[논문 리뷰] An Faster Network Motif Detection Tool

Luís A. A. Meira, Vinícius R. Máximo외 2명|arXiv (Cornell University)|2018. 04. 25.

Bioinformatics and Genomic Networks참고 문헌 11인용 수 6

한 줄 요약

이 논문은 크기 3에서 6인 부분그래프에 대해 최적화된 순열 알고리즘과 해시 테이블을 통한 상수시간 이somorphism 검출을 사용하여 네트워크 모티프 탐지를 가속화하는 다중 스레드 기반의 acc-Motif를 제시한다. 이는 계산 복잡도를 감소시키고 유도된 부분그래프의 효율적 병렬 처리를 가능하게 하여, 특히 대규모 네트워크에서 기존 도구들보다 뛰어난 성능을 달성한다.

ABSTRACT

Network motif provides a way to uncover the basic building blocks of most complex networks. This task usually demands high computer processing, specially for motif with 5 or more vertices. This paper presents an extended methodology with the following features: (i) search for motifs up to 6 vertices, (ii) multithread processing, and a (iii) new enumeration algorithm with lower complexity. The algorithm to compute motifs solve isomorphism in $O(1)$ with the use of hash table. Concurrent threads evaluates distinct graphs. The enumeration algorithm has smaller computational complexity. The experiments shows better performance with respect to other methods available in literature, allowing bioinformatic researchers to efficiently identify motifs of size 3, 4, 5, and 6.

연구 동기 및 목표

• 크기 5와 6인 네트워크 모티프를 탐지할 때 발생하는 계산 복잡도 문제를 해결하기 위해, 특히 크기 5와 6의 모티프는 순열 처리에 매우 비용이 많이 든다.
• 부분그래프 순열과 이somorphism 검사의 계산 복잡도를 감소시킴으로써 모티프 탐지의 효율성을 향상시키기.
• 다중 코어에서 독립적인 부분그래프 평가를 가능하게 함으로써 다중 스레드 처리를 통해 확장 가능한 모티프 탐지 구현하기.
• 기존 도구들이 일반적으로 크기 5 또는 6으로 제한되어 있고 성능이 제한적인 점을 감안해, acc-Motif 도구의 크기 범위를 최대 6까지 확장하기.
• 생물정보학자들과 네트워크 분석가들에게 실제 생물학적 및 복잡한 네트워크에서 통계적으로 의미 있는 네트워크 모티프를 신속하고 확장 가능한 방법으로 식별할 수 있는 솔루션 제공하기.

제안 방법

• 크기 k=3에서 6까지의 유도된 부분그래프를 효율적으로 생성함으로써 계산 복잡도를 감소시키는 새로운 순열 알고리즘을 사용한다.
• 사전에 계산된 해시 테이블을 활용해 이Somorphism 검출을 O(1) 시간으로 가속화함으로써, 모티프 분류 과정에서 비용이 많이 드는 그래프 이Somorphism 검사가 필요 없어진다.
• 모서리 간의 간선 방향성에 따라 정점 이웃을 네 개의 집합(A, B, C, N)으로 분할함으로써, 체계적이고 효율적인 부분그래프 탐색이 가능해진다.
• 다중 스레드 아키텍처를 통해 서로 다른 부분그래프를 동시에 처리할 수 있으며, 여러 CPU 코어에서 성능이 스케일링된다.
• 원본 그래프와 무작위로 생성된 그래프에서의 모티프 빈도를 비교함으로써 정확한 수세기와 통계적 유의성 테스트를 지원한다.
• 부분그래프 순열을 안내하고 중복 계산을 줄이기 위해 인접 집합에 대한 분할 전략(Part(adj(X)))를 활용한다.

실험 결과

연구 질문

• RQ1 크기 3에서 6인 부분그래프의 순열 계산 복잡도를 어떻게 감소시켜 모티프 탐지 성능을 향상시킬 수 있는가?
• RQ2 해시 테이블을 통한 O(1) 이Somorphism 검출이 대규모 네트워크에서 모티프 분류를 가속화하는 데 효과적으로 적용될 수 있는가?
• RQ3 현대 다중 코어 시스템에서 다중 스레드 처리가 모티프 탐지 알고리즘의 실행 시간에 얼마나 기여하는가?
• RQ4 다양한 실제 네트워크에서 Fanmod, Kavosh, NetMod 및 이전 버전의 acc-Motif와 비교해 제안된 acc-Motif 도구의 성능은 어떠한가?
• RQ5 Facebook, ODLIS, E.coli와 같은 대규모 네트워크에서 알고리즘의 확장성은 어떠한가, 특히 k=6 모티프의 경우에 대해 어떻게 되는가?

주요 결과

• acc-Motif는 크기 k=3에서 6까지의 모든 모티프에 대해 Fanmod, Kavosh, NetMod를 모두 앞서는 실행 시간을 기록했으며, 특히 California와 Facebook과 같은 대규모 네트워크에서 두드러진 성능 향상을 보였다.
• k=6일 경우, ODLIS에서 실행 시간을 64800만 밀리초 이상에서 32개 스레드로 30000만 밀리초 이하로 감소시켜 강력한 확장성 잠재력을 보였다.
• Roget 네트워크에서 32개 스레드를 사용할 경우 단일 스레드 대비 실행 시간이 95% 감소했으며, 효과적인 병렬 처리가 이루어졌음을 입증했다.
• E.coli 네트워크에서 k=6일 경우 32개 스레드를 사용해 실행 시간을 164,993.5초에서 52.9초로 90% 감소시켰다.
• 알고리즘의 계산 복잡도는 이전 방법보다 크게 감소하여, k=6에 대해 150만 개의 고유한 이Somorphic 패턴을 더 빠르게 순열할 수 있게 되었다.
• 해시 기반의 이Somorphism 검출을 통해 O(1) 검색 시간을 달성하여 실시간 모티프 분류 과정에서 비용이 많이 드는 Nauty 기반 비교가 필요 없어졌다.