[论文解读] IGLOO: Integrating global and local biological network alignment

Lei Meng, Joseph Crawford+2 more|arXiv (Cornell University)|Apr 20, 2016

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology参考文献 27被引用 17

一句话总结

IGLOO 提出了一种新颖的网络对齐方法，通过利用高质量的局部网络对齐（LNA）种子来引导全局网络对齐（GNA）的拓扑扩展，将局部对齐与全局对齐相结合，实现了在功能对齐质量与拓扑对齐质量之间优于当前最先进LNA和GNA方法的平衡。

ABSTRACT

Analogous to genomic sequence alignment, biological network alignment (NA) aims to find regions of similarities between molecular networks (rather than sequences) of different species. NA can be either local (LNA) or global (GNA). LNA aims to identify highly conserved common subnetworks, which are typically small, while GNA aims to identify large common subnetworks, which are typically suboptimally conserved. We recently showed that LNA and GNA yield complementary results: LNA has high functional but low topological alignment quality, while GNA has high topological but low functional alignment quality. Thus, we propose IGLOO, a new approach that integrates GNA and LNA in hope to reconcile the two. We evaluate IGLOO against state-of-the-art LNA (NetworkBLAST, NetAligner, AlignNemo, and AlignMCL) and GNA (GHOST, NETAL, GEDEVO, MAGNA++, WAVE, and L-GRAAL) methods. We show that IGLOO allows for a trade-off between topological and functional alignment quality better than the existing LNA and GNA methods considered in our study.

研究动机与目标

• 解决局部（LNA）与全局（GNA）网络对齐的互补性问题，其中LNA在功能质量方面表现优异但缺乏拓扑保真度，而GNA虽能实现高拓扑对齐质量，但以牺牲功能质量为代价。
• 通过结合LNA与GNA方法的优势，克服功能与拓扑对齐质量之间的固有权衡。
• 开发一种可泛化的框架，可集成任意现有LNA与GNA方法，以提升对齐质量，且无需算法重新设计。
• 证明该集成方法在功能与拓扑对齐质量之间实现了比独立使用LNA或GNA方法更均衡且更优的权衡。

提出的方法

• IGLOO 使用由现有LNA方法生成的高质量局部对齐作为种子对齐，以启动对齐过程。
• 通过全局网络对齐（GNA）算法扩展种子对齐，以在保持功能相似性的同时提升拓扑保真度。
• 该方法支持多对多节点映射（如LNA），以维持功能敏感性，同时支持大规模保守子图的识别（如GNA）。
• 通过节点代价函数（NCF）计算节点相似度得分，该函数结合了拓扑与基于序列的信息。
• IGLOO 具有模块化与可泛化特性，允许将任意现有LNA与GNA方法作为组件集成。
• 通过结合拓扑指标（边保留率、节点覆盖率）与功能指标（蛋白质功能预测的F-score）对算法进行评估。

实验结果

研究问题

• RQ1 将LNA与GNA方法集成，是否能获得在功能与拓扑对齐质量之间更优平衡的网络对齐，相比独立使用LNA或GNA方法？
• RQ2 使用高质量功能LNA种子是否能在不降低拓扑质量的前提下，提升基于GNA的扩展过程的功能对齐质量？
• RQ3 在多种蛋白质-蛋白质相互作用（PPI）网络中，IGLOO在功能与拓扑对齐质量方面与当前最先进LNA和GNA方法相比表现如何？
• RQ4 IGLOO 相较于现有LNA与GNA方法的计算开销如何？其在网络规模与复杂度增加时是否具备合理的可扩展性？
• RQ5 IGLOO 是否能在多种网络类型与不同置信度水平下，持续优于单独的LNA与GNA方法？

主要发现

• IGLOO 4 在所有测试方法中实现了最高的功能对齐质量，显著优于所有考虑的LNA与GNA方法。
• IGLOO 0 在拓扑对齐质量上显著优于四种GNA方法（GHOST、NETAL、GEDEVO、MAGNA++），是与GNA性能相当的最强表现者。
• IGLOO 4 在功能对齐质量上显著优于所有四种测试的GNA方法，在拓扑对齐质量上优于除GEDEVO外的所有方法。
• IGLOO 0 是唯一在拓扑对齐质量上显著优于NETAL与MAGNA++（均为顶尖GNA方法）的版本。
• IGLOO 的运行时间与大多数LNA与GNA方法相当或更快，仅因与AlignMCL和NETAL集成而带来轻微开销。
• 该方法在四种不同相互作用类型与置信度水平的PPI网络数据集中表现出稳健性，证实了其泛化能力与有效性。