[论文解读] Antifragility Predicts the Robustness and Evolvability of Biological Networks through Multi-class Classification with a Convolutional Neural Network

Hyobin Kim, Stalin Muñoz+2 more|arXiv (Cornell University)|Feb 4, 2020

Bioinformatics and Genomic Networks参考文献 72被引用 4

一句话总结

本文提出了一种新方法，利用抗脆弱性作为预测因子，预测生物网络的鲁棒性和可演化性，通过卷积神经网络（CNN）基于原始与突变布尔网络模型之间抗脆弱性差异来分类网络特性。该CNN在多类别分类中表现出高准确率，表明抗脆弱性是网络韧性与可演化性的强有力预测因子，且无需在突变后进行显式功能比较。

ABSTRACT

Robustness and evolvability are essential properties to the evolution of biological networks. To determine if a biological network is robust and/or evolvable, it is required to compare its functions before and after mutations. However, this sometimes takes a high computational cost as the network size grows. Here we develop a predictive method to estimate the robustness and evolvability of biological networks without an explicit comparison of functions. We measure antifragility in Boolean network models of biological systems and use this as the predictor. Antifragility occurs when a system benefits from external perturbations. By means of the differences of antifragility between the original and mutated biological networks, we train a convolutional neural network (CNN) and test it to classify the properties of robustness and evolvability. We found that our CNN model successfully classified the properties. Thus, we conclude that our antifragility measure can be used as a predictor of the robustness and evolvability of biological networks.

研究动机与目标

• 通过在突变后进行显式功能比较来解决评估生物网络鲁棒性与可演化性的高计算成本问题。
• 探究抗脆弱性（即系统从外部扰动中受益的能力）是否可作为网络韧性与适应性的预测指标。
• 开发一种机器学习框架，利用原始网络与突变网络之间抗脆弱性差异，对网络特性（鲁棒性与可演化性）进行分类。
• 通过用学习到的预测模型替代直接的功能比较，减少对计算密集型模拟的依赖。

提出的方法

• 使用布尔网络动力学模拟调控相互作用，对生物网络进行建模。
• 利用扰动响应的统计度量，量化原始与突变网络配置中的抗脆弱性。
• 将原始网络与突变网络之间抗脆弱性差异作为分类的输入特征。
• 在这些抗脆弱性差异特征上训练卷积神经网络（CNN），以执行网络特性的多类别分类。
• 利用CNN基于抗脆弱性特征谱预测网络是否具有鲁棒性、可演化性、兼具或均不具备。
• 通过交叉验证验证模型，并使用测试集的分类准确率与F1得分评估性能。

实验结果

研究问题

• RQ1 抗脆弱性能否作为生物网络中鲁棒性与可演化性的可靠预测因子？
• RQ2 卷积神经网络在以抗脆弱性差异作为输入时，对生物网络的鲁棒性与可演化性分类的准确度如何？
• RQ3 与需要在突变后进行显式功能比较的传统方法相比，所提出方法是否显著降低了计算成本？
• RQ4 抗脆弱性在复杂调控系统中预测网络韧性与适应性方面，其相对贡献如何？

主要发现

• 卷积神经网络在预测生物网络中鲁棒性与可演化性综合特性的任务中表现出高分类准确率。
• 原始网络与突变网络之间抗脆弱性差异被证明是网络行为的强而有信息量的预测因子。
• 该模型成功地将网络分类为四种类别：兼具鲁棒性与可演化性、仅具鲁棒性、仅具可演化性、既不具鲁棒性也不具可演化性。
• 该方法显著减少了突变后对计算密集型功能比较的依赖，为系统生物学提供了一种可扩展的替代方案。
• 结果表明，抗脆弱性不仅是系统韧性的度量，也是调控网络中进化潜力的关键指标。
• 该方法在布尔网络模型上得到验证，并发表于《Entropy》，DOI链接至最终同行评审版本。