has high functional but low topological alignment quality, while GNA has high topological but low functional alignment quality. Thus, we propose IGLOO, a new approach that integrates GNA and LNA in hope to reconcile the two. We evaluate IGLOO against state-of-the-art LNA (NetworkBLAST, NetAligner, AlignNemo, and AlignMCL) and GNA (GHOST, NETAL, GEDEVO, MAGNA++, WAVE, and L-GRAAL) methods. We show that IGLOO allows for a trade-off between topological and functional alignment quality better than the existing LNA and GNA methods considered in our study.

研究の動機と目的

• 局所的（LNA）とグローバル（GNA）ネットワークアラインメントの相補的性に対処する。LNAは機能的品質に優れるがトポロジー保存性に欠ける一方、GNAは高いトポロジカルアラインメントを達成するが機能的品質が低下する。
• 両者のアプローチの長所を組み合わせることで、トポロジカルおよび機能的アラインメント品質の間の本質的なトレードオフを克服する。
• 既存のLNAおよびGNA手法を任意に統合できる汎用的フレームワークを構築し、アルゴリズムの再設計を必要とせずにアラインメント品質を向上させる。
• 統合により、単体のLNAまたはGNA手法と比較して、機能的およびトポロジカルなアラインメント品質の両面でよりバランスの取れた改善が達成されることを示す。

提案手法

• IGLOOは、既存のLNA手法によって生成された高品質な局所的アラインメント（シードアラインメント）を用いてアラインメントプロセスを開始する。
• シードアラインメントは、GNAアルゴリズムを用いて拡張され、機能的類似性を保持しつつトポロジカルな保存性を向上させる。
• この手法はLNAに似た多対多ノードマッピングをサポートすることで機能感受性を維持し、GNAに似た大規模な保存サブグラフの同定を可能にする。
• ノード類似度スコアは、トポロジカルおよび配列ベースの情報を統合したノードコスト関数（NCF）を介して計算される。
• IGLOOはモジュール型かつ汎用的であり、任意の既存のLNAおよびGNA手法をコンponentとして統合可能である。
• アルゴリズムは、トポロジカル（エッジ保存率、ノードカバレッジ）および機能的（タンパク質機能予測のFスコア）の両方の指標を組み合わせて評価される。

実験結果

リサーチクエスチョン

• RQ1 LNAとGNA手法を統合することで、単体のLNAまたはGNA手法と比較して、機能的およびトポロジカルなアラインメント品質のバランスが向上するか？
• RQ2 高機能的品質のLNAシードを用いることで、GNAベースの拡張プロセスにおける機能的アラインメント品質が向上し、トポロジカル品質が低下しないか？
• RQ3 多様なPPIネットワークにおいて、IGLOOは最先端のLNAおよびGNA手法と比較して、機能的およびトポロジカルなアラインメント品質の両面で優れているか？
• RQ4 IGLOOの計算オーバーヘッドは、既存のLNAおよびGNA手法と比較してどの程度か？また、ネットワークサイズおよび複雑さに伴いスケーラブルか？
• RQ5 IGLOOは、複数のネットワークタイプおよび信頼度レベルにおいて、一貫して個別のLNAおよびGNA手法を上回る性能を示すか？

主な発見

• IGLOO 4は、全テスト手法の中で最高の機能的アラインメント品質を達成し、すべての検討されたLNAおよびGNA手法を著しく上回った。
• IGLOO 0は、GHOST、NETAL、GEDEVO、MAGNA++の4つのGNA手法と比較して、統計的に顕著な優位性を示したトポロジカルアラインメント品質を達成し、GNAと同等の性能を示した。
• IGLOO 4は、全4つのGNA手法と比較して、機能的アラインメント品質で統計的に顕著な優位性を示した。また、トポロジカルアラインメント品質でもGEDEVOを除くすべての手法を上回った。
• IGLOO 0は、トポロジカル品質でNETALおよびMAGNA++（上位性能を誇るGNA手法）を統計的に顕著に上回った唯一のバージョンであった。
• IGLOOの実行時間は、大多数のLNAおよびGNA手法と同等または速く、AlignMCLおよびNETALとの統合に起因するわずかなオーバーヘッドを除いては、ほとんど差がなかった。
• 本手法は、相互作用タイプおよび信頼度レベルが異なる4つのPPIネットワークデータセットにおいても、強固な性能を示し、一般化可能性および有効性を確認した。