[论文解读] Biological Systems as Heterogeneous Information Networks: A Mini-review and Perspectives

Koki Tsuyuzaki, Itoshi Nikaido|arXiv (Cornell University)|Dec 24, 2017

Bioinformatics and Genomic Networks参考文献 59被引用 10

一句话总结

这篇简要综述提出将生物系统建模为异质信息网络（HINs），以整合多种类型的生物数据（如基因、蛋白质和代谢物）到统一的网络框架中。通过利用HIN特异性方法，如基于路径的相似性与元路径挖掘，该方法能够实现对复杂生物关系的高级分析，为系统生物学和药物发现提供新见解。

ABSTRACT

In the real world, most objects and data have multiple types of attributes and inter-connections. Such data structures are named "Heterogeneous Information Networks" (HIN) and have been widely researched. Biological systems are also considered to be highly complicated HIN. In this work, we review various applications of HIN methods to biological and chemical data, discuss some advanced topics, and describe some future research directions.

研究动机与目标

• 解决将异质生物数据（如基因、蛋白质、药物）整合到统一分析框架中的挑战。
• 展示异质信息网络（HINs）在建模复杂生物系统方面的实用性，超越传统同质网络的局限。
• 识别适用于生物数据的HIN关键方法进展，如基于元路径的相似性与HIN嵌入技术。
• 概述在系统生物学、药物发现和网络医学中使用HIN的未来研究方向。
• 通过在生物网络分析中推广基于HIN的方法，弥合信息科学与系统生物学之间的差距。

提出的方法

• 将生物系统建模为异质信息网络（HINs），其中节点代表多种生物实体（如基因、蛋白质、药物），边代表多种类型的生物关系。
• 利用元路径——在异质节点和边上的用户定义路径——来捕捉复杂语义关系（例如，通过蛋白质中介的基因-疾病关联）。
• 应用基于路径的相似性度量，使用预定义的元路径计算生物实体之间的语义相关性。
• 采用HIN嵌入技术，学习保留结构和语义信息的节点低维向量表示。
• 将多组学数据（基因组、蛋白质组、代谢组）整合到单一HIN中，以实现跨模态的生物推理。
• 利用基于HIN的方法完成下游任务，如基因功能预测、药物-靶点相互作用预测和疾病相关基因优先排序。

实验结果

研究问题

• RQ1 如何有效将异质生物数据建模为单一、集成的网络结构？
• RQ2 在复杂生物系统中，捕捉语义关系的最有效HIN方法是什么？
• RQ3 基于元路径的方法如何提升生物实体相似性和预测任务的准确性？
• RQ4 在系统生物学和生物医学数据中应用HIN时，面临的主要挑战和局限是什么？
• RQ5 未来哪些研究方向可增强HIN在药物发现和系统医学中的应用？

主要发现

• 异质信息网络能够有效整合多种生物数据类型——包括基因、蛋白质、药物和疾病——进入单一分析框架。
• 基于元路径的相似性度量显著优于同质网络方法，在识别功能相关生物实体方面表现更优。
• HIN嵌入方法能够同时保留结构和语义关系，从而实现对基因-疾病关联和药物-靶点相互作用的准确预测。
• 通过HIN整合多组学数据，可实现对复杂生物过程和调控网络的系统级洞察。
• 基于HIN的方法在利用间接生物关联优先排序候选致病基因和现有药物重定位方面展现出强大潜力。
• 该综述识别出若干关键挑战，包括大规模生物网络的可扩展性问题，以及跨领域标准化元路径定义的迫切需求。