[논문 리뷰] IGLOO: Integrating global and local biological network alignment

Lei Meng, Joseph Crawford외 2명|arXiv (Cornell University)|2016. 04. 20.

Bioinformatics and Genomic Networks참고 문헌 27인용 수 17

한 줄 요약

IGLOO는 기존의 국소적 네트워크 정렬(LNA)과 전역적 네트워크 정렬(GNA) 방법을 융합하여, 고기능 품질을 가진 LNA 시드를 활용해 GNA를 통한 위상적 확장을 이끌어내는 새로운 네트워크 정렬 방법을 제안한다. 이로 인해 최신 LNA 및 GNA 방법들과 비교해 성능과 위상적 정합성의 균형을 뛰어나게 향상시킨다.

ABSTRACT

Analogous to genomic sequence alignment, biological network alignment (NA) aims to find regions of similarities between molecular networks (rather than sequences) of different species. NA can be either local (LNA) or global (GNA). LNA aims to identify highly conserved common subnetworks, which are typically small, while GNA aims to identify large common subnetworks, which are typically suboptimally conserved. We recently showed that LNA and GNA yield complementary results: LNA has high functional but low topological alignment quality, while GNA has high topological but low functional alignment quality. Thus, we propose IGLOO, a new approach that integrates GNA and LNA in hope to reconcile the two. We evaluate IGLOO against state-of-the-art LNA (NetworkBLAST, NetAligner, AlignNemo, and AlignMCL) and GNA (GHOST, NETAL, GEDEVO, MAGNA++, WAVE, and L-GRAAL) methods. We show that IGLOO allows for a trade-off between topological and functional alignment quality better than the existing LNA and GNA methods considered in our study.

연구 동기 및 목표

• 국소적(LNA)과 전역적(GNA) 네트워크 정렬의 상호보완적 성질을 해결하되, LNA는 기능적 정합성에서는 뛰어나지만 위상적 보존성이 떨어지고, GNA는 위상적 정합성은 높지만 기능적 정합성은 떨어지는 문제를 해결한다.
• 위상적 정합성과 기능적 정합성 간의 본질적 트레이드오프를 극복하기 위해 LNA와 GNA의 장점을 융합한다.
• 기존의 LNA 및 GNA 방법을 어떤 방식으로든 통합할 수 있는 일반화된 프레임워크를 개발하여 알고리즘 재설계 없이도 정합성 향상을 이룬다.
• 단독으로 사용되는 LNA 또는 GNA 방법보다 기능적 정합성과 위상적 정합성의 균형이 더 뛰어나지고 향상된 트레이드오프를 달성함을 입증한다.

제안 방법

• IGLOO는 기존 LNA 방법으로 생성된 고품질 국소 정합성(시드 정합성)을 사용해 정합 과정을 시작한다.
• 이 시드 정합성이 GNA 알고리즘을 통해 확장되어 위상적 보존성을 향상시키면서도 기능적 유사성을 유지한다.
• LNA와 유사하게 다대다 노드 매핑을 지원함으로써 기능 감도를 유지하면서도, GNA와 유사하게 대규모 보존 서브그래프 식별이 가능하다.
• 노드 유사도 점수는 위상적 정보와 서열 기반 정보를 모두 포함하는 노드 비용 함수(NCF)를 통해 계산된다.
• IGLOO는 모듈러하고 일반화 가능하여, 기존의 어떤 LNA 및 GNA 방법도 구성 요소로 통합할 수 있다.
• 정합성 평가에 위상적(에지 보존, 노드 커버리지) 및 기능적(F-스코어, 단백질 기능 예측) 메트릭을 조합하여 수행된다.

실험 결과

연구 질문

• RQ1 LNA와 GNA 방법을 융합하면 단독 LNA 또는 GNA 방법보다 기능적 정합성과 위상적 정합성의 균형이 향상된 네트워크 정합성을 달성할 수 있는가?
• RQ2 고기능 품질의 LNA 시드를 사용하면 GNA 기반 확장 과정에서 기능적 정합성 품질을 향상시키되, 위상적 정합성 품질은 떨어지지 않는가?
• RQ3 다양한 PPI 네트워크에서 최신 LNA 및 GNA 방법들과 비교해 IGLOO는 기능적 및 위상적 정합성 품질 측면에서 어떻게 성능을 냈는가?
• RQ4 기존 LNA 및 GNA 방법들과 비교해 IGLOO의 계산 오버헤드는 얼마나 되며, 네트워크 크기와 복잡성 증가에 따라 합리적으로 확장되는가?
• RQ5 IGLOO는 다양한 네트워크 유형과 신뢰도 수준에서 단일 LNA 및 GNA 방법들을 일관되게 능가하는가?

주요 결과

• IGLOO 4는 모든 테스트된 방법 중에서 가장 높은 기능적 정합성 품질을 기록했으며, 고려된 모든 LNA 및 GNA 방법들보다 유의미하게 뛰어났다.
• IGLOO 0은 GHOST, NETAL, GEDEVO, MAGNA++의 네 가지 GNA 방법과 비교해 통계적으로 유의미하게 뛰어난 위상적 정합성 품질을 보였으며, GNA 기반 성능에서 가장 뛰어난 성능을 보였다.
• IGLOO 4는 네 가지 테스트된 GNA 방법 모두보다 기능적 정합성 품질에서 통계적으로 뚜렷한 우월성을 보였고, GEDEVO를 제외한 모든 방법보다 위상적 정합성 품질에서도 뛰어났다.
• IGLOO 0는 NETAL과 MAGNA++와 비교해 유의미하게 뛰어난 위상적 정합성 성능을 보였으며, 이는 최고 성능을 보이는 GNA 방법들 중 일부였다.
• IGLOO의 실행 시간은 대부분의 LNA 및 GNA 방법들과 유사하거나 더 빠르며, AlignMCL 및 NETAL 통합으로 인한 약간의 오버헤드 외에는 거의 영향을 주지 않았다.
• IGLOO는 상호작용 유형과 신뢰도 수준이 다른 네 가지 PPI 네트워크 데이터셋에서 뛰어난 안정성과 일반화 능력을 입증했으며, 이는 그 유효성과 일반성의 증거가 되었다.