[论文解读] Centralities in Simplicial Complexes

Ernesto Estrada, Grant J. Ross|arXiv (Cornell University)|Mar 10, 2017

Bioinformatics and Genomic Networks参考文献 37被引用 7

一句话总结

本文提出了单纯形中心性度量——将传统的节点中心性扩展至更高阶单纯形（如边和三角形）——应用于从蛋白质-蛋白质相互作用（PPI）网络构建的单纯复形中。通过在多个单纯形层级上分析度中心性、接近中心性、中介中心性、特征向量中心性、Katz中心性和子图中心性，研究发现三角形中心性能够捕捉到节点中心性所遗漏的结构模式（例如，参与多个三角形的边），显著提升了在酿酒酵母PPI网络中识别关键蛋白的能力。

ABSTRACT

Complex networks can be used to represent complex systems which originate in the real world. Here we study a transformation of these complex networks into simplicial complexes, where cliques represent the simplices of the complex. We extend the concept of node centrality to that of simplicial centrality and study several mathematical properties of degree, closeness, betweenness, eigenvector, Katz, and subgraph centrality for simplicial complexes. We study the degree distributions of these centralities at the different levels. We also compare and describe the differences between the centralities at the different levels. Using these centralities we study a method for detecting essential proteins in PPI networks of cells and explain the varying abilities of the centrality measures at the different levels in identifying these essential proteins. The paper is written in a self-contained way, such that it can be used by practitioners of network theory as a basis for further developments.

研究动机与目标

• 解决传统网络模型仅能表示成对相互作用的局限性，这些模型无法捕捉如蛋白质复合物等高阶相互作用。
• 构建数学框架，将节点中心性扩展至单纯复形中的高阶单纯形（边、三角形）。
• 分析不同单纯形层级（节点、边、三角形）上各类中心性度量在分布和排序上的差异。
• 研究高阶中心性度量是否相比标准基于节点的方法，能更有效地检测酿酒酵母PPI网络中的关键蛋白。
• 揭示仅通过高阶中心性才能检测到的PPI网络结构模式，例如边参与多个三角形。

提出的方法

• 通过识别团作为单纯形，将蛋白质-蛋白质相互作用（PPI）网络转化为单纯复形，确保满足子集运算下的封闭性。
• 在节点、边和三角形层级上定义并计算六种中心性度量——度中心性、接近中心性、中介中心性、特征向量中心性、Katz中心性和子图中心性。
• 利用不同单纯形层级上中心性的度分布，比较各层级间的结构重要性。
• 将中心性度量应用于真实的酿酒酵母PPI网络，对蛋白质进行排序，并评估其识别关键蛋白的能力。
• 识别出如边参与多个三角形等结构基序，这些基序即使在节点度较低时也能导致高三角形中心性。
• 比较基于节点中心性与三角形中心性的蛋白质排序，以评估在关键蛋白检测中的性能表现。

实验结果

研究问题

• RQ1 在源自PPI网络的单纯复形中，中心性度量（度、接近、中介、特征向量、Katz、子图）在节点、边和三角形上的分布有何差异？
• RQ2 在酿酒酵母PPI网络中，高阶中心性度量（如三角形中心性）在多大程度上比传统节点中心性更有效地检测关键蛋白？
• RQ3 PPI网络中哪些结构模式导致高三角形中心性但对节点中心性不可见？
• RQ4 单纯复形的封闭性属性——即任意单纯形的所有子集也必须是单纯形——如何使其相比超图或标准网络，能更好地建模如异源三聚体等生物复合物？
• RQ5 基于中心性的蛋白质排序在不同单纯形层级（如节点与三角形）之间是否存在显著差异？这对网络分析和动力学过程有何启示？

主要发现

• 尽管节点度较低（分别为4和4），三角形中心性仍能将关键蛋白YDL148C和YMR112C识别为高度中心，因为其所在三角形中的边参与了大量其他三角形。
• 蛋白YDL148C仅形成5个三角形，但由于其边伙伴参与了额外88个三角形，因此在三角形中心性中表现高度中心，凸显了边在高阶团中参与的重要性。
• 蛋白YMR112C虽仅形成4个三角形，却因边伙伴参与了14至19个额外三角形而在三角形中心性中排名靠前，突显了边层级连通性在高阶中心性中的作用。
• 节点中心性无法识别出形成少量三角形或属于非团结构（如具有高连接度但三角形参与度低的轮状构型）的蛋白的关键性。
• 中心性在不同单纯形层级上的度分布存在显著差异，表明某一层次（如节点）的中心性无法预测另一层次（如三角形）的中心性，因此必须进行多层级分析。
• 如嵌入密集三角形簇中的边等结构模式，显著贡献于三角形中心性，但无法被节点层级度量捕捉，揭示了与生物功能相关的隐藏网络拓扑。