[论文解读] Network motifs in biological networks: Roles and Generalizations

Nadav Kashtan, Shalev Itzkovitz+2 more|arXiv (Cornell University)|Dec 15, 2003

Gene Regulatory Network Analysis被引用 3

一句话总结

本文提出了‘基序泛化’——一类共享共同架构主题的网络基序家族，通过结构角色（如输入、输出、内部节点）实现。通过基于结构等价性定义角色并开发高效检测算法，研究发现转录网络偏好多输出泛化，神经网络偏好多输入泛化，而电子电路则表现出混合形式，各类系统中表现出不同的信息处理功能。

ABSTRACT

Biological and technological networks contain patterns, termed network motifs, which occur far more often than in randomized networks. Network motifs were suggested to be elementary building blocks that carry out key functions in the network. It is of interest to understand how network motifs combine to form larger structures. To address this, we present a systematic approach to define 'motif generalizations': families of motifs of different sizes that share a common architectural theme. To define motif generalizations, we first define 'roles' in a subgraph according to structural equivalence. For example, the feedforward loop triad, a motif in transcription, neuronal and some electronic networks, has three roles, an input node, an output node and an internal node. The roles are used to define possible generalizations of the motif. The feedforward loop can have three simple generalizations, based on replicating each of the three roles and their connections. We present algorithms for efficiently detecting motif generalizations. We find that the transcription networks of bacteria and yeast display only one of the three generalizations, the multi-output feedforward generalization. In contrast, the neuronal network of \emph{C. elegans} mainly displays the multi-input generalization. Forward-logic electronic circuits display a multi-input, multi-output hybrid. Thus, networks which share a common motif can have very different generalizations of that motif. Using mathematical modelling, we describe the information processing functions of the different motif generalizations in transcription, neuronal and electronic networks.

研究动机与目标

• 理解网络基序如何组合成生物和工程网络中的更大功能结构。
• 通过基于共享架构主题的基序泛化框架，解决孤立基序研究的局限性。
• 基于角色复制和连通性，识别并分类核心基序（如前馈环）的不同泛化形式。
• 研究不同网络类型（转录、神经、电子）如何利用不同的基序泛化形式。
• 通过数学建模将基序泛化与特定信息处理功能联系起来。

提出的方法

• 通过结构等价性定义子图中的‘角色’，如前馈环基序中的输入、输出和内部节点。
• 利用角色生成可能的基序泛化形式，通过按角色类型复制节点及其连接关系。
• 开发高效算法以在大规模网络中检测基序泛化形式，实现系统性分析。
• 将该框架应用于真实网络：细菌和酵母转录网络、*C. elegans* 神经网络以及前向逻辑电子电路。
• 使用数学建模表征每种基序泛化类型的信息处理功能。

实验结果

研究问题

• RQ1 如何将网络基序泛化为保持共同架构主题的家族，且适用于不同规模？
• RQ2 在转录、神经和电子网络中，哪些基序泛化形式占主导地位，其选择由什么决定？
• RQ3 不同基序泛化形式如何在生物和工程系统中贡献于独特的信息处理功能？
• RQ4 结构角色（输入、输出、内部）在定义基序泛化功能架构中起什么作用？
• RQ5 基序泛化能否解释共享相同核心基序的网络中观察到的功能多样性？

主要发现

• 前馈环基序可泛化为三种形式：多输入、多输出和多输入多输出，基于角色复制。
• 细菌和酵母的转录网络主要表现出前馈环的多输出泛化形式。
• *C. elegans* 神经网络主要显示前馈环的多输入泛化形式。
• 前向逻辑电子电路表现出混合的多输入多输出泛化形式，表明功能特化。
• 共享相同核心基序（如前馈环）的不同网络类型利用不同的基序泛化形式，反映出功能分化。
• 数学建模证实，每种基序泛化形式均执行独特的信息处理功能，如信号过滤或延迟生成。