[논문 리뷰] Network comparison using directed graphlets

David Aparício, Pedro Ribeiro외 1명|arXiv (Cornell University)|2015. 11. 06.

Bioinformatics and Genomic Networks참고 문헌 39인용 수 18

한 줄 요약

이 논문은 생물학적 네트워크의 방향성 구조를 포착하기 위해 비방향 그래프릿을 일반화한 방향성 그래프릿을 제안한다. g-trie 데이터 구조를 사용해 방향성 네트워크로 그래프릿 분석을 확장함으로써, 저자들은 상태 기반 최고 수준의 방법보다 빠른 속도를 보이며 임의의 크기의 방향성 및 비방향 그래프릿을 지원하는 고도로 효율적인 도구인 gtrieScanner를 도입한다. 이는 네트워크 유형에 따른 정확한 분류를 가능하게 한다.

ABSTRACT

With recent advances in high-throughput cell biology the amount of cellular biological data has grown drastically. Such data is often modeled as graphs (also called networks) and studying them can lead to new insights into molecule-level organization. A possible way to understand their structure is by analysing the smaller components that constitute them, namely network motifs and graphlets. Graphlets are particularly well suited to compare networks and to assess their level of similarity but are almost always used as small undirected graphs of up to five nodes, thus limiting their applicability in directed networks. However, a large set of interesting biological networks such as metabolic, cell signaling or transcriptional regulatory networks are intrinsically directional, and using metrics that ignore edge direction may gravely hinder information extraction. The applicability of graphlets is extended to directed networks by considering the edge direction of the graphlets. We tested our approach on a set of directed biological networks and verified that they were correctly grouped by type using directed graphlets. However, enumerating all graphlets in a large network is a computationally demanding task. Our implementation addresses this concern by using a state-of-the-art data structure, the g-trie, which is able to greatly reduce the necessary computation. We compared our tool, gtrieScanner, to other state-of-the art methods and verified that it is the fastest general tool for graphlet counting.

연구 동기 및 목표

• 대사, 신호 전달, 조절 네트워크와 같은 생물학적 네트워크에서 방향성 구조적 특징을 포착하지 못하는 비방향 그래프릿의 한계를 해결하기 위해.
• 크기가 임의인 방향성 그래프릿을 효율적이고 확장 가능한 방법으로 열거하여 대규모 네트워크 분석에서 발생하는 계산적 병목 현상을 극복하기 위해.
• 간선 방향을 활용해 더 향상된 구조적 통찰을 제공함으로써, 방향성 그래프릿을 사용해 네트워크 간 비교 및 유형 기반 분류를 정확하게 수행하기 위해.
• 모든 그래프릿 및 네트워크 모티프 열거를 지원하는 일반 목적의 도구를 구축하기 위해.

제안 방법

• 하위그래프 이sovorphism에서 간선 방향을 고려함으로써 비방향 네트워크의 그래프릿 프레임워크를 방향성 네트워크로 확장하여, 비이sovomorphic인 방향성 하위그래프로서의 방향성 그래프릿을 식별할 수 있도록 한다.
• 주어진 크기 이내의 모든 가능한 그래프릿을 압축적으로 표현하고 효율적으로 열거하기 위해 g-trie 데이터 구조를 활용한다. 이는 중복 계산을 크게 줄인다.
• 낮은 차수의 그래프릿 빈도에서 높은 차수의 그래프릿 빈도를 계산하기 위해 재귀적 방정식 체계를 사용함으로써, 네트워크의 반복적 탐색을 최소화한다.
• 사용자가 분석을 위해 맞춤형 그래프릿 또는 모티프 세트를 지정할 수 있도록 하는 유연한 쿼리 인터페이스를 구현함으로써 도구의 적응성과 유연성을 향상시킨다.
• 특히 대규모 네트워크에서 하위그래프 패턴을 효율적으로 인덱싱하고 탐색할 수 있는 g-trie의 능력을 활용해 성능을 최적화한다.
• 일관된 프레임워크와 구현을 통해 비방향 및 방향성 그래프릿, 네트워크 모티프를 모두 지원한다.

실험 결과

연구 질문

• RQ1 방향성 그래프릿은 대사, 신호 전달, 전사 조절 네트워크와 같은 다양한 생물학적 네트워크 유형을 효과적으로 구분할 수 있는가?
• RQ2 그래프릿 분석에 간선 방향을 포함함으로써, 비방향 그래프릿과 비교했을 때 구조적 차이를 더 잘 탐지할 수 있는가?
• RQ3 기존 도구와 비교해 g-trie 데이터 구조가 대규모 방향성 네트워크에서 그래프릿 열거를 얼마나 빠르게 처리할 수 있는가?
• RQ4 gtrieScanner는 다양한 네트워크 유형과 크기에서 그래프릿 및 네트워크 모티프 열거에 대해 최고 수준의 도구들과 비교해 성능 면에서 어떻게 우월한가?

주요 결과

• 방향성 그래프릿은 비방향 그래프릿이 간과하는 의미 있는 구조적 차이를 포착할 수 있음을 입증하며, 생물학적 네트워크를 유형별로 성공적으로 그룹화하였다.
• gtrieScanner는 비방향 그래프에 대해 네트워크 모티프 도구들(Kavosh, FANMOD 등)보다 평균적으로 약 두 개의 지수 차수 빠른 성능 향상을 보였고, 방향성 그래프에 대해서는 약 20배 빠른 성능 향상을 기록하였다.
• GraphCrunch와 ORCA는 크기가 ≤5인 비방향 그래프릿에 국한되어 있으나, gtrieScanner는 더 큰 크기의 방향성 그래프릿까지 지원함으로써 이를 뛰어넘었다.
• gtrieScanner는 그래프릿 및 모티프 수를 세는 데 있어 가장 빠른 일반 목적의 도구이며, 임의의 하위그래프 쿼리에 대해 뛰어난 확장성과 유연성을 제공한다.
• g-trie 색인 기반의 재귀적 방정식을 사용함으로써, 특히 더 큰 그래프릿에서 계산 오버헤드를 줄였으며 정확도를 손상시키지 않았다.
• 간선 방향이 중요한 생물학적 의미를 지닌 전사 조절 및 신호 전달 경로와 같은 방향성 네트워크의 효율적 분석을 가능하게 하였다.