[论文解读] Current and future directions in network biology

Marinka Žitnik, Michelle M. Li+35 more|arXiv (Cornell University)|Sep 15, 2023

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文综合了2022年网络生物学未来方向研讨会的见解，识别出在建模生物网络方面面临的关键计算与算法挑战。论文提出应推进多模态数据整合、高阶网络分析、图上的机器学习以及基于网络的个性化医学研究，同时强调在计算生物学研究中促进公平、多样性和包容性。

ABSTRACT

Network biology is an interdisciplinary field bridging computational and biological sciences that has proved pivotal in advancing the understanding of cellular functions and diseases across biological systems and scales. Although the field has been around for two decades, it remains nascent. It has witnessed rapid evolution, accompanied by emerging challenges. These challenges stem from various factors, notably the growing complexity and volume of data together with the increased diversity of data types describing different tiers of biological organization. We discuss prevailing research directions in network biology and highlight areas of inference and comparison of biological networks, multimodal data integration and heterogeneous networks, higher-order network analysis, machine learning on networks, and network-based personalized medicine. Following the overview of recent breakthroughs across these five areas, we offer a perspective on the future directions of network biology. Additionally, we offer insights into scientific communities, educational initiatives, and the importance of fostering diversity within the field. This paper establishes a roadmap for an immediate and long-term vision for network biology.

研究动机与目标

• 识别由于数据复杂性与规模不断增加，网络生物学中迫切的计算与算法挑战。
• 通过整合多学科研讨会的讨论，引导网络生物学的未来研究方向。
• 促进计算生物学中公平、多样与包容的实践，特别是在提名与领导力通道中。
• 推进多模态生物数据向异质性与动态网络模型的整合。
• 建立支持个性化医学与疾病系统性理解的网络生物学长期愿景。

提出的方法

• 在圣母大学（2022年）举办研讨会，汇聚计算与算法网络生物学领域的领先研究人员。
• 将研讨会讨论成果整合为共识论文，由与会者共同撰写，涵盖多样化的子领域与职业阶段。
• 将关键研究方向归纳为五大核心主题：生物网络的推断与比较、多模态数据整合、高阶网络分析、图上的机器学习，以及基于网络的个性化医学。
• 利用公开数据评估国际计算生物学学会（ISCB）中的多样性与包容性（EDI）指标，识别代表性差距。
• 提出减少提名流程偏见的策略，并改善来自代表性不足及低收入地区研究人员参与会议的机会。
• 倡导由机构与专业协会推动系统性、有资金支持的举措，将公平性嵌入研究基础设施与培训中。

Figure 1: Overview of the network biology field and five research topics discussed in this paper. The word cloud in the center, generated using WordClouds.com , contains the top 30 most representative words from this paper. Note that each word’s rank is based on the sum of the weights of the core wo

实验结果

研究问题

• RQ1 面对多组学与异质性数据的兴起，网络生物学中最为紧迫的计算与算法挑战是什么？
• RQ2 如何使生物网络上的机器学习模型更具可解释性、泛化能力，并可扩展至复杂系统？
• RQ3 在计算生物学中实现公平参与的主要障碍是什么，特别是在领导与认可角色方面？
• RQ4 网络生物学如何通过动态、条件感知与多模态网络模型推动精准医学的发展？
• RQ5 为实现反映更广泛人群的计算生物学多样性，需要哪些制度与文化变革？

主要发现

• 由于生物尺度上数据复杂性、规模与异质性持续增加，网络生物学正面临加速演进的挑战。
• 多模态数据整合与高阶网络分析（如超图、基序）已成为建模复杂生物系统的关键前沿。
• 图神经网络与大语言模型等图上机器学习展现出强大潜力，但需提升可解释性与鲁棒性。
• 在提名流程中仍存在EDI差异，仅22–28%的ISCB主要奖项提名人是女性，尽管ISCB成员中女性占比为32.8%。
• 在以生物学为导向的子领域中，性别多样性高于计算导向的子领域，表明从生物学背景招募可提升多样性。
• 系统性、有资金支持的举措对消除准入壁垒、确保计算生物学中会议、资助与领导角色的公平获取至关重要。

(A) Inference of a network from non-network data