[논문 리뷰] Representation Learning for Networks in Biology and Medicine: Advancements, Challenges, and Opportunities

Michelle M. Li, Kexin Huang외 1명|arXiv (Cornell University)|2021. 04. 11.

Bioinformatics and Genomic Networks참고 문헌 11인용 수 14

한 줄 요약

이 논문은 오랫동안 알려진 네트워크 생물학 및 의학의 원칙이 생물의학적 네트워크에서 표현 학습을 위한 필수 개념적 기초를 제공한다는 것을 제안한다. 복잡한 네트워크를 압축된 벡터 공간에 통합하기 위해 위상적 특징을 활용함으로써, 이 접근법은 인과 유전적 변이의 규명, 단세포 동역학 분석, 질병 진단 및 치료 향상에 있어 진전을 이끌어내며, 생물의학 분야의 미래 알고리즘 혁신을 이끄는 통합된 프레임워크를 제공한다.

ABSTRACT

With the remarkable success of representation learning in providing powerful predictions and data insights, we have witnessed a rapid expansion of representation learning techniques into modeling, analysis, and learning with networks. Biomedical networks are universal descriptors of systems of interacting elements, from protein interactions to disease networks, all the way to healthcare systems and scientific knowledge. In this review, we put forward an observation that long-standing principles of network biology and medicine -- while often unspoken in machine learning research -- can provide the conceptual grounding for representation learning, explain its current successes and limitations, and inform future advances. We synthesize a spectrum of algorithmic approaches that, at their core, leverage topological features to embed networks into compact vector spaces. We also provide a taxonomy of biomedical areas that are likely to benefit most from algorithmic innovation. Representation learning techniques are becoming essential for identifying causal variants underlying complex traits, disentangling behaviors of single cells and their impact on health, and diagnosing and treating diseases with safe and effective medicines.

연구 동기 및 목표

• 생물의학적 네트워크에서 표현 학습을 이끄는 데 기초가 되는, 암묵적이지만 핵심적인 원칙들을 식별하고 명시하는 것.
• 위상적 특징을 사용하여 네트워크를 저차원 벡터 공간에 통합하는 기존 알고리즘 접근법을 통합하는 것.
• 미래의 표현 학습 알고리즘 혁신에서 가장 유의미하게 혜택을 볼 수 있는 생물의학 분야의 분류 체계를 제공하는 것.
• 표현 학습이 복잡한 특성의 인과 유전적 변이 규명과 건강 및 질병 상태에서 세포 행동의 분해에 어떻게 향상되는지 보여주는 것.
• 정밀의료, 약물 개발, 생물학적 시스템의 체계적 이해 향상에 기여하는 표현 학습을 핵심 도구로 위치시키는 것.

제안 방법

• 논문은 네트워크 구조를 밀도 있는 벡터 표현으로 매핑하는 데 사용되는 위상적 및 구조적 특징을 활용하는 표현 학습 알고리즘을 검토하고 분류한다.
• 지역 및 전반적인 네트워크 위상 구조를 유지하는 그래프 신경망과 node2vec, DeepWalk 및 그 변종과 같은 노드 임베딩 기법의 사용을 강조한다.
• 표현 설계를 향상시키고 해석 가능성을 높이기 위해 시스템 생물학과 네트워크 의학 분야의 도메인 전문 지식을 통합한다.
• 단백질 상호작용 네트워크, 유전자 공발현 네트워크, 질병-질병 또는 약물-질병 연관성 네트워크를 포함한 다양한 생물의학적 네트워크에 이 프레임워크를 적용한다.
• 네트워크 유형, 생물학적 척도, 임상적 관련성 기반으로 생물의학적 응용을 분류하는 개념적 분류 체계를 사용한다.
• 일반화 및 생물학적 타당성을 향상시키기 위해 생물학적 사전 지식을 표현 학습 모델에 통합할 것을 주장한다.

실험 결과

연구 질문

• RQ1 기존의 네트워크 생물학 및 의학 원칙은 어떻게 생물의학적 네트워크에서의 표현 학습을 이끌고 향상시킬 수 있는가?
• RQ2 생물학적 및 의료적 맥락에서 효과적이고 의미 있는 네트워크 임베딩을 가능하게 하는 주요 위상적 특징은 무엇인가?
• RQ3 표현 학습 기술의 발전에서 가장 큰 혜택을 볼 수 있는 생물의학 분야는 어디인가?
• RQ4 표현 학습은 복잡한 특성의 인과 유전적 변이 규명에 어떻게 기여할 수 있는가?
• RQ5 학습된 표현은 단세포 행동과 그가 건강 및 질병에 미치는 체계적 영향을 이해하는 데 어떻게 향상시킬 수 있는가?

주요 결과

• 생물의학적 네트워크의 위상적 특징을 활용하는 표현 학습 기법은 체계 생물학에서 후속 예측의 정확성과 해석 가능성에 크게 기여한다.
• 네트워크 생물학 원칙을 기계 학습 모델에 통합함으로써 현재의 성공을 설명하는 개념적 프레임워크를 제공하며, 표현 학습의 핵심적 한계를 규명한다.
• node2vec 및 DeepWalk과 같은 임베딩 방법은 단백질 상호작용 네트워크와 질병 연관성 네트워크의 구조적 관계를 효과적으로 포착하여 생물학적 메커니즘에 대한 새로운 통찰을 가능하게 한다.
• 표현 학습은 세포 상호작용 네트워크와 그 동적 변화를 모델링함으로써 단세포 행동의 보다 정밀한 분해를 가능하게 한다.
• 이러한 기법들은 고차원 유전체 및 조절 네트워크에서 학습함으로써 복잡한 특성의 인과 변이 규명에 핵심적인 역할을 한다.
• 의료 시스템과 과학 지식 네트워크에 표현 학습을 적용함으로써 의료 데이터 내 숨겨진 패턴을 파악함으로써 신약 개발과 임상 의사결정 지원이 향상된다.