[論文レビュー] MGN-Net: a multi-view graph normalizer for integrating heterogeneous biological network populations

Islem Rekik, Mustafa Burak Gürbüz|arXiv (Cornell University)|Apr 4, 2021

Bioinformatics and Genomic Networks参考文献 56被引用数 9

ひとこと要約

MGN-Net は、脳結合コネクトームを含む異種のマルチビュー生物学的ネットワークを、1つのトポロジカルに整合性のある、代表的な接続テンプレートに正規化および統合するグラフニューラルネットワークベースの手法である。健康および障害を呈する集団において、より中心に寄った、判別性が高く、トポロジーを保持するテンプレートを生成することで、従来の統合手法を上回り、病理的接続パターンの検出を向上させる。

ABSTRACT

With the recent technological advances, biological datasets, often represented by networks (i.e., graphs) of interacting entities, proliferate with unprecedented complexity and heterogeneity. Although modern network science opens new frontiers of analyzing connectivity patterns in such datasets, we still lack data-driven methods for extracting an integral connectional fingerprint of a multi-view graph population, let alone disentangling the typical from the atypical variations across the population samples. We present the multi-view graph normalizer network (MGN-Net; https://github.com/basiralab/MGN-Net), a graph neural network based method to normalize and integrate a set of multi-view biological networks into a single connectional template that is centered, representative, and topologically sound. We demonstrate the use of MGN-Net by discovering the connectional fingerprints of healthy and neurologically disordered brain network populations including Alzheimer's disease and Autism spectrum disorder patients. Additionally, by comparing the learned templates of healthy and disordered populations, we show that MGN-Net significantly outperforms conventional network integration methods across extensive experiments in terms of producing the most centered templates, recapitulating unique traits of populations, and preserving the complex topology of biological networks. Our evaluations showed that MGN-Net is powerfully generic and easily adaptable in design to different graph-based problems such as identification of relevant connections, normalization and integration.

研究の動機と目的

• 異種のマルチビュー生物学的ネットワーク（特に脳結合コネクトーム）を、1つの代表的でトポロジカルに整合性のある接続テンプレートに統合する課題に対処すること。
• データ駆動型の正規化プロセスにより、健康および障害を呈する集団における被験者間ばらつきを低減すること。
• 健康および障害を呈する集団の正規化されたテンプレートを比較することで、病理的接続パターンのより正確な同定を可能にすること。
• 多様な生物学的データセットにわたる複雑なネットワークトポロジーを保持する、汎用的かつ適応可能なグラフベースの統合フレームワークの開発。

提案手法

• MGN-Net は、集団の複数のグラフビューにおいて、ノード埋め込みとペアワイズノード関係を学習するためのグラフニューラルネットワーク（GNN）アーキテクチャを採用する。
• エンドツーエンドの学習により共有された代表的接続テンプレートを学習することで、集団全体の接続を正規化する。
• 入力としてスタックされた隣接行列を処理し、GPU上で効率的なグラフ畳み込み演算が行えるように、エッジ、特徴、ノード埋め込みのリストに変換する。
• 計算コストを制御するためのランダムサブセットサイズのハイパーパrameterを用い、Tesla V100 GPU上で学習および推論を高速化する。
• グラフ畳み込み演算と逆誤差伝搬を計算し、テンプレートの代表性和トポロジーの整合性を最適化する。
• GitHub でオープンソース実装が利用可能で、構成ファイルを介してハイパーパrameterをカスタマイズ可能であり、シミュレーテッドおよび実世界のデータセットをサポートする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの手法は、異種のマルチビュー生物学的ネットワークを、1つの代表的でトポロジカルに整合性のある接続テンプレートに効果的に統合できるか？
• RQ2 MGN-Net は、従来の手法と比較して、生物学的ネットワークの複雑なトポロジーを統合中にどの程度保持しているか？
• RQ3 MGN-Net は、健康および神経障害を呈する集団の脳ネットワークにおいて、通常のパターンと異常なパターンをどの程度明確に区別できるか？
• RQ4 MGN-Net の正規化されたテンプレートは、標準的な統合手法と比較して、脳ネットワークにおける病理的変化の検出をどの程度向上させるか？
• RQ5 MGN-Net は、脳ネットワーク統合を越えて、他のグラフベースの生物学的問題にも一般化および適応可能か？

主な発見

• MGN-Net は、評価されたすべてのデータセットにおいて、最も中心に寄った接続テンプレートを生成し、代表的なテンプレート性という観点で、従来のネットワーク統合手法を顕著に上回った。
• MGN-Net が学習したテンプレートは、アルツハイマー病および自閉症スペクトラム障害における特徴的な接続パターンを効果的に再現した。
• ベースライン手法と比較して、MGN-Net は生物学的ネットワークの複雑なトポロジーをよりよく保持し、統合中に構造的整合性を維持した。
• この手法は、健康および障害を呈する脳ネットワーク集団を区別する判別性の高い接続を同定する面で優れた性能を示した。
• オープンソース実装により再現性と適応性が確保され、外部データセットの統合とカスタマイズ可能なハイパーパrameterが可能である。
• ADNI および ABIDE のデータを用いて形態的ネットワークを生成し、関連コンsortiumの承認を得た上で、その結果として得られた脳接続テンプレートは公開可能である。