[论文解读] Mining Representative Unsubstituted Graph Patterns Using Prior Similarity Matrix

Wajdi Dhifli, Rabie Saidi+1 more|arXiv (Cornell University)|Mar 8, 2013

Bioinformatics and Genomic Networks参考文献 33被引用 13

一句话总结

该论文提出UnSubPatt，一种新颖的无监督方法，通过利用进化取代矩阵（如BLOSUM62）从蛋白质结构的频繁子图中挖掘具有代表性的未取代图模式。该方法通过选择在结构和进化上均不同的基序，显著减少了冗余，缩小了模式集合，同时提升了代表性和分类性能，在准确率上优于现有监督方法。

ABSTRACT

One of the most powerful techniques to study protein structures is to look for recurrent fragments (also called substructures or spatial motifs), then use them as patterns to characterize the proteins under study. An emergent trend consists in parsing proteins three-dimensional (3D) structures into graphs of amino acids. Hence, the search of recurrent spatial motifs is formulated as a process of frequent subgraph discovery where each subgraph represents a spatial motif. In this scope, several efficient approaches for frequent subgraph discovery have been proposed in the literature. However, the set of discovered frequent subgraphs is too large to be efficiently analyzed and explored in any further process. In this paper, we propose a novel pattern selection approach that shrinks the large number of discovered frequent subgraphs by selecting the representative ones. Existing pattern selection approaches do not exploit the domain knowledge. Yet, in our approach we incorporate the evolutionary information of amino acids defined in the substitution matrices in order to select the representative subgraphs. We show the effectiveness of our approach on a number of real datasets. The results issued from our experiments show that our approach is able to considerably decrease the number of motifs while enhancing their interestingness.

研究动机与目标

• 解决蛋白质三维结构频繁子图挖掘中存在的冗余过多和计算负担过重的问题。
• 通过选择紧凑且具代表性的子图子集，提升所发现子图的可解释性和实用性。
• 将氨基酸取代概率这一领域特定知识融入模式选择过程。
• 开发一种无监督、可泛化的框架，适用于分类以外的聚类、索引和可视化等任务。
• 实现对来自复杂生物图的大型子图集合的高效可扩展分析。

提出的方法

• 该方法使用源自氨基酸取代矩阵（如BLOSUM62）的先验相似性矩阵，量化子图中节点标签之间的进化相似性。
• 定义“未取代模式”为在用户定义的阈值τ下无法被其他子图进化取代的子图。
• 采用贪心选择算法，通过最大化与已选模式的最小取代距离，迭代选择最具代表性的子图。
• 该方法在模式空间中运行，关注结构和语义相似性，而非事务级共现性。
• 设计为可扩展且可并行化，子图按大小和顺序分组以支持分布式处理。
• 该方法对子图类型无偏见，可应用于路径、树、团或一般图。

实验结果

研究问题

• RQ1 将进化取代知识纳入是否能改善蛋白质结构挖掘中代表性子图的选择？
• RQ2 基于取代矩阵的相似性度量与传统的基于事务空间的选择方法相比，在模式质量和分类准确率方面表现如何？
• RQ3 所提出的方法在多大程度上能缩小频繁子图集合的规模，同时保持或增强其生物和结构代表性？
• RQ4 当应用于大规模子图数据集时，该方法是否具备可扩展性和高效性？
• RQ5 该方法的无监督特性在分类以外的多种下游任务中是否具有支持潜力？

主要发现

• 在所有测试数据集上，UnSubPatt的分类准确率均高于LEAP、gPLS、COM和LPGBCMP，证明了其优异的性能。
• 当最小取代阈值τ = 30%时，UnSubPatt在减少模式数量的同时，保持或提升了分类性能。
• 该方法具有高效可扩展性：在τ = 30%时处理100,000个模式仅耗时57秒，运行时间呈线性增长。
• 尽管为无监督方法，UnSubPatt在性能上仍优于监督方法如LEAP和gPLS，表明其具备强大的泛化潜力。
• 使用BLOSUM62取代矩阵显著增强了所选模式的生物相关性。
• 该方法在不同取代阈值下均表现出鲁棒性，性能下降最小，且运行时间保持一致的可扩展性。