[논문 리뷰] From homogeneous to heterogeneous network alignment

Shawn Gu, John P. Johnson외 2명|arXiv (Cornell University)|2017. 04. 04.

Bioinformatics and Genomic Networks참고 문헌 15인용 수 1

한 줄 요약

이 논문은 WAVE, MAGNA++, 및 SANA와 같은 최신 동종 네트워크 정렬(Na) 기법들을 확장하여 다중 노드 및 엣지 유형을 가진 네트워크를 처리할 수 있도록 하는 최초의 异종 네트워크 정렬(HNA) 방법을 소개한다. 이는 이질적 그래프릿과 확장된 S³ 측도를 제안하여 동종 대비 합성 및 생물학적 네트워크에서 훨씬 높은 정렬 품질과 노이즈에 대한 강건성을 달성한다.

ABSTRACT

Network alignment (NA) compares networks with the goal of finding a node mapping that uncovers highly similar (conserved) network regions. Existing NA methods are homogeneous, i.e., they can deal only with networks containing nodes and edges of one type. Due to increasing amounts of heterogeneous network data with nodes or edges of different types, we extend three recent state-of-the-art homogeneous NA methods, WAVE, MAGNA++, and SANA, to allow for heterogeneous NA for the first time. We introduce several algorithmic novelties. Namely, these existing methods compute homogeneous graphlet-based node similarities and then find high-scoring alignments with respect to these similarities, while simultaneously maximizing the amount of conserved edges. Instead, we extend homogeneous graphlets to their heterogeneous counterparts, which we then use to develop a new measure of heterogeneous node similarity. Also, we extend $S^3$, a state-of-the-art measure of edge conservation for homogeneous NA, to its heterogeneous counterpart. Then, we find high-scoring alignments with respect to our heterogeneous node similarity and edge conservation measures. In evaluations on synthetic and real-world biological networks, our proposed heterogeneous NA methods lead to higher-quality alignments and better robustness to noise in the data than their homogeneous counterparts. The software and data from this work is available upon request.

연구 동기 및 목표

• 다양한 노드 및 엣지 유형을 포함한 이질적 생물학적 네트워크에서의 네트워크 정렬 증가 수요를 해결한다.
• 기존의 동종 NA 방법이 다중 데이터 유형을 처리할 수 없는 한계를 극복한다.
• 정렬 품질과 강건성을 유지하면서 동종 NA 기법을 이질적 환경으로 확장하는 통합 프레임워크를 개발한다.
• 정렬 정확도 향상을 위해 이질적 노드 유사도 및 엣지 보존을 위한 새로운 측도를 제안한다.
• 제안된 방법을 합성 및 실제 생물학적 네트워크에서 평가하여 동종 기반 대비 우수성을 입증한다.

제안 방법

• 국소 네트워크 모티프에 다중 노드 및 엣지 유형을 통합하여 동종 그래프릿을 이질적 그래ph릿으로 확장한다.
• 이질적 그래프릿의 구조적 및 유형 인식 유사도에 기반한 새로운 이질적 노드 유사도 측도를 개발한다.
• 유형별 엣지 대응 및 위상 보존을 고려하여 S³ 엣지 보존 측도를 이질적 네트워크로 확장한다.
• WAVE, MAGNA++, 및 SANA의 최적화 파이프라인에 새로운 이질적 노드 유사도 및 엣지 보존 측도를 통합한다.
• 이중 단계 정렬 전략을 사용한다: 먼저 이질적 유사도를 계산하고, 그 다음 노드 및 엣지 보존을 최대화하는 고점수 정렬을 최적화한다.
• 기존 정렬 프레임워크를 활용하지만, 이질적 구조적 및 유형 인식 특징을 반영하도록 점수 함수를 적응시킨다.

실험 결과

연구 질문

• RQ1 기존의 동종 네트워크 정렬 기법들이 다중 노드 및 엣지 유형을 가진 이질적 네트워크를 효과적으로 확장할 수 있는가?
• RQ2 이질적 그래프릿의 사용이 다중 유형 네트워크에서의 노드 유사도 추정에 어떻게 기여하는가?
• RQ3 제안된 이질적 엣지 보존 측도(확장된 S³)가 동종 대비 정렬 품질 향상에 어느 정도 기여하는가?
• RQ4 확장된 방법들은 실제 및 합성 이질적 네트워크에서 정렬 정확도와 노이즈에 대한 강건성 측면에서 어떻게 성능을 발휘하는가?
• RQ5 이질적 구조적 특징의 통합이 비교 네트워크 분석에서 생물학적으로 더 의미 있는 정렬을 이끌어내는가?

주요 결과

• 제안된 이질적 네트워크 정렬 방법은 합성 및 실제 생물학적 네트워크 모두에서 동종 대비 훨씬 높은 정렬 품질을 달성한다.
• 이질적 그래프릿의 사용은 유형별 구조 패턴을 포착함으로써 더 정확한 노드 유사도 추정을 가능하게 한다.
• 이질적 네트워크를 위한 확장된 S³ 측도는 엣지 보존 탐지 능력을 향상시켜 더 생물학적으로 일관된 정렬을 이끌어낸다.
• 확장된 방법들은 네트워크 데이터의 노이즈에 대해 뛰어난 강건성을 보이며, 손상 조건에서도 높은 정렬 정확도를 유지한다.
• 이 프레임워크는 정점 및 엣지 보존을 유지하면서 세 가지 최신 동종 NA 기법—WAVE, MAGNA++, 및 SANA—를 이질적 환경으로 일반화하는 데 성공한다.
• 이 연구의 소프트웨어 및 데이터는 요청 시 공개되어 재현 가능성과 이질적 네트워크 분석 분야의 향후 연구를 지원한다.