[论文解读] From homogeneous to heterogeneous network alignment

Shawn Gu, John P. Johnson+2 more|arXiv (Cornell University)|Apr 4, 2017

Bioinformatics and Genomic Networks参考文献 15被引用 1

一句话总结

本文通过将三种最先进的同质网络对齐方法——WAVE、MAGNA++ 和 SANA——扩展至处理包含多种节点类型和边类型的异质网络，首次提出了异质网络对齐（HNA）方法。该工作提出了异质图谱（heterogeneous graphlets）以及一种扩展的 S³ 边保留度量，相较于同质对齐方法，在合成网络和生物网络上实现了显著更高的对齐质量与抗噪鲁棒性。

ABSTRACT

Network alignment (NA) compares networks with the goal of finding a node mapping that uncovers highly similar (conserved) network regions. Existing NA methods are homogeneous, i.e., they can deal only with networks containing nodes and edges of one type. Due to increasing amounts of heterogeneous network data with nodes or edges of different types, we extend three recent state-of-the-art homogeneous NA methods, WAVE, MAGNA++, and SANA, to allow for heterogeneous NA for the first time. We introduce several algorithmic novelties. Namely, these existing methods compute homogeneous graphlet-based node similarities and then find high-scoring alignments with respect to these similarities, while simultaneously maximizing the amount of conserved edges. Instead, we extend homogeneous graphlets to their heterogeneous counterparts, which we then use to develop a new measure of heterogeneous node similarity. Also, we extend $S^3$, a state-of-the-art measure of edge conservation for homogeneous NA, to its heterogeneous counterpart. Then, we find high-scoring alignments with respect to our heterogeneous node similarity and edge conservation measures. In evaluations on synthetic and real-world biological networks, our proposed heterogeneous NA methods lead to higher-quality alignments and better robustness to noise in the data than their homogeneous counterparts. The software and data from this work is available upon request.

研究动机与目标

• 应对日益增长的对包含多样化节点与边类型的异质生物网络进行网络对齐的需求。
• 克服现有同质网络对齐方法无法处理多种数据类型的局限性。
• 开发一个统一框架，将同质网络对齐技术扩展至异质场景，同时保持对齐质量与鲁棒性。
• 提出新的异质节点相似性度量与边保留度量，以提升对齐准确性。
• 在合成网络与真实世界生物网络上评估所提方法，以证明其相对于同质基线方法的优越性。

提出的方法

• 通过在局部网络基序中整合多种节点与边类型，将同质图谱扩展为异质图谱。
• 基于这些异质图谱的结构相似性与类型感知相似性，提出一种新型异质节点相似性度量。
• 通过考虑类型特异性边对应关系与拓扑保持性，将 S³ 边保留度量扩展至异质网络。
• 将新的异质节点相似性与边保留度量整合进 WAVE、MAGNA++ 和 SANA 的优化流程中。
• 采用两阶段对齐策略：首先计算异质相似性，然后优化以获得高分对齐结果，从而同时最大化节点与边的保留度。
• 复用现有对齐框架，但将其评分函数调整为整合异质结构与类型感知特征。

实验结果

研究问题

• RQ1 现有同质网络对齐方法能否被有效扩展以处理包含多种节点与边类型的异质网络？
• RQ2 异质图谱的使用在多类型网络中如何改善节点相似性估计？
• RQ3 与同质方法相比，所提出的异质边保留度量（扩展的 S³）在多大程度上提升了对齐质量？
• RQ4 所扩展的方法在真实与合成异质网络上的对齐准确率与抗噪鲁棒性表现如何？
• RQ5 异质结构特征的整合是否能带来在比较网络分析中更具生物学意义的对齐结果？

主要发现

• 所提出的异质网络对齐方法在合成网络与真实世界生物网络上，相较于其同质基线方法，显著提升了对齐质量。
• 使用异质图谱能够通过捕捉类型特异性结构模式，实现更精确的节点相似性估计。
• 针对异质网络扩展的 S³ 度量提升了边保留检测能力，从而产生更具生物学一致性的对齐结果。
• 所扩展的方法在网络数据存在噪声扰动时表现出更优的鲁棒性，即使在扰动下仍能保持高对齐准确率。
• 该框架成功将三种最先进的同质网络对齐方法——WAVE、MAGNA++ 和 SANA——泛化至异质场景，且未损失性能。
• 本研究的软件与数据可应要求公开，支持可复现性及异质网络分析领域的进一步研究。