การวิเคราะห์โครงสร้างเครือข่ายแบบแผน (Network Motif Analysis) — หน่วยโครงสร้างพื้นฐานที่เกิดซ้ำ
- ปี
- 2002
- ประเภท
- Statistical pattern-detection method for directed graphs
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์โครงสร้างเครือข่ายแบบแผน (Network motif analysis) เป็นวิธีการทางสถิติสำหรับเครือข่ายแบบมีทิศทาง (directed networks) ซึ่งนำเสนอโดย Milo, Shen-Orr และ Alon ในปี 2002 เพื่อระบุรูปแบบกราฟย่อยขนาดเล็กที่เกิดซ้ำ — แบบแผน (motifs) — ที่ปรากฏบ่อยครั้งกว่าที่คาดไว้ในเครือข่ายสุ่มที่เปรียบเทียบกันได้ โดยการเปรียบเทียบเครือข่ายจริงกับกลุ่มของเครือข่ายสุ่ม (randomised graphs) วิธีการนี้จะเผยให้เห็นหน่วยโครงสร้างพื้นฐานที่เป็นองค์ประกอบซึ่งกำหนดการจัดระเบียบเชิงหน้าที่ของเครือข่ายควบคุมทางชีวภาพ (biological regulatory networks) เครือข่ายสังคม (social networks) และระบบที่ซับซ้อนอื่นๆ
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพแผนภาพการเดินสายไฟ แล้วสังเกตเห็นว่าวงวนสามทางเฉพาะอย่างหนึ่งปรากฏบ่อยกว่าที่คุณจะเห็นในแผงวงจรที่ต่อสายแบบสุ่มที่มีขนาดเท่ากัน ความถี่ที่เกินมานี้ไม่ใช่เรื่องบังเอิญ — มันเป็นสัญญาณของหลักการออกแบบที่เกิดซ้ำซึ่งฝังอยู่ในเครือข่าย การวิเคราะห์โครงสร้างเครือข่ายแบบแผนทำให้สัญชาตญาณนี้เป็นรูปธรรม: มันนับทุกรูปแบบกราฟย่อยที่เชื่อมต่อกันขนาดเล็กในเครือข่ายจริง สร้างเครือข่ายสุ่มหลายพันเครือข่ายที่มีลำดับดีกรี (degree sequence) โดยรวมเหมือนกัน เปรียบเทียบจำนวน และถามว่ารูปแบบใดที่ถูกนำเสนอมากเกินไปอย่างแท้จริง รูปแบบที่ถูกนำเสนอมากเกินไปเหล่านั้นคือแบบแผน — หน่วยโครงสร้างพื้นฐานของเครือข่าย
ประวัติศาสตร์
การวิเคราะห์โครงสร้างเครือข่ายแบบแผนถูกนำเสนอโดย Ron Milo, Shai Shen-Orr, Uri Alon และคณะ ในบทความสำคัญปี 2002 ในวารสาร Science งานวิจัยของพวกเขาแสดงให้เห็นว่าเครือข่ายแบบมีทิศทางจริงสามเครือข่าย — เครือข่ายควบคุมการถอดรหัสยีนของ E. coli, การเชื่อมต่อของเซลล์ประสาทของ C. elegans และ World Wide Web — แต่ละเครือข่ายมีชุดรูปแบบกราฟย่อยขนาดเล็กที่เกิดซ้ำบ่อยกว่าที่คาดการณ์โดยโอกาส บทวิจารณ์ของ Alon ในปี 2007 ใน Nature Reviews Genetics ได้ขยายกรอบแนวคิดและอธิบายว่าแบบแผนเหล่านี้สอดคล้องกับประเภทวงจรเชิงหน้าที่อย่างไร เช่น ลูปป้อนกลับ (feed-forward loops) และ bi-fans ตั้งแต่นั้นมา สาขานี้ได้พัฒนาอัลกอริทึมการแจงนับที่เร็วขึ้นและแนวทางการสุ่มตัวอย่างโดยประมาณที่ช่วยให้สามารถวิเคราะห์แบบแผนบนเครือข่ายที่มีเส้นเชื่อมหลายล้านเส้น
ควรใช้เมื่อใด
การวิเคราะห์โครงสร้างเครือข่ายแบบแผนมีความเหมาะสมเมื่อคุณมีเครือข่ายแบบมีทิศทางที่มีโหนดอย่างน้อย 20 โหนด และคุณต้องการค้นหารูปแบบกราฟย่อยขนาดเล็กที่เกิดซ้ำบ่อยกว่าที่คาดการณ์โดยโอกาส วิธีการนี้เหมาะสำหรับเป้าหมายการวิจัยเชิงสำรวจและเชิงพรรณนา: คุณไม่จำเป็นต้องมีข้อมูลที่กระจายตัวแบบปกติ (normally distributed data) แต่คุณต้องการโครงสร้างการเชื่อมต่อแบบทวิภาค (binary adjacency structure) (มีเส้นเชื่อมหรือไม่) วิธีการนี้กำหนดให้ต้องสามารถสร้างกลุ่มเครือข่ายสุ่มจากเครือข่ายจริงได้ และจะกลายเป็นภาระในการคำนวณเมื่อเครือข่ายมีขนาดใหญ่ขึ้น ดังนั้น การแจงนับที่แม่นยำจึงมักจำกัดอยู่เพียงแบบแผนที่มีโหนด 3 และ 4 โหนดเท่านั้น อย่าใช้การวิเคราะห์แบบแผนหากเครือข่ายไม่มีทิศทางและวรรณกรรมในโดเมนของคุณไม่ได้กำหนดแบบจำลองว่างที่ชัดเจน หรือหากเครือข่ายมีโหนดน้อยกว่า 20 โหนด
ข้อจำกัดและข้อควรพิจารณา
- มีภาระในการคำนวณสูงสำหรับเครือข่ายขนาดใหญ่: การแจงนับกราฟย่อยที่แม่นยำมีประสิทธิภาพต่ำเมื่อเกินกว่าแบบแผน 4 โหนด หรือเครือข่ายที่มีโหนดหลายพันโหนด
- การเลือกแบบจำลองว่าง (การรักษาลำดับดีกรีเทียบกับการสุ่มโดยสมบูรณ์) ส่งผลกระทบอย่างมีนัยสำคัญต่อรูปแบบที่ปรากฏว่ามีความสำคัญ
- ต้องการเครือข่ายแบบมีทิศทาง: ชุดแบบแผนมาตรฐาน 3 และ 4 โหนดถูกกำหนดไว้สำหรับกราฟแบบมีทิศทาง และไม่สามารถนำไปใช้กับเครือข่ายที่ไม่มีทิศทางได้โดยตรง
- ผลลัพธ์อธิบายถึงการนำเสนอโครงสร้างที่มากเกินไป ไม่ใช่บทบาทเชิงสาเหตุหรือเชิงหน้าที่ — การตีความว่าเหตุใดแบบแผนจึงมีความสำคัญจึงต้องอาศัยความรู้เฉพาะทาง
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- กรอบการทำงานทางสถิติที่มีหลักการ: ประเมินนัยสำคัญเทียบกับกลุ่มเครือข่ายสุ่มที่ตรงกัน ไม่ใช่โดยสัญชาตญาณ
- ใช้ได้กับทุกโดเมน: วิธีการเดียวกันนี้ใช้ได้กับเครือข่ายควบคุมยีน (gene regulatory networks) โซ่อาหาร (food webs) วงจรประสาท (neural circuits) และกราฟอิทธิพลทางสังคม (social influence graphs)
- สร้างลายนิ้วมือที่กระชับและตีความได้ (โปรไฟล์ความมีนัยสำคัญ) ซึ่งสามารถเปรียบเทียบข้ามเครือข่ายหลายๆ เครือข่ายได้
- ไม่ต้องการข้อสมมติฐานเกี่ยวกับการกระจายของข้อมูล — ต้องการเพียงโครงสร้างการเชื่อมต่อแบบมีทิศทางแบบทวิภาคเท่านั้น
การประยุกต์ใช้
- การระบุประเภทวงจรควบคุมที่เกิดซ้ำ (เช่น ลูปป้อนกลับ) ในเครือข่ายการถอดรหัสยีน
- การจำแนกลักษณะหน่วยโครงสร้างพื้นฐานเชิงหน้าที่ในคอนเนคโตมประสาท (neural connectomes) และเครือข่ายภาพสมอง (brain imaging networks)
- การตรวจจับลายเซ็นโครงสร้างของอิทธิพลหรืออำนาจในเครือข่ายสังคมและเครือข่ายการอ้างอิง (citation networks)
- การเปรียบเทียบสถาปัตยกรรมเครือข่ายข้ามสายพันธุ์หรือเงื่อนไขโดยการจัดเรียงโปรไฟล์ความมีนัยสำคัญ
วิธีการทำงาน
วิธีการทำงาน
แบบจำลองว่าง (null model) หรือกลุ่มของเครือข่ายสุ่ม (random ensemble) ถูกสร้างขึ้นโดยการสร้างเครือข่ายสุ่มจำนวนมากที่รักษาลำดับดีกรีของเครือข่ายจริง — โดยทั่วไปผ่านการสลับเส้นเชื่อม (edge-switching) หรือการสุ่มตัวอย่างแบบจำลองการกำหนดค่า (configuration-model sampling) กลุ่มนี้เป็นเกณฑ์มาตรฐานที่จำนวนกราฟย่อยของเครือข่ายจริงจะถูกนำมาเปรียบเทียบ คุณภาพของแบบจำลองว่างมีความสำคัญอย่างยิ่ง: การใช้แบบจำลองว่างที่ไม่ควบคุมดีกรีจะทำให้เกิดผลบวกลวง (false positives) เพิ่มขึ้น
กราฟย่อยที่เชื่อมต่อกันทั้งหมดที่มีขนาดคงที่ — โดยทั่วไปคือ 3 หรือ 4 โหนด — จะถูกนับในเครือข่ายจริง เนื่องจากจำนวนกราฟย่อยที่ถูกเหนี่ยวนำ (induced subgraphs) ที่เป็นไปได้เพิ่มขึ้นตามจำนวนโหนดในลักษณะเชิงการจัด (combinatorially) การแจงนับที่แม่นยำจึงทำได้เฉพาะสำหรับขนาดกราฟย่อยเล็กๆ หรือเครือข่ายขนาดปานกลางเท่านั้น เครือข่ายขนาดใหญ่กว่าต้องการอัลกอริทึมการสุ่มตัวอย่างโดยประมาณ
สำหรับแต่ละชั้นของความสมสัณฐานของกราฟย่อย (subgraph isomorphism class) จำนวนที่นับได้จริงจะถูกเปรียบเทียบกับการกระจายของจำนวนที่นับได้ในกลุ่มเครือข่ายสุ่ม ค่า Z-score (Z-score) จะถูกคำนวณเป็น (จำนวนจริง - ค่าเฉลี่ยจำนวนสุ่ม) / ส่วนเบี่ยงเบนมาตรฐานของจำนวนสุ่ม ค่า Z-score ที่สูงกว่า 2 หรือเทียบเท่า p < 0.05 จะระบุว่ากราฟย่อยนั้นมีนัยสำคัญทางสถิติ นั่นคือ เป็นแบบแผนที่มีศักยภาพ
ค่า Z-score ในทุกประเภทของกราฟย่อยที่ตรวจพบจะถูกทำให้เป็นมาตรฐานและรวบรวมเป็นโปรไฟล์ความมีนัยสำคัญ (significance profile) สำหรับเครือข่าย เครือข่ายที่มีประเภทเชิงหน้าที่เดียวกัน (เช่น เครือข่ายควบคุมการถอดรหัสยีน) มีแนวโน้มที่จะมีโปรไฟล์ลักษณะเฉพาะร่วมกัน การเปรียบเทียบโปรไฟล์ข้ามเครือข่ายหลายๆ เครือข่ายจะเผยให้เห็นรูปแบบโครงสร้างใดบ้างที่ถูกนำเสนอมากเกินไปอย่างสากลในโดเมนที่กำหนด
ข้อผิดพลาดที่พบบ่อย
- การใช้กลุ่มเครือข่ายสุ่มที่เล็กเกินไป (น้อยกว่าไม่กี่ร้อยกราฟสุ่ม) ทำให้ค่า Z-score ไม่เสถียรและมีความแปรปรวนสูง
- การใช้วิธีการกับเครือข่ายที่มีโหนดน้อยกว่า 20 โหนด ให้ผลการนับที่ไม่น่าเชื่อถือ เนื่องจากความถี่ที่คาดหวังในกราฟสุ่มต่ำเกินไป
- การสับสนระหว่างความถี่ของกราฟย่อยกับความสำคัญเชิงหน้าที่ — การที่แบบแผนหนึ่งถูกนำเสนอมากเกินไปทางสถิติไม่ได้พิสูจน์ว่ามันทำหน้าที่เฉพาะทางชีววิทยาหรือสังคม
- การละเลยความไม่สม่ำเสมอของดีกรีในแบบจำลองว่าง: หากกลุ่มเครือข่ายสุ่มไม่ตรงกับลำดับดีกรีของเครือข่ายจริง โหนดศูนย์กลาง (hub nodes) จะทำให้จำนวนกราฟย่อยสูงเกินจริงโดยไม่ตั้งใจ
คำถามที่พบบ่อย
โครงสร้างเครือข่ายแบบแผนคืออะไรกันแน่?
โครงสร้างเครือข่ายแบบแผนคือรูปแบบกราฟย่อยที่เชื่อมต่อกันขนาดเล็ก — โดยทั่วไปเกี่ยวข้องกับโหนด 3 หรือ 4 โหนด — ที่เกิดขึ้นบ่อยครั้งอย่างมีนัยสำคัญในเครือข่ายจริงมากกว่าในกลุ่มเครือข่ายสุ่มที่ตรงกัน การประเมินนัยสำคัญทางสถิติจะทำโดยค่า Z-score (จำนวนจริงลบค่าเฉลี่ยจำนวนสุ่ม หารด้วยส่วนเบี่ยงเบนมาตรฐานของกราฟสุ่ม) โดยมีค่า Z > 2 หรือ p < 0.05 เป็นเกณฑ์มาตรฐาน
เครือข่ายของฉันต้องมีขนาดใหญ่แค่ไหน?
วิธีการนี้ต้องการโหนดอย่างน้อย 20 โหนด ต่ำกว่าเกณฑ์นี้ จำนวนกราฟย่อยที่คาดหวังในกราฟสุ่มจะต่ำเกินไปสำหรับค่า Z-score ที่มีความหมาย สำหรับเครือข่ายขนาดใหญ่มาก (หลายพันโหนด) การแจงนับแบบ 3 โหนดที่แม่นยำยังคงทำได้ แต่การค้นหาแบบแผน 4 โหนดและใหญ่กว่านั้นต้องการอัลกอริทึมการสุ่มตัวอย่างโดยประมาณ
ฉันสามารถทำการวิเคราะห์แบบแผนบนเครือข่ายที่ไม่มีทิศทางได้หรือไม่?
ชุดแบบแผนมาตรฐาน 3 และ 4 โหนดที่กำหนดโดย Milo et al. (2002) สร้างขึ้นสำหรับกราฟแบบมีทิศทาง เครือข่ายที่ไม่มีทิศทางมีชั้นความสมสัณฐานของกราฟย่อยที่แตกต่างกันน้อยกว่ามาก (เช่น รูปแบบโหนด 3 โหนดที่เชื่อมต่อกันเพียงรูปแบบเดียว) ซึ่งช่วยลดพลังในการจำแนกของวิธีการ หากเครือข่ายของคุณไม่มีทิศทาง ให้พิจารณาว่ากรอบการทำงานของแบบแผนแบบมีทิศทางนั้นใช้ได้จริงกับโดเมนของคุณหรือไม่ก่อนดำเนินการต่อ
ฉันควรสร้างกราฟสุ่มกี่กราฟสำหรับกลุ่มเครือข่ายสุ่ม?
จำเป็นต้องมีกราฟสุ่มอย่างน้อยไม่กี่ร้อยกราฟเพื่อให้ได้ค่า Z-score ที่เสถียร วรรณกรรมมักใช้เครือข่ายสุ่ม 1,000 เครือข่าย กราฟสุ่มต้องรักษาลำดับดีกรีของเครือข่ายจริง (การสลับเส้นเชื่อมหรือการสุ่มตัวอย่างแบบจำลองการกำหนดค่า) เพื่อให้จำนวนกราฟย่อยที่เกินมาไม่ใช่เพียงสิ่งประดิษฐ์ของโครงสร้างดีกรี
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Milo, R., Shen-Orr, S., Itzkovitz, S., Kashtan, N., Chklovskii, D., & Alon, U. (2002). Network Motifs: Simple Building Blocks of Complex Networks. Science, 298(5594), 824-827.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วAlon, U. (2007). Network Motifs: Theory and Experimental Approaches. Nature Reviews Genetics, 8(6), 450-461.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว