[논문 리뷰] Enhancing the functional content of protein interaction networks

Gaurav Pandey, Sahil Manocha외 2명|arXiv (Cornell University)|2012. 10. 25.

Bioinformatics and Genomic Networks참고 문헌 25인용 수 4

한 줄 요약

이 논문은 단백질 상호작용 네트워크의 노이즈를 줄이고 기능적 연결성을 향상시키기 위해 일반 이웃 유사도(CNS) 측정치—특히 연속적 h-신뢰도(HC.cont)—를 사용하는 그래프 변환 프레임워크를 제안한다. 간선 신뢰도 점수를 활용하여 HC.cont는 다른 CNS 측정치보다 단백질 기능 예측의 정확도를 높이며, 특히 기능적으로 연결이 약한 기능 클래스에서 뛰어난 성능을 보인다.

ABSTRACT

Protein interaction networks are a promising type of data for studying complex biological systems. However, despite the rich information embedded in these networks, they face important data quality challenges of noise and incompleteness that adversely affect the results obtained from their analysis. Here, we explore the use of the concept of common neighborhood similarity (CNS), which is a form of local structure in networks, to address these issues. Although several CNS measures have been proposed in the literature, an understanding of their relative efficacies for the analysis of interaction networks has been lacking. We follow the framework of graph transformation to convert the given interaction network into a transformed network corresponding to a variety of CNS measures evaluated. The effectiveness of each measure is then estimated by comparing the quality of protein function predictions obtained from its corresponding transformed network with those from the original network. Using a large set of S. cerevisiae interactions, and a set of 136 GO terms, we find that several of the transformed networks produce more accurate predictions than those obtained from the original network. In particular, the $HC.cont$ measure proposed here performs particularly well for this task. Further investigation reveals that the two major factors contributing to this improvement are the abilities of CNS measures, especially $HC.cont$, to prune out noisy edges and introduce new links between functionally related proteins.

연구 동기 및 목표

• 단백질 상호작용 네트워크의 데이터 품질 문제인 노이즈(허위 양성)와 불완전성(허위 음성)을 해결하여 정확한 생물학적 추론을 가능하게 한다.
• 이러한 네트워크의 기능적 내용을 향상시키는 데 있어 다양한 일반 이웃 유사도(CNS) 측정치의 상대적 효능을 평가한다.
• CNS 측정치에 기반한 구조적 변환이 단백질 기능 예측 알고리즘의 성능에 어떻게 기여하는지 조사한다.
• 어느 CNS 측정치가 노이즈가 많은 간선을 가장 효과적으로 제거하고, 기능적으로 관련된 단백질 간에 생물학적으로 의미 있는 연결을 도입하는가를 규명한다.

제안 방법

• 단백질 상호작용 네트워크를 무방향이고 가중치가 부여된 그래프로 표현하며, 단백질은 노드로, 상호작용은 간선으로 나타내며, 간선의 가중치는 신뢰도 점수를 반영한다.
• FS.cont, TOM.cont, HC.cont 등 여러 CNS 측정치를 사용하여 그래프 변환을 수행하며, 각 측정치는 공통 이웃과 간선 가중치를 기반으로 연속적인 유사도 점수를 계산한다.
• 기존 네트워크를 새로운 네트워크로 변환하여, 간선 가중치를 CNS 점수에서 유도함으로써 기능적 유사성에 따라 간선을 재가중하거나 추가한다.
• 표준 단백질 기능 예측 알고리즘인 FunctionalFlow를 사용하여, 136개의 GO 생물학적 과정 항목을 활용해 원본 네트워크와 변환된 네트워크에서의 예측 정확도를 평가한다.
• AUC(곡선 아래 면적)를 통해 성능을 비교하여 개선 정도를 평가하며, 특히 기능적 연결성이 낮은 단백질 클래스에서의 기능적 연결성 변화에 초점을 맞춘다.
• 변환된 네트워크의 구조적 변화를 분석하여, 노이즈 간선의 제거와 새로운 기능적 연결의 도입이 예측 정확도 향상에 어떻게 기여하는지 규명한다.

실험 결과

연구 질문

• RQ1 노이즈가 많고 불완전한 상호작용 네트워크에서 어떤 CNS 측정치가 단백질 기능 예측 정확도를 가장 효과적으로 향상시키는가?
• RQ2 다양한 CNS 측정치는 허위 양성 간선를 제거하고 생물학적으로 관련된 간선을 도입하는 데 있어 네트워크 구조를 어떻게 변화시키는가?
• RQ3 기능적으로 연결이 약한 단백질 클래스에서 기능적 연결성을 향상시키는 데 얼마나 기여하는가?
• RQ4 간선 신뢰도 점수는 그래프 변환 과정에서 진짜 상호작용와 가짜 상호작용를 구분하는 데 어떤 역할을 하는가?
• RQ5 CNS 기반 그래프 변환은 PPI 네트워크에서의 후속 기능 추론을 향상시키기 위한 견고한 사전 처리 전략이 될 수 있는가?

주요 결과

• HC.cont 측정치는 다른 CNS 측정치보다 뚜렷이 뛰어난 성능을 보이며, 특히 원본 네트워크에서 기능적 연결성이 낮은 GO 항목에서 AUC 향상이 가장 컸다.
• 원본 연결성이 2 이하인 53개의 기능 클래스에서 HC.cont는 평균적으로 AUC를 0.0388 향상시켰고, 다른 모든 클래스는 0.0213 향상되었으며, 이는 예측이 어려운 범주에서의 뚜렷한 성과 향상을 시사한다.
• HC.cont는 다른 측정치보다 노이즈를 더 효과적으로 줄였으며, 가짜 간선을 제거하면서도 기능적 연결을 유지하거나 강화하는 것으로 나타났다.
• HC.cont를 사용한 변환은 동일한 GO 항목에 속한 단백질 간의 기능적 연결성을 높였으며, 이는 예측 정확도 향상에 직접 기여했다.
• 기타 연속적 CNS 측정치인 FS.cont와 TOM.cont는 낮은 연결성 클래스에 대해 거의 영향을 주지 못했으며, AUC 변화는 각각 -0.0031과 0.0045로, 효과가 제한적임을 보였다.
• HC.cont의 성공은 노이즈 간선을 제거하고 새로운 기능적 연결을 도입하는 이중 기능에 기인하며, 이는 PPI 네트워크의 노이즈와 불완전성 문제를 직접적으로 해결한다.