[논문 리뷰] Antifragility Predicts the Robustness and Evolvability of Biological Networks through Multi-class Classification with a Convolutional Neural Network

Hyobin Kim, Stalin Muñoz외 2명|arXiv (Cornell University)|2020. 02. 04.

Bioinformatics and Genomic Networks참고 문헌 72인용 수 4

한 줄 요약

이 논문은 원래 및 돌연변이가 발생한 부울 네트워크 모델 간의 반응성 차이를 기반으로 네트워크 성질을 분류하기 위해 컨volutional 신경망(CNN)을 활용하여 생물학적 네트워크의 내성과 적응 가능성 예측을 위한 새로운 방법을 제안한다. 반응성은 예측 변수로 사용되며, CNN은 다중 분류에서 높은 정확도를 달성하여 반응성이 돌연변이 이후 네트워크의 내성과 적응 가능성에 대한 강력한 예측 변수임을 입증한다. 이는 돌연변이 이후 기능적 비교를 명시적으로 수행하지 않아도 된다.

ABSTRACT

Robustness and evolvability are essential properties to the evolution of biological networks. To determine if a biological network is robust and/or evolvable, it is required to compare its functions before and after mutations. However, this sometimes takes a high computational cost as the network size grows. Here we develop a predictive method to estimate the robustness and evolvability of biological networks without an explicit comparison of functions. We measure antifragility in Boolean network models of biological systems and use this as the predictor. Antifragility occurs when a system benefits from external perturbations. By means of the differences of antifragility between the original and mutated biological networks, we train a convolutional neural network (CNN) and test it to classify the properties of robustness and evolvability. We found that our CNN model successfully classified the properties. Thus, we conclude that our antifragility measure can be used as a predictor of the robustness and evolvability of biological networks.

연구 동기 및 목표

• 돌연변이 이후 기능적 비교를 명시적으로 수행함으로써 생물학적 네트워크의 내성과 적응 가능성 평가에 소요되는 높은 계산 비용을 해결하기 위해.
• 외부 자극에 의해 이득을 얻는 시스템의 특성으로 정의되는 반응성—즉, 시스템이 외부 자극에 의해 유리해지는 정도—가 네트워크의 내성과 적응 가능성에 대한 예측 지표로 기능할 수 있는지 조사하기 위해.
• 원래 및 돌연변이가 발생한 네트워크 간의 반응성 차이를 기반으로 네트워크 성질(내성과 적응 가능성)을 분류하는 기계 학습 프레임워크를 개발하기 위해.
• 직접적인 기능적 비교를 대체하여 학습된 예측 모델을 도입함으로써 계산 비용이 높은 시뮬레이션에 대한 의존도를 줄이기 위해.

제안 방법

• 생물학적 네트워크를 부울 네트워크 역학을 사용하여 모델링하여 조절 상호작용을 시뮬레이션한다.
• 자기자신에 대한 자극 반응의 통계적 측도를 사용하여 원래 및 돌연변이가 발생한 네트워크 구성에서 반응성을 정량화한다.
• 원래 및 돌연변이가 발생한 네트워크 간의 반응성 차이를 분류의 입력 특성으로 계산한다.
• 이러한 반응성 차이 특성을 기반으로 다중 분류를 수행하기 위해 컨volutional 신경망(CNN)을 훈련시킨다.
• 네트워크의 반응성 프로파일에 기반하여 네트워크가 내성인지, 적응 가능성 있는지, 둘 다인지, 또는 둘 다 아닌지 예측하기 위해 CNN을 사용한다.
• 교차 검증을 사용하여 모델을 검증하고, 테스트 세트에서 분류 정확도와 F1 점수를 통해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 반응성이 생물학적 네트워크의 내성과 적응 가능성에 대해 신뢰할 수 있는 예측 변수로 기능할 수 있는가?
• RQ2 반응성 차이를 입력으로 사용할 때, 컨volutional 신경망(CNN)이 생물학적 네트워크의 내성과 적응 가능성에 대해 얼마나 정확하게 분류할 수 있는가?
• RQ3 돌연변이 이후 기능적 비교를 명시적으로 수행하는 전통적 방법에 비해 제안된 방법이 계산 비용을 줄이는가?
• RQ4 복잡한 조절 시스템에서 반응성이 네트워크의 내성과 적응 가능성 예측에 기여하는 상대적 기여도는 얼마인가?

주요 결과

• 컨볼루션 신경망은 생물학적 네트워크의 내성과 적응 가능성의 병합된 성질을 예측하는 데 높은 분류 정확도를 달성하였다.
• 원래 및 돌연변이가 발생한 네트워크 간의 반응성 차이는 네트워크 행동에 대해 강력하고 정보가 풍부한 예측 변수로 확인되었다.
• 이 모델은 네 가지 명확한 클래스로 네트워크를 성공적으로 분류하였다: 내성이고 적응 가능성 있는 네트워크, 내성은 있지만 적응 가능성 없는 네트워크, 내성은 아니지만 적응 가능성 있는 네트워크, 내성과 적응 가능성 둘 다 없는 네트워크.
• 이 방법은 돌연변이 이후 계산 비용이 높은 기능적 비교의 필요성을 크게 줄여주며, 체계 생물학에서 확장 가능한 대안을 제공한다.
• 결과는 반응성이 시스템의 내성 측정 외에도 조절 네트워크에서 진화 잠재력의 핵심 지표임을 입증한다.
• 이 방법은 부울 네트워크 모델에서 검증되었으며, '엔트로피'(Entropy) 저널에 게재되었으며, 최종 심사된 버전에 연결되는 DOI가 제공된다.