[논문 리뷰] MGN-Net: a multi-view graph normalizer for integrating heterogeneous biological network populations

Islem Rekik, Mustafa Burak Gürbüz|arXiv (Cornell University)|2021. 04. 04.

Bioinformatics and Genomic Networks참고 문헌 56인용 수 9

한 줄 요약

MGN-Net는 뇌 연결도와 같은 이질적인 다중 시야 생물학적 네트워크를 하나의 위상적으로 타당하고 대표적인 연결 템플릿으로 정규화하고 통합하는 그래프 신경망 기반 방법이다. 건강한 인구와 질환을 가진 인구 모두에서 더 중심에 위치하고 특징이 뚜렷하며 위상 구조를 유지하는 템플릿을 생성함으로써, 기존의 통합 방법보다 뛰어난 성능을 보이며 병리적 연결 패턴의 탐지 능력을 향상시킨다.

ABSTRACT

With the recent technological advances, biological datasets, often represented by networks (i.e., graphs) of interacting entities, proliferate with unprecedented complexity and heterogeneity. Although modern network science opens new frontiers of analyzing connectivity patterns in such datasets, we still lack data-driven methods for extracting an integral connectional fingerprint of a multi-view graph population, let alone disentangling the typical from the atypical variations across the population samples. We present the multi-view graph normalizer network (MGN-Net; https://github.com/basiralab/MGN-Net), a graph neural network based method to normalize and integrate a set of multi-view biological networks into a single connectional template that is centered, representative, and topologically sound. We demonstrate the use of MGN-Net by discovering the connectional fingerprints of healthy and neurologically disordered brain network populations including Alzheimer's disease and Autism spectrum disorder patients. Additionally, by comparing the learned templates of healthy and disordered populations, we show that MGN-Net significantly outperforms conventional network integration methods across extensive experiments in terms of producing the most centered templates, recapitulating unique traits of populations, and preserving the complex topology of biological networks. Our evaluations showed that MGN-Net is powerfully generic and easily adaptable in design to different graph-based problems such as identification of relevant connections, normalization and integration.

연구 동기 및 목표

• 이질적이고 다중 시야 생물학적 네트워크—특히 뇌 연결도—를 하나의 대표적이고 위상적으로 일관된 연결 템플릿으로 통합하는 문제를 해결하기 위해.
• 데이터 기반 정규화 과정을 통해 건강한 인구와 질환을 가진 인구 모두에서 개인 간 변동성을 줄이기 위해.
• 건강한 인구와 질환을 가진 인구의 정규화된 템플릿을 비교하여 병리적 연결 패턴을 더 정확하게 식별할 수 있도록 하기 위해.
• 다양한 생물학적 데이터셋에서 복잡한 네트워크 위상을 유지하는 일반적이고 유연하게 적용 가능한 그래프 기반 통합 프레임워크를 개발하기 위해.

제안 방법

• MGN-Net는 인구의 여러 그래프 시야에서 노드 임베딩과 쌍별 노드 관계를 학습하기 위해 그래프 신경망(GNN) 아키텍처를 활용한다.
• 엔드 투 엔드 학습을 통해 공유된 대표 연결 템플릿을 학습함으로써 다수의 다중 시야 그래프 인구 간 연결을 정규화한다.
• 입력으로 스택된 인cidience 행렬을 처리하여 GPU에서 효율적인 그래프 컬러션 연산을 수행할 수 있도록 엣지, 특징, 노드 임베딩 리스트로 변환한다.
• 계산 비용을 제어하기 위해 무작위 부분집합 크기 하이퍼파rameter를 사용하며, 훈련 및 추론은 Tesla V100 GPU에서 가속화된다.
• 모델은 그래프 컬러션 연산과 역전파를 계산하여 템플릿의 대표성과 위상 충실도를 최적화한다.
• 오픈소스 구현체는 GitHub에 공개되어 있으며, 구성 파일을 통한 가변 하이퍼파rameter 설정을 지원하며 시뮬레이션 및 실제 데이터셋 모두에서 사용 가능하다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 방법이 이질적인 다중 시야 생물학적 네트워크를 하나의 대표적이고 위상적으로 타당한 연결 템플릿으로 효과적으로 통합할 수 있는가?
• RQ2 기존 방법과 비교해 MGN-Net은 생물학적 네트워크의 복잡한 위상을 통합 과정에서 얼마나 잘 유지하는가?
• RQ3 MGN-Net은 건강한 인구와 신경학적 장애를 가진 인구의 뇌 네트워크에서 정상적인 연결 패턴과 이질적인 연결 패턴을 어느 정도 정확하게 구분할 수 있는가?
• RQ4 MGN-Net의 정규화된 템플릿은 기존의 통합 기법에 비해 뇌 네트워크에서 병리적 변화를 탐지하는 데 어떻게 향상되는가?
• RQ5 MGN-Net은 뇌 네트워크 통합을 초월하여 다른 그래프 기반 생물학 문제에도 일반화되고 적용 가능한가?

주요 결과

• MGN-Net는 평가된 모든 데이터셋에서 가장 중심에 위치한 연결 템플릿을 생성하여, 기존의 네트워크 통합 방법에 비해 템플릿의 대표성 측면에서 뚜렷한 승리를 거두었다.
• MGN-Net에서 학습된 템플릿는 알츠하이머병과 자폐 스펙트럼 장애에서의 고유한 인구 특성—예를 들어 특이적인 연결 패턴—를 효과적으로 재현하였다.
• 기본 방법에 비해 MGN-Net은 생물학적 네트워크의 복잡한 위상을 더 잘 유지하며 통합 과정에서 구조적 충실도를 유지하였다.
• 이 방법은 건강한 뇌 네트워크 인구와 질환을 가진 인구를 구분하는 데 기여하는 특징적인 연결을 식별하는 데 뛰어난 성능을 보였다.
• 오픈소스 구현체는 재현 가능성과 적응 가능성에 기여하였으며, 외부 데이터셋 지원과 사용자 정의 가능한 하이퍼파rameter 설정이 가능했다.
• ADNI와 ABIDE의 데이터를 사용하여 형태학적 네트워크를 생성하였으며, 해당 연결 뇌 템플릿는 관련 콈소리아의 승인을 얻은 후 공개 가능하다.