[論文レビュー] Time-Varying Networks: Recovering Temporally Rewiring Genetic Networks During the Life Cycle of Drosophila melanogaster

Amr Ahmed, Le Song+1 more|ArXiv.org|Dec 31, 2008

Bioinformatics and Genomic Networks参考文献 26被引用数 17

ひとこと要約

本論文は、縦断的遺伝子発現データを用いて、ショウジョウバエ（Drosophila melanogaster）の全ライフサイクルにわたる時間変動型遺伝子調節ネットワークをゲノムワイドに逆解析するための新規機械学習手法Teslaを紹介する。L1正則化を用いた論理回帰による時系列的滑らかさとスパarsityを強制することで、ライフサイクル全体で23の高解像度のネットワークスナップショットを再構築し、静的ネットワーク手法では捉えきれない動的再接続パターンを明らかにする。

ABSTRACT

Due to the dynamic nature of biological systems, biological networks underlying temporal process such as the development of {\it Drosophila melanogaster} can exhibit significant topological changes to facilitate dynamic regulatory functions. Thus it is essential to develop methodologies that capture the temporal evolution of networks, which make it possible to study the driving forces underlying dynamic rewiring of gene regulation circuity, and to predict future network structures. Using a new machine learning method called Tesla, which builds on a novel temporal logistic regression technique, we report the first successful genome-wide reverse-engineering of the latent sequence of temporally rewiring gene networks over more than 4000 genes during the life cycle of extit{Drosophila melanogaster}, given longitudinal gene expression measurements and even when a single snapshot of such measurement resulted from each (time-specific) network is available. Our methods offer the first glimpse of time-specific snapshots and temporal evolution patterns of gene networks in a living organism during its full developmental course. The recovered networks with this unprecedented resolution chart the onset and duration of many gene interactions which are missed by typical static network analysis, and are suggestive of a wide array of other temporal behaviors of the gene network over time not noticed before.

研究の動機と目的

• 生物学的系において時間的変化のないトポロジーを仮定する静的ネットワークモデルの限界を克服すること。
• 各時刻における単一スナップショットの遺伝子発現データから、時間特異的な遺伝子調節ネットワークを推定できるスケーラブルな手法を開発すること。
• 発生過程における遺伝子ネットワークの動的再接続を捉え、従来のアプローチでは見逃されがちな遺伝子相互作用の時間的パターンを明らかにすること。
• 生体における調節回路の時間的進化を、ゲノムワイドかつ高解像度で可視化すること。

提案手法

• 時系列的滑らかさとスパarsityを実現するための凸最適化フレームワークとして、Tesla（TEmporally Smoothed $L_1$-regularized LOgistic Regression）を提案する。
• 遺伝子発現データの対数尤度、L1正則化によるスパarsity、および連続するネットワークパラメータ間の差分に対するL1ノルムを用いた時系列的滑らかさを組み合わせた共同目的関数を用いる。
• グローバル最適化をノードごとの問題に分離し、各遺伝子の調節ネットワークを独立して解くが、同時に時系列的一致性を維持する。
• 変数分割と補助変数を用いて、非滑らか問題を滑らかな凸最適化問題に変換し、標準的なソルバで解ける形に変換する。
• 大規模な最適化を効率的に行うためにCVXパッケージを適用し、4,000以上の遺伝子をカバーするゲノムワイドな推定を可能にする。
• バイオロジカルな前提知識として、遺伝子オントロジー（GO）用語のフィルタリングを統合し、生物学的に妥当な遺伝子集合に制限することで、計算効率と関連性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 各時刻で単一スナップショットの遺伝子発現データしか入手できない状況で、時間特異的な遺伝子調節ネットワークをどのように推定できるか？
• RQ2 ショウジョウバエの全発生サイクルにわたる遺伝子ネットワークにおけるトポロジー再接続の範囲とパターンはどの程度か？
• RQ3 時系列的滑らかさとスパarsity制約は、限られたデータから動的ネットワーク構造を正確に回復可能か？
• RQ4 高時間分解能でネットワークを再構築した際、どのような新しい時間的挙動が遺伝子相互作用から明らかになるか？
• RQ5 機能的遺伝子モジュールはどのように時間的に進化するのか？また、それらは一貫性があり再発する相互作用パターンとして特定可能か？

主な発見

• Teslaは、各時刻における単一時刻の発現データのみを用いて、ショウジョウバレのライフサイクルにわたる23の高解像度で時間特異的な遺伝子調節ネットワークを成功裏に再構築した。
• 本手法は、静的ネットワークモデルでは見えにくかった、遺伝子相互作用の発現開始時期や持続期間のパターンを新たに特定した。
• 時系列的滑らかさ制約により統計的パワーが著しく向上し、各時刻のサンプル数が限られている状況でも分散が低減され、信頼性の高い推定が可能になった。
• 回復されたネットワークは、明確な活性化・不活性化フェーズを示す動的再接続を示しており、文脈特異的な調節機能を示唆している。
• CODENSEを用いた機能的遺伝子モジュールは、発生過程に伴い一貫した時間的進化を示し、相互作用が同期的に出現・消失するパターンを示した。
• 遺伝子オントロジーの統合により計算コストが削減され、生物学的に意味のあるネットワーク推定が向上し、効率性と解釈可能性の両方が向上した。