[论文解读] Learning modular structures from network data and node variables

Elham Azizi, James E. Galagan+1 more|arXiv (Cornell University)|May 11, 2014

Gene Regulatory Network Analysis参考文献 34被引用 9

一句话总结

该论文提出了一种新颖的概率模型，将网络数据（例如，蛋白质-DNA 相互作用、社交关注关系）与节点特定变量（例如，基因表达、用户活跃度）相结合，以学习复杂系统中的模块化依赖结构。通过结合随机块模型与模块网络，并使用可逆跳跃 MCMC 进行推断，该方法提高了可识别性，减少了假阳性结果，并在合成数据、结核分枝杆菌基因网络和 Twitter 社交网络中准确恢复了调控与影响力结构。

ABSTRACT

A standard technique for understanding underlying dependency structures among a set of variables posits a shared conditional probability distribution for the variables measured on individuals within a group. This approach is often referred to as module networks, where individuals are represented by nodes in a network, groups are termed modules, and the focus is on estimating the network structure among modules. However, estimation solely from node-specific variables can lead to spurious dependencies, and unverifiable structural assumptions are often used for regularization. Here, we propose an extended model that leverages direct observations about the network in addition to node-specific variables. By integrating complementary data types, we avoid the need for structural assumptions. We illustrate theoretical and practical significance of the model and develop a reversible-jump MCMC learning procedure for learning modules and model parameters. We demonstrate the method accuracy in predicting modular structures from synthetic data and capability to learn influence structures in twitter data and regulatory modules in the Mycobacterium tuberculosis gene regulatory network.

研究动机与目标

• 为解决仅依赖节点变量进行模块网络推断时存在的高假阳性率问题，该问题通常由未观测到的混杂因素和不可验证的结构假设引起。
• 通过整合互补的网络数据（例如，ChIP-Seq、社交关注关系）与节点水平测量，克服依赖结构学习中的模型欠定与不可识别性问题。
• 开发一种可扩展且统计稳健的方法，避免采用任意正则化，而是利用物理或观测到的网络相互作用作为潜在依赖关系的约束条件。
• 实现对真实世界生物与社交网络中条件特异性调控程序和影响力社区的发现。
• 提供一个统一框架，通过每个模块的组合程序，同时建模全局依赖结构与条件特异性调控效应。

提出的方法

• 提出一种联合概率模型，结合模块网络与随机块模型，其中节点被分配至潜在模块，且依赖关系由共享的条件分布所控制。
• 利用网络数据（例如，来自 ChIP-Seq 的有向边或关注关系）定义块结构，限制可能父模块的空间，从而提高计算可处理性。
• 整合两类调控效应：由共享父结构引起的微小全局变化，以及基于父节点活动的显著条件特异性效应，通过组合程序进行建模。
• 采用可逆跳跃马尔可夫链蒙特卡洛（RJ-MCMC）算法，联合推断模块分配、父结构与模型参数，实现模型空间的探索。
• 使用吉布斯抽样进行参数估计，相比确定性优化方法，对似然多峰性具有更强的鲁棒性。
• 将来自多种来源的数据——基因表达、蛋白质-DNA 相互作用、用户活跃度与社交图——整合进单一连贯的推断框架中。

实验结果

研究问题

• RQ1 与仅使用节点变量相比，将网络相互作用数据与节点特定变量结合，是否能提升模块化依赖结构的可识别性与准确性？
• RQ2 在模块网络推断中，引入物理或观测到的网络相互作用在多大程度上能减少假阳性依赖关系？
• RQ3 所提出的模型在基因调控网络中，能在多大程度上恢复已知的生物学调控机制（如前馈环）？
• RQ4 仅基于活跃度模式与关注关系，该方法能否检测到可解释的影响社区与关键影响者？
• RQ5 在真实生物与社交网络的链接预测任务中，该模型的性能与标准模块网络相比如何？

主要发现

• 在结核分枝杆菌基因网络的 DosR 调控子中，所提出的集成模型在链接预测中实现了 75.4% 的精确率与 93.4% 的召回率，显著优于仅使用节点变量的模块网络（精确率 40.1%，召回率 76.3%）。
• 对于 KstR 调控子，集成模型达到 83.6% 的精确率与 95.6% 的召回率，而仅使用模块网络的精确率为 35.8%，召回率为 67.4%。
• 在 Twitter 数据中，该方法成功识别出具有共同影响者的社区，例如 M13 受 Brian Solis 等作者影响，M16 受 Tantek Celik 等技术专家影响，且话题标签模式与 2009 年重大事件高度一致。
• 该模型揭示了具有生物学意义的调控程序，包括结核分枝杆菌中脂质代谢与缺氧适应的前馈环与条件特异性调控。
• 网络数据的使用使模型具备可识别性，而仅依赖节点变量则因混杂因素与过拟合导致结构不可识别。
• 可逆跳跃 MCMC 有效探索了复杂的模型空间，实现了模块结构、父节点集合与参数的联合推断，且无需依赖固定结构假设。