[論文レビュー] Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction

Guofeng Lv, Zhiqiang Hu+2 more|arXiv (Cornell University)|May 14, 2021

Bioinformatics and Genomic Networks参考文献 17被引用数 8

ひとこと要約

本稿では、BFS/DFSに基づくデータ分割とグラフベースの特徴学習を通じて構造的関係を統合することで、未知のタンパク質ペアに対して特に顕著に優れた性能を示す、タンパク質相互作用相関を活用したグラフニューラルネットワークモデルGNN-PPIを提案する。このアプローチにより、既存の最先端手法を著しく上回る性能を達成した。

ABSTRACT

The study of multi-type Protein-Protein Interaction (PPI) is fundamental for understanding biological processes from a systematic perspective and revealing disease mechanisms. Existing methods suffer from significant performance degradation when tested in unseen dataset. In this paper, we investigate the problem and find that it is mainly attributed to the poor performance for inter-novel-protein interaction prediction. However, current evaluations overlook the inter-novel-protein interactions, and thus fail to give an instructive assessment. As a result, we propose to address the problem from both the evaluation and the methodology. Firstly, we design a new evaluation framework that fully respects the inter-novel-protein interactions and gives consistent assessment across datasets. Secondly, we argue that correlations between proteins must provide useful information for analysis of novel proteins, and based on this, we propose a graph neural network based method (GNN-PPI) for better inter-novel-protein interaction prediction. Experimental results on real-world datasets of different scales demonstrate that GNN-PPI significantly outperforms state-of-the-art PPI prediction methods, especially for the inter-novel-protein interaction prediction.

研究の動機と目的

• 未知のデータセットにおける既存のPPI予測モデルの顕著な性能低下、特にインターノベルタンパク質相互作用においての問題を解決すること。
• 現在の評価プロトコルがタンパク質に依存しないランダムなデータ分割を採用しているため、インターノベルタンパク質相互作用が無視され、誤った性能評価につながっていることの特定。
• タンパク質の近接性を尊重し、データセット間で一貫した評価が可能なBFSおよびDFSに基づく各タンパク質のランダム化データ分割を用いた、新たな評価フレームワークの設計。
• タンパク質間の相関をモデル化することで、未知のタンパク質ペアに対する予測のロバスト性を向上させる、グラフニューラルネットワークベースの手法（GNN-PPI）の提案。
• グラフ学習を用いてタンパク質相互作用相関を統合することで、特にリソースが限られた状況や未知の状況において、性能が著しく向上することの実証。

提案手法

• タンパク質の近接性を尊重し、データセット間で一貫した評価が可能なテストセットを構築するため、BFSおよびDFS走査を用いた新規の評価フレームワークを導入。
• タンパク質をノード、PPIをエッジとするグラフニューラルネットワーク（GNN-PPI）を設計し、メッセージパッシングによりタンパク質間の相関を捉える。
• アミノ酸配列ベースの特徴（例：AC, CTD）を入力とし、タンパク質相互作用埋め込み（PIE）とタンパク質グラフ符号化（PGE）モジュールを統合して、シーケンスベースおよび構造的相関特徴を同時に学習。
• 学習済みのグラフ表現と組み合わせたアミノ酸配列特徴（例：AC, CTD）を入力とすることで、未知タンパク質への一般化性能を向上。
• 主に微小F1スコアを用いたマルチラベル分類を採用し、コンponentの貢献度を検証するためのアブレーションスタディを実施。
• ランダム、BFS、DFSの2種類のデータ分割戦略を導入し、現実的な条件下でのモデルのロバスト性と一般化性能を評価。

実験結果

リサーチクエスチョン

• RQ1 既存のPPI予測モデルが、未知のデータセットで顕著な性能低下を示す理由は何か？
• RQ2 少なくとも1つのタンパク質が学習時に未確認の状況（インターノベルタンパク質相互作用）が、全体の性能低下にどの程度寄与しているか？
• RQ3 グラフニューラルネットワークは、未知タンパク質ペアの予測を向上させるためにタンパク質相互作用相関を効果的にモデル化できるか？
• RQ4 BFS/DFSに基づくデータ分割を用いた新規評価フレームワークは、従来のランダム分割に比べ、より一貫性があり現実的である性能評価を提供できるか？
• RQ5 GNN-PPIモデルの個々のコンponent（PIEおよびPGE）は、特にインターノベルタンパク質相互作用予測において、全体の性能にどの程度寄与しているか？

主な発見

• STRINGデータセットにおいて、GNN-PPIはDFS分割方式下で微小F1スコア91.07 ± 0.58を達成し、PIPＲ（78.37 ± 5.40）を著しく上回り、インターノベルタンパク質相互作用で12.7ポイントの向上を示した。
• NSサブセット（両方のタンパク質が学習時に未確認）において、GNN-PPIはDFS分割下で微小F1スコア88.03 ± 0.59を達成したのに対し、PIEのみのアブレーションでは50.03 ± 2.08にとどまり、グラフモデリングの重要性を示した。
• 頻度が低いPPIタイプ（例：発現、2.07%の比率）において、GNN-PPIはDFS下で微小F1スコア23.22 ± 9.21を達成し、PIPＲの15.67 ± 10.80を上回った。これは、クラス不均衡にもかかわらず、ロバストネスが向上したことを示している。
• アブレーションスタディにより、PGEモジュール（グラフ符号化）がインターノベルタンパク質相互作用性能に不可欠であることが確認された。PGEを欠如させた場合、DFS下の微小F1スコアは50.03 ± 2.08に低下し、PIEのみのモデルはベースラインDNN-PPIと同等の性能にとどまった。
• 提案されたBFSおよびDFS分割方式下で、GNN-PPIはすべてのサブセット（BS, ES, NS）で一貫した性能を維持し、見知った相互作用と未確認の相互作用のギャップを縮小した。これに対してPIPＲはNSで性能が崩壊した。
• 新規評価スキーム下で、GNN-PPIはSTRINGテストセット全体で微小F1スコア95.43 ± 0.10を達成し、すべての分割戦略において最先端の性能を示した。