[논문 리뷰] Mixed membership analysis of high-throughput interaction studies: Relational data

Edoardo M. Airoldi, David M. Blei외 2명|ArXiv.org|2007. 06. 03.

Bioinformatics and Genomic Networks참고 문헌 23인용 수 9

한 줄 요약

이 논문은 관계형 단백질-단백질 상호작용 데이터를 사용하여 기능 모듈 간의 상호작용 패턴을 추정하고 단백질의 혼합 소속성을 식별하는 베이지안 계층 모델인 잠재 블록의 혼합(Admixture of Latent Blocks, ALB)을 제안한다. 이 방법은 대규모 효모 상호작용 네트워크를 효율적으로 분석하기 위해 변분 추론을 활용하며, 기능 모듈과 그 상호작용의 간결하고 해석 가능한 표현을 통해 단백질의 다양한 기능적 역할을 드러낸다.

ABSTRACT

In this paper, we consider the statistical analysis of a protein interaction network. We propose a Bayesian model that uses a hierarchy of probabilistic assumptions about the way proteins interact with one another in order to: (i) identify the number of non-observable functional modules; (ii) estimate the degree of membership of proteins to modules; and (iii) estimate typical interaction patterns among the functional modules themselves. Our model describes large amount of (relational) data using a relatively small set of parameters that we can reliably estimate with an efficient inference algorithm. We apply our methodology to data on protein-to-protein interactions in saccharomyces cerevisiae to reveal proteins' diverse functional roles. The case study provides the basis for an overview of which scientific questions can be addressed using our methods, and for a discussion of technical issues.

연구 동기 및 목표

• 고고도 단백질 상호작용 네트워크에서 관측되지 않는 기능 모듈을 식별하기 위해.
• 단일 그룹 할당 가정을 완화하기 위해 다수의 기능 모듈에 대한 단백질 소속도를 추정하기 위해.
• 기능 모듈 간의 일반적인 상호작용 패턴을 모델링하고 추정하기 위해.
• 대규모 관계형 생물학적 데이터에 대해 확장 가능하고 효율적인 추론 방법을 제공하기 위해.
• 잠재 모듈 구조를 활용하여 새로운 상호작용과 단백질 기능 주석을 예측할 수 있도록 하기 위해.

제안 방법

• 단백질에 대한 혼합 소속성을 고려한 계층 베이지안 모델인 잠재 블록의 혼합(Admixture of Latent Blocks, ALB) 모델을 제안한다.
• 단백질 그룹 간의 상호작용 확률을 코딩하기 위해 확률적 블록 구조를 사용한다.
• 계산 비용이 높은 MCMC를 피하기 위해 효율적인 사후 추론을 위한 중첩된 변분 기대최대화 알고리즘을 적용한다.
• 잠재 그룹 소속과 상호작용 매개변수에 대한 사후 추정을 단순화하기 위해 평균장 근사법을 사용한다.
• 기능 모듈의 수를 민감하게 추정할 수 있도록 비모수 베이지안 사전분포를 통합한다.
• 예측된 기능적 내용과 상호작용 정밀도를 검증하기 위해 유전자 온톨로지(Gene Ontology, GO) 주석을 금표로 사용한다.

실험 결과

연구 질문

• RQ1 단백질이 다수의 모듈에 속할 수 있는 상황에서 단백질 상호작용 네트워크에서 기능 모듈을 어떻게 식별할 수 있는가?
• RQ2 각 단백질이 다수의 기능 모듈에 얼마나 소속되어 있는지를 최적으로 추정하는 방법은 무엇인가?
• RQ3 기능 모듈 간에 발생하는 상호작용 패턴을 어떻게 모델링하고 추정할 수 있는가?
• RQ4 잠재 블록 구조가 예측된 단백질 상호작용의 정밀도와 재현율을 향상시킬 수 있는가?
• RQ5 유추된 모듈 구조를 어떻게 사용하여 고고도 상호작용 데이터를 노이즈 제거하고 요약할 수 있는가?

주요 결과

• ALB 모델은 유전자 온톨로지(Gene Ontology, GO) 주석을 통해 검증된 바와 같이, MIPS 단백질 상호작용 네트워크에서 높은 정밀도로 기능 모듈을 성공적으로 식별하였다.
• 모델은 후행 평균이 그룹 소속 벡터(π)와 상호작용 매개변수(B)에 의해 간결하면서도 정확한 데이터 표현을 제공함으로써 기능 주석 예측에 높은 정밀도를 달성하였다.
• ALB 모델 기반으로 예측된 상호작용 네트워크는 기능 정밀도 측면에서 원래의 MIPS 데이터셋을 초월하였으며, 특히 낮은 재현율 수준에서 두드러진 성능을 보였다.
• 예측된 상호작용의 고밀도 블록에는 원래의 MIPS 데이터셋에 존재하지 않았던 알려진 기능적 연관성이 포함되어 있었으며, 이는 모델이 생물학적으로 의미 있는 관계를 유추할 수 있음을 시사한다.
• ALB 모델은 후행 평균이 단백질 그룹 소속(Z)을 통해 상호작용 네트워크의 기능적 내용을 높은 정확도로 대부분 포괄함으로써 기능적 내용 요약 측면에서 뛰어난 성능을 보였다.
• 변분 추론의 사용으로 대규모 상호작용 데이터 분석이 효율적으로 이루어졌으며, 이는 고고도 생물학적 응용에 있어 확장 가능한 방법임을 입증하였다.