[논문 리뷰] Network motifs in biological networks: Roles and Generalizations

Nadav Kashtan, Shalev Itzkovitz외 2명|arXiv (Cornell University)|2003. 12. 15.

Gene Regulatory Network Analysis인용 수 3

한 줄 요약

이 논문은 '모티프 일반화(motif generalizations)'를 소개한다. 이는 입력, 출력, 내부 노드 등과 같은 구조적 역할을 공유함으로써 공통적인 구조적 주제를 가진 네트워크 모티프의 집합을 의미한다. 구조적 동치성에 기반한 역할 정의와 효율적인 탐지 알고리즘 개발을 통해, 전사 네트워크는 다중출력 일반화를 선호하고, 신경망은 다중입력 일반화를 선호하며, 전자 회로는 하이브리드 형태를 보이며, 각 시스템 간에 정보 처리 기능이 상이하게 나타남을 밝혀냈다.

ABSTRACT

Biological and technological networks contain patterns, termed network motifs, which occur far more often than in randomized networks. Network motifs were suggested to be elementary building blocks that carry out key functions in the network. It is of interest to understand how network motifs combine to form larger structures. To address this, we present a systematic approach to define 'motif generalizations': families of motifs of different sizes that share a common architectural theme. To define motif generalizations, we first define 'roles' in a subgraph according to structural equivalence. For example, the feedforward loop triad, a motif in transcription, neuronal and some electronic networks, has three roles, an input node, an output node and an internal node. The roles are used to define possible generalizations of the motif. The feedforward loop can have three simple generalizations, based on replicating each of the three roles and their connections. We present algorithms for efficiently detecting motif generalizations. We find that the transcription networks of bacteria and yeast display only one of the three generalizations, the multi-output feedforward generalization. In contrast, the neuronal network of \emph{C. elegans} mainly displays the multi-input generalization. Forward-logic electronic circuits display a multi-input, multi-output hybrid. Thus, networks which share a common motif can have very different generalizations of that motif. Using mathematical modelling, we describe the information processing functions of the different motif generalizations in transcription, neuronal and electronic networks.

연구 동기 및 목표

• 생물학적 및 기술적 네트워크에서 네트워크 모티프가 어떻게 더 큰 기능적 구조로 조합되는지 이해하기 위해.
• 고립된 모티프만을 연구하는 데서 비롯하는 한계를 해결하기 위해, 공통적인 아키텍처 주제를 기반으로 한 모티프 일반화 프레임워크를 제안하기 위해.
• 핵심 모티프(예: 피드포워드 루프)의 다양한 일반화를 역할 복제 및 연결성에 기반해 식별하고 분류하기 위해.
• 전사, 신경, 전자 네트워크와 같은 다양한 네트워크 유형이 어떻게 다른 모티프 일반화를 활용하는지 조사하기 위해.
• 수학적 모델링을 통해 각 모티프 일반화 유형의 정보 처리 기능을 연결하고 규명하기 위해.

제안 방법

• 피드포워드 루프 모티프에서 입력, 출력, 내부 노드와 같은 역할을 구조적 동치성에 기반해 정의하기.
• 역할 유형에 따라 노드와 그 연결을 복제함으로써 가능한 모티프 일반화를 생성하기.
• 대규모 네트워크에서 모티프 일반화를 효율적으로 탐지하기 위한 알고리즘 개발을 통해 체계적 분석 가능하게 하기.
• 실세계 네트워크에 프레임워크 적용: 박테리아 및 효모 전사 네트워크, *C. elegans* 신경망, 전방 논리 전자 회로.
• 각 모티프 일반화 유형의 정보 처리 기능을 특성화하기 위해 수학적 모델링 사용하기.

실험 결과

연구 질문

• RQ1 다양한 크기에서 공통적인 아키텍처 주제를 유지하는 방식으로 네트워크 모티프를 어떻게 일반화할 수 있는가?
• RQ2 전사, 신경, 전자 네트워크에서 어떤 모티프 일반화가 우세하며, 그 선택은 무엇에 의해 결정되는가?
• RQ3 다른 모티프 일반화가 생물학적 및 기술적 시스템에서 어떻게 다른 정보 처리 기능에 기여하는가?
• RQ4 구조적 역할(입력, 출력, 내부)이 모티프 일반화의 기능적 아키텍처를 정의하는 데 어떤 역할을 하는가?
• RQ5 모티프 일반화가 동일한 핵심 모티프를 공유하는 네트워크에서 관찰되는 기능적 다양성을 설명할 수 있는가?

주요 결과

• 피드포워드 루프 모티프는 역할 복제에 기반해 다중입력, 다중출력, 다중입력-다중출력의 세 가지 형태로 일반화된다.
• 박테리아 및 효모의 전사 네트워크는 피드포워드 루프의 다중출력 일반화를 주로 보인다.
• *C. elegans* 신경망은 피드포워드 루프 모티프의 다중입력 일반화를 주로 나타낸다.
• 전방 논리 전자 회로는 하이브리드 형태의 다중입력-다중출력 일반화를 보이며, 이는 기능적 전문화를 시사한다.
• 동일한 핵심 모티프(예: 피드포워드 루프)를 공유하는 다양한 네트워크 유형이 서로 다른 모티프 일반화를 활용하며, 이는 기능적 분화를 반영한다.
• 수학적 모델링을 통해 각 모티프 일반화가 신호 필터링 또는 지연 생성과 같은 고유한 정보 처리 기능을 수행하는 것으로 확인되었다.