[论文解读] MGN-Net: a multi-view graph normalizer for integrating heterogeneous biological network populations

Islem Rekik, Mustafa Burak Gürbüz|arXiv (Cornell University)|Apr 4, 2021

Bioinformatics and Genomic Networks参考文献 56被引用 9

一句话总结

MGN-Net 是一种基于图神经网络的方法，可对异质性多视角生物网络（如脑连接组）进行归一化和整合，生成单一、拓扑结构合理且具有代表性的连接模板。与传统整合方法相比，该方法能生成更居中、更具区分性且拓扑结构保持更完整的模板，适用于健康人群和患病人群，从而提升对病理连接模式的检测能力。

ABSTRACT

With the recent technological advances, biological datasets, often represented by networks (i.e., graphs) of interacting entities, proliferate with unprecedented complexity and heterogeneity. Although modern network science opens new frontiers of analyzing connectivity patterns in such datasets, we still lack data-driven methods for extracting an integral connectional fingerprint of a multi-view graph population, let alone disentangling the typical from the atypical variations across the population samples. We present the multi-view graph normalizer network (MGN-Net; https://github.com/basiralab/MGN-Net), a graph neural network based method to normalize and integrate a set of multi-view biological networks into a single connectional template that is centered, representative, and topologically sound. We demonstrate the use of MGN-Net by discovering the connectional fingerprints of healthy and neurologically disordered brain network populations including Alzheimer's disease and Autism spectrum disorder patients. Additionally, by comparing the learned templates of healthy and disordered populations, we show that MGN-Net significantly outperforms conventional network integration methods across extensive experiments in terms of producing the most centered templates, recapitulating unique traits of populations, and preserving the complex topology of biological networks. Our evaluations showed that MGN-Net is powerfully generic and easily adaptable in design to different graph-based problems such as identification of relevant connections, normalization and integration.

研究动机与目标

• 解决将异质性多视角生物网络（尤其是脑连接组）整合为单一、具有代表性且拓扑一致的连接模板的挑战。
• 通过数据驱动的归一化过程，降低健康人群和患病人群之间的个体间差异。
• 通过比较健康与患病人群的归一化模板，实现对病理连接模式更准确的识别。
• 开发一种通用且可适应的基于图的整合框架，以在多样化生物数据集中保持复杂网络的拓扑结构。

提出的方法

• MGN-Net 采用图神经网络（GNN）架构，学习群体中多个图视图的节点嵌入和成对节点关系。
• 通过端到端训练学习共享的代表性连接模板，对群体中多视图图的连接进行归一化。
• 将堆叠的邻接矩阵作为输入，转换为边、特征和节点嵌入列表，以在 GPU 上高效执行图卷积操作。
• 使用随机子集大小超参数控制计算成本，训练和推理在 Tesla V100 GPU 上加速。
• 模型计算图卷积操作和反向传播，以优化模板的代表性与拓扑保真度。
• 开源实现可在 GitHub 上获取，支持通过配置文件自定义超参数的模拟和真实世界数据集。

实验结果

研究问题

• RQ1 基于深度学习的方法能否有效将异质性多视角生物网络整合为单一、具有代表性且拓扑合理的连接模板？
• RQ2 与传统方法相比，MGN-Net 在整合过程中对生物网络复杂拓扑结构的保持程度如何？
• RQ3 MGN-Net 在多大程度上能够区分健康人群与神经系统疾病人群脑网络中的典型与非典型连接模式？
• RQ4 与标准整合技术相比，MGN-Net 的归一化模板在提升脑网络病理改变检测能力方面表现如何？
• RQ5 MGN-Net 能否泛化并适配至脑网络整合以外的其他基于图的生物问题？

主要发现

• 在所有评估的数据集中，MGN-Net 生成的连接模板最为居中，其模板代表性显著优于传统网络整合方法。
• MGN-Net 学习到的模板能有效再现特定人群的独特特征，例如阿尔茨海默病和自闭症谱系障碍中的独特连接模式。
• 与基线方法相比，MGN-Net 更好地保持了生物网络的复杂拓扑结构，整合过程中维持了结构保真度。
• 该方法在识别区分健康与患病脑网络群体的特征连接方面表现出色。
• 开源实现支持可复现性和可扩展性，支持外部数据集和可配置的超参数。
• ADNI 和 ABIDE 数据用于生成形态网络，相关连接性脑模板在获得相应联盟批准后可公开获取。