[논문 리뷰] SHINE: SubHypergraph Inductive Neural nEtwork

Yuan Luo|arXiv (Cornell University)|2022. 10. 13.

Advanced Graph Neural Networks인용 수 5

한 줄 요약

SHINE는 초그래프 내에서 하위그래프 표현을 학습하기 위한 최초의 인덕티브 신경망으로, 이중 주의 메시지 전파를 사용하여 유전자와 경로를 함께 임bedding하고, 하위그래프 분류와 노드 유사성 정규화를 동시에 최적화한다. 대규모 NGS 데이터셋에서 최신 기술을 초월하는 성능을 달성하며, GNN, XGBoost, NMF 및 다유전자 위험 점수를 능가하며, 해석 가능하고 기능적으로 통찰력 있는 질병 모델을 제공한다.

ABSTRACT

Hypergraph neural networks can model multi-way connections among nodes of the graphs, which are common in real-world applications such as genetic medicine. In particular, genetic pathways or gene sets encode molecular functions driven by multiple genes, naturally represented as hyperedges. Thus, hypergraph-guided embedding can capture functional relations in learned representations. Existing hypergraph neural network models often focus on node-level or graph-level inference. There is an unmet need in learning powerful representations of subgraphs of hypergraphs in real-world applications. For example, a cancer patient can be viewed as a subgraph of genes harboring mutations in the patient, while all the genes are connected by hyperedges that correspond to pathways representing specific molecular functions. For accurate inductive subgraph prediction, we propose SubHypergraph Inductive Neural nEtwork (SHINE). SHINE uses informative genetic pathways that encode molecular functions as hyperedges to connect genes as nodes. SHINE jointly optimizes the objectives of end-to-end subgraph classification and hypergraph nodes' similarity regularization. SHINE simultaneously learns representations for both genes and pathways using strongly dual attention message passing. The learned representations are aggregated via a subgraph attention layer and used to train a multilayer perceptron for inductive subgraph inferencing. We evaluated SHINE against a wide array of state-of-the-art (hyper)graph neural networks, XGBoost, NMF and polygenic risk score models, using large scale NGS and curated datasets. SHINE outperformed all comparison models significantly, and yielded interpretable disease models with functional insights.

연구 동기 및 목표

• 특히 유전학적 의료 응용 분야에서 초그래프 내에서 인덕티브 하위그래프 표현 학습에 대한 해결되지 않은 필요성을 충족한다.
• 유전자 변이가 연결된 환자별 하위그래프를 모델링하여 질병 아형의 정확한 예측을 가능하게 한다.
• 유전자(노드)와 경로(초간선)의 표현을 동시에 학습하여 해석 가능성과 기능적 추론을 지원한다.
• 하위그래프 주의 및 유사성 정규화를 통합하여, 미리 보지 않은 하위그래프에 대한 일반화 능력과 인덕티브 편향을 향상시킨다.
• 다양한 종류의 암에서 생물학적으로 관련이 있는 고주의 경로를 식별하여 질병 기전에 대한 기능적 통찰을 제공한다.

제안 방법

• 유전자가 노드이고 기능적 경로가 다수의 유전자를 연결하는 초그래프 구조를 사용한다.
• 이웃 및 초간선의 맥락 정보를 사용하여 노드와 초간선의 표현을 함께 업데이트하기 위해 강력한 이중 주의 메시지 전파를 구현한다.
• 하위그래프 수준의 통합 임베딩을 위해 노드 표현을 집계하기 위해 하위그래프 주의 레이어를 적용한다.
• 두 개의 목적을 동시에 최적화한다: 엔드 투 엔드 하위그래프 분류와 기능적 관계를 유지하기 위한 노드 유사성 정규화.
• 미리 보지 않은 하위그래프에 대한 인덕티브 추론을 위해 집계된 하위그래프 표현에 다층 퍼셉트론을 훈련시킨다.
• 모델의 주의 가중치를 활용하여 질병 발병 및 진행에 기여하는 핵심 경로를 식별하고 해석한다.

실험 결과

연구 질문

• RQ1 초그래프 신경망은 훈련 중에 볼 수 없었던 다양한 크기의 하위그래프에 대해 효과적으로 인덕티브 표현을 학습할 수 있는가?
• RQ2 노드(유전자)와 초간선(경로)의 표현을 동시에 학습함으로써 모델 성능과 해석 가능성은 어떻게 향상되는가?
• RQ3 초그래프 구조와 유사성 정규화를 통합함으로써 표준 GNN 및 기준 모델 대비 하위그래프 분류 정확도는 어느 정도 향상되는가?
• RQ4 어떤 생물학적 경로가 특정 종류의 암에 대해 가장 예측 가능하며, 이는 알려진 분자 메커니즘과 일치하는가?
• RQ5 SHINE의 주의 메커니즘은 기능적으로 관련이 있고 생물학적으로 일관된 경로를 식별할 수 있으며, 이들이 함께 암 발생에 기여하는가?

주요 결과

• SHINE는 TCGA-MC3 데이터셋에서 최신 기술 GNN, XGBoost, NMF 및 다유전자 위험 점수를 포함한 모든 비교 모델을 뛰어넘는 성능을 보였다.
• TCGA-MC3 데이터셋에서 SHINE는 AUC 0.6955 ± 0.0034와 AUPRC 0.5319 ± 0.0049를 기록하여 뛰어난 일반화 능력과 강건성을 입증했다.
• 초그래프 정규화 없이 학습한 SHINE는 성능이 낮았으며(AUC: 0.6829 ± 0.0059) 이는 초그래프 구조가 표현 학습에서 중요한 역할을 한다는 것을 확인한다.
• 모델은 유방암 및 폐암 진행에 핵심적인 역할을 하는 것으로 알려진 TNF/α, 4-1BB, VIP/PACAP, ErbB3 신호 전달 경로와 같은 생물학적으로 관련된 경로를 식별했다.
• 주의 가중치는 미토콘드리아 아폽토시스 및 지질 합성과 관련된 여러 경로 간의 기능적 상관관계를 드러내어 종양 발생에 기여하는 상호작용적 역할을 시사했다.
• 해석 가능성 분석을 통해 SHINE에서 상위 랭크된 경로가 기존의 유전학적 및 의학적 지식과 일치함을 확인하여 모델의 생물학적 관련성과 임상 잠재력을 검증했다.