[논문 리뷰] Revisiting the Training of Logic Models of Protein Signaling Networks with a Formal Approach based on Answer Set Programming

Santiago Videla, Carito Guziołowski외 5명|arXiv (Cornell University)|2012. 10. 02.

Logic, Reasoning, and Knowledge참고 문헌 20인용 수 12

한 줄 요약

이 논문은 단백질 신호 전달 네트워크의 부울 논리 모델을 훈련하기 위해 Answer Set Programming (ASP) 기반의 형식적 방법을 제안한다. 이는 CellNOpt에서 사용하는 히우리스틱 최적화를 대체하며, 전역 최적성을 보장하는 기계적이고 완전한 탐색을 제공한다. ASP는 계산 시간에서 CellNOpt보다 최대 5개의 지수 차이를 보이며 모든 최적 모델을 찾는다. 이는 시뮬레이션된 인산화 단백질체학 데이터에서 뛰어난 효율성, 확장성 및 완전성을 입증한다.

ABSTRACT

A fundamental question in systems biology is the construction and training to data of mathematical models. Logic formalisms have become very popular to model signaling networks because their simplicity allows us to model large systems encompassing hundreds of proteins. An approach to train (Boolean) logic models to high-throughput phospho-proteomics data was recently introduced and solved using optimization heuristics based on stochastic methods. Here we demonstrate how this problem can be solved using Answer Set Programming (ASP), a declarative problem solving paradigm, in which a problem is encoded as a logical program such that its answer sets represent solutions to the problem. ASP has significant improvements over heuristic methods in terms of efficiency and scalability, it guarantees global optimality of solutions as well as provides a complete set of solutions. We illustrate the application of ASP with in silico cases based on realistic networks and data.

연구 동기 및 목표

• 히우리스틱 기반의 부울 논리 모델 훈련에서 전역 최적성의 부족과 낮은 확장성 문제를 해결하기 위해.
• CellNOpt의 확률적 최적화를 대체하여 솔루션 공간을 완전히 탐색할 수 있도록 보장하는 형식적이고 기계적인 접근 방식을 도입하기 위해.
• Answer Set Programming (ASP)이 인산화 단백질체학 데이터 기반으로 훈련된 신호 전달 네트워크의 모든 전역 최적 논리 모델을 찾는 데 성능을 평가하기 위해.
• 실제 시뮬레이션 기반 벤치마크에서 ASP의 효율성, 완전성 및 정확성을 CellNOpt의 유전 알고리즘과 비교하기 위해.
• 최적 모델의 전체 집합과 열열하지 않은 솔루션 공간의 구조적 특성에 대한 생물학적 의미를 탐색하기 위해.

제안 방법

• 고속 인산화 단백질체학 데이터에 부울 논리 모델을 훈련하는 최적화 문제를 Answer Set Programming (ASP)에서 논리 프로그램으로 인코딩한다.
• ASP는 사전 지식 네트워크(PKNs), 실험 관찰, 논리적 일관성 기반 제약 조건을 인코딩하여 모든 유효한 모델 구성 방식을 표현한다.
• ASP 솔버는 모든 답변 집합을 계산하며, 이는 데이터와 사전 지식을 모두 만족하는 모든 전역 최적 논리 모델에 해당한다.
• 최신 오픈소스 ASP 솔버(예: clingo)를 사용하여 복잡한 제약 조건과 다기준 최적화를 효율적으로 처리한다.
• 240개의 시뮬레이션된 데이터셋을 활용하여, 간세포 신호 전달 네트워크와 시뮬레이션된 인산화 단백질체학 측정값에서 CellNOpt와의 성능을 비교한다.
• 해결의 완전성과 계산 시간을, 다양한 네트워크 크기와 데이터 복잡도에서 ASP의 전체 솔루션 세트와 CellNOpt의 확률적 결과를 비교하여 평가한다.

실험 결과

연구 질문

• RQ1 ASP와 같은 형식적이고 기계적인 접근 방식이 단백질 신호 전달 네트워크의 논리 모델 훈련에서 히우리스틱 최적화를 능가할 수 있는가?
• RQ2 스토캐스틱 방법과 비교할 때 ASP는 최소 모델의 전체 집합을 식별하는 데 얼마나 전역 최적성과 완전성을 확보하는가?
• RQ3 ASP의 계산 시간은 데이터 크기와 네트워크 복잡도 증가에 따라 CellNOpt 대비 어떻게 변화하는가?
• RQ4 솔루션 공간의 복잡성이 증가함에 따라, CellNOpt와 같은 스토캐스틱 방법이 최적 솔루션을 모두 회복하지 못하는 빈도는 얼마나 되는가?
• RQ5 단일 최고 점수 모델이 아닌, 최적 모델의 전체 집합을 탐색하는 것이 생물학적으로 얼마나 유의미한가?

주요 결과

• ASP는 240개의 시뮬레이션 실험 중 202개(84%)에서 모든 전역 최적 모델을 발견했으며, CellNOpt는 최적 솔루션을 모두 회복하지 못한 경우가 53%에 달했고, 이는 네 개 이상의 최적 모델이 존재하는 경우였다.
• 단일 최소 모델이 존재하는 경우 CellNOpt는 95%의 런에서 이를 회복했지만, 솔루션 수가 증가함에 따라 성능이 크게 떨어졌다.
• ASP의 계산 시간은 0.02초에서 0.15초 사이였고, CellNOpt는 43분에서 2.7시간까지 소요되어 최대 5개의 지수 차이의 성능 우월성을 보였다.
• ASP는 솔루션 공간 전체를 고려하여 전역 최적성을 보장하지만, CellNOpt는 확률적 탐색으로 인해 이러한 보장을 갖지 못한다.
• 결과적으로 ASP는 신호 전달 네트워크의 논리 모델 훈련에서 히우리스틱 방법보다 더 효율적이고 신뢰할 수 있음을 입증한다.
• 이 연구는 단일 최고 점수 모델에 의존하는 것보다 최적 모델의 전체 집합을 탐색하는 것이 생물학적으로 더 유의미한 통찰을 제공할 수 있음을 시사한다.