İçeriğe atla
Arama sonuçlarına dön

Ağ Motif Analizi — Tekrarlayan Yapısal Yapı Taşları

Yıl
2002
Tür
Statistical pattern-detection method for directed graphs

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Ağ motif analizi, yönlendirilmiş ağlar için kullanılan, Milo, Shen-Orr ve Alon tarafından 2002'de tanıtılan istatistiksel bir yöntemdir.

Bu yöntem, karşılaştırılabilir rastgele bir ağda beklenenden anlamlı derecede daha sık ortaya çıkan küçük, tekrarlayan alt ağ yapısı örüntülerini — motifleri — tanımlar. Gerçek bir ağı rastgeleleştirilmiş grafiklerden oluşan bir boş küme ile karşılaştırarak, yöntem biyolojik düzenleyici ağların, sosyal ağların ve diğer karmaşık sistemlerin işlevsel organizasyonunu tanımlayan temel yapısal yapı taşlarını ortaya çıkarır.

Yöntemin mantığı

Bir kablolama şemasına bakıp, üçlü bir döngünün aynı büyüklükteki rastgele kablolanmış bir kartta rastgele görülenden çok daha sık göründüğünü fark ettiğinizi hayal edin. Bu aşırı sıklık bir tesadüf değildir — ağa yerleştirilmiş tekrarlayan bir tasarım ilkesinin imzasıdır. Ağ motif analizi bu sezgiyi biçimlendirir: gerçek ağdaki her küçük bağlı alt ağ yapısı örüntüsünü sayar, aynı genel derece dizisine sahip binlerce rastgele ağ üretir, sayıları karşılaştırır ve hangi örüntülerin gerçekten aşırı temsil edildiğini sorar. Bu aşırı temsil edilen örüntüler motiflerdir — ağın işlevsel yapı taşlarıdır.

Tarih

Ağ motif analizi, Ron Milo, Shai Shen-Orr, Uri Alon ve meslektaşları tarafından 2002'de Science dergisinde yayınlanan dönüm noktası niteliğindeki bir makalede tanıtıldı. Çalışmaları, üç gerçek yönlendirilmiş ağın — E. coli'nin transkripsiyon düzenleyici ağı, C. elegans'ın nöral bağlantıları ve Dünya Çapında Ağ — her birinin, şanstan beklenenden çok daha sık tekrarlanan küçük bir alt ağ örüntüsü kümesine ev sahipliği yaptığını gösterdi. Alon'un 2007'deki Nature Reviews Genetics dergisindeki incelemesi kavramsal çerçeveyi genişletti ve bu motiflerin geri besleme döngüleri ve bi-fanlar gibi işlevsel devre türlerine nasıl karşılık geldiğini açıkladı. O zamandan beri alan, milyonlarca kenara sahip ağlarda motif analizine izin veren daha hızlı sayım algoritmaları ve yaklaşık örnekleme yaklaşımları geliştirmiştir.

Ne zaman kullanılır?

Ağ motif analizi, yönlendirilmiş bir ağa sahip olduğunuzda ve şanstan daha sık tekrarlanan küçük alt ağ örüntülerini keşfetmek istediğinizde uygundur. Keşifsel ve tanımlayıcı araştırma hedeflerine uyar: normal dağılımlı verilere ihtiyacınız yoktur, ancak ikili bir komşuluk yapısına (kenarların varlığı veya yokluğu) ihtiyacınız vardır. Yöntem, gerçek ağdan rastgele bir küme oluşturulabilmesini gerektirir ve ağ büyüdükçe hesaplama açısından maliyetli hale gelir, bu nedenle tam sayım tipik olarak 3 ve 4 düğümlü motiflerle sınırlıdır. Ağ yönsüzse ve alanınızdaki literatürde açık bir boş model tanımlanmamışsa veya ağda 20'den az düğüm varsa motif analizi kullanmayın.

Sınırlar ve dikkat edilmesi gerekenler

  • Büyük ağlar için hesaplama açısından maliyetli: tam alt ağ sayımı, 4 düğümlü motifler veya binlerce düğümlü ağların ötesinde kötü ölçeklenir.
  • Boş model seçimi (derece dizisini koruyan vs. tamamen rastgele), hangi örüntülerin anlamlı göründüğünü maddi olarak etkiler.
  • Yönlendirilmiş bir ağ gerektirir; standart 3 ve 4 düğümlü motif kütüphanesi yönlendirilmiş grafikler için tanımlanmıştır ve yönsüz ağlara doğrudan uygulanamaz.
  • Sonuçlar yapısal aşırı temsili tanımlar, nedensel veya işlevsel rolü değil — bir motifin neden önemli olduğunu yorumlamak alan bilgisi gerektirir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • İlkeli istatistiksel çerçeve: anlamlılık, sezgiye göre değil, eşleştirilmiş bir boş kümeye karşı değerlendirilir.
  • Alana evrensel: aynı yöntem gen düzenleyici ağlara, besin ağlarına, nöral devrelere ve sosyal etki grafiklerine uygulanır.
  • Birden çok ağ arasında karşılaştırılabilecek kompakt, yorumlanabilir bir parmak izi (anlamlılık profili) üretir.
  • Veriler hakkında herhangi bir dağılımsal varsayım gerektirmez — yalnızca ikili yönlendirilmiş komşuluk yapısı.

Uygulama alanları

  • Gen transkripsiyon ağlarındaki tekrarlayan düzenleyici devre türlerini (örneğin, geri besleme döngüleri) belirlemek.
  • Nöral konektomlar ve beyin görüntüleme ağlarındaki işlevsel yapı taşlarını karakterize etmek.
  • Sosyal ve atıf ağlarındaki etki veya otorite yapısal imzalarını tespit etmek.
  • Anlamlılık profillerini hizalayarak türler veya koşullar arasındaki ağ mimarilerini karşılaştırmak.

Nasıl çalışır?

Nasıl çalışır?

1

Boş bir model (rastgele küme), gerçek ağın derece dizisini koruyan birçok rastgele ağ üreterek (genellikle kenar değiştirme veya yapılandırma modeli örneklemesi yoluyla) oluşturulur. Bu küme, gerçek ağın alt ağ sayımlarının karşılaştırılacağı temeldir. Boş modelin kalitesi kritiktir: dereceyi kontrol etmeyen bir boş model kullanmak yanlış pozitifleri şişirecektir.

2

Sabit bir boyuttaki — tipik olarak 3 veya 4 düğüm — tüm bağlı alt ağlar gerçek ağda sayılır. Olası uyarılmış alt ağların sayısı düğüm sayısıyla birleşerek artığından, tam sayım yalnızca küçük alt ağ boyutları veya orta büyüklükteki ağlar için mümkündür; daha büyük ağlar yaklaşık örnekleme algoritmaları gerektirir.

3

Her alt ağ izomorfizm sınıfı için, gerçek sayı rastgele küme genelindeki sayım dağılımıyla karşılaştırılır. Bir Z-skoru (gerçek sayı - ortalama rastgele sayı) / rastgele sayıların standart sapması olarak hesaplanır. 2'nin üzerindeki bir Z-skoru veya eşdeğeri p < 0.05, bir alt ağı istatistiksel olarak anlamlı, yani bir motif adayı olarak işaretler.

4

Tespit edilen tüm alt ağ türlerindeki Z-skorları normalleştirilir ve ağ için bir anlamlılık profili oluşturulur. Aynı işlevsel sınıftaki ağlar (örneğin, transkripsiyon düzenleyici ağlar) karakteristik bir profili paylaşma eğilimindedir. Birden çok ağ arasındaki profillerin karşılaştırılması, belirli bir alanda hangi yapısal örüntülerin evrensel olarak aşırı temsil edildiğini ortaya çıkarır.

Sık yapılan hatalar

  • Çok küçük bir rastgele küme kullanmak (birkaç yüz rastgele grafikten az) yüksek varyansla kararsız Z-skorları üretir.
  • Yöntemi 20'den az düğümlü bir ağa uygulamak, rastgele grafiklerde beklenen frekanslar çok düşük olduğu için güvenilmez sayımlara yol açar.
  • Alt ağ sıklığını işlevsel önemle karıştırmak — bir motifin istatistiksel olarak aşırı temsil edilmesi, belirli bir biyolojik veya sosyal işlevi yerine getirdiğini kanıtlamaz.
  • Boş modelde derece heterojenliğini göz ardı etmek: rastgele küme gerçek ağın derece dizisiyle eşleşmezse, hub düğümleri alt ağ sayılarını yapay olarak şişirir.

Sık sorulan sorular

Tam olarak bir ağ motifi nedir?

Bir ağ motifi, gerçek bir ağda eşleştirilmiş rastgele bir kümeden anlamlı derecede daha sık ortaya çıkan küçük bir bağlı alt ağ örüntüsüdür — tipik olarak 3 veya 4 düğüm içerir. İstatistiksel anlamlılık, bir Z-skoru (gerçek sayı eksi ortalama rastgele sayı, rastgele grafikler üzerindeki standart sapmaya bölünür) ile değerlendirilir, geleneksel eşik Z > 2 veya p < 0.05'tir.

Ağım ne kadar büyük olmalı?

Yöntem en az 20 düğüm gerektirir. Bu eşiğin altında, rastgele grafiklerde beklenen alt ağ sayıları anlamlı Z-skorları için çok düşüktür. Çok büyük ağlar (binlerce düğüm) için, tam 3 düğümlü sayım hala mümkündür, ancak 4 düğümlü ve daha büyük motif aramaları yaklaşık örnekleme algoritmaları gerektirir.

Yönsüz bir ağ üzerinde motif analizi çalıştırabilir miyim?

Milo ve ark. (2002) tarafından tanımlanan standart 3 ve 4 düğümlü motif kütüphanesi yönlendirilmiş grafikler için oluşturulmuştur. Yönsüz ağlar, yöntemin ayırt edici gücünü azaltan çok daha az sayıda farklı alt ağ izomorfizm sınıfına sahiptir (örneğin, yalnızca bir bağlı 3 düğümlü örüntü). Ağınız yönsüzse, devam etmeden önce yönlendirilmiş motif çerçevesinin alanınıza gerçekten uygulanıp uygulanmadığını düşünün.

Boş küme için kaç rastgele grafik üretmeliyim?

Kararlı Z-skorları için en az birkaç yüz rastgele grafik gereklidir; literatürde yaygın olarak 1.000 rastgele ağ kullanılır. Rastgele grafikler, gerçek ağın derece dizisini korumalıdır (kenar değiştirme veya yapılandırma modeli örneklemesi), böylece herhangi bir aşırı alt ağ sayısı yalnızca derece yapısının bir artefaktı olmaz.

İlgili yöntemler

Kaynaklar

  1. 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.

    DOI kaynağını aç
    Kopyalandı.
  2. Alon, U. (2007). Network Motifs: Theory and Experimental Approaches. Nature Reviews Genetics, 8(6), 450-461.

    DOI kaynağını aç
    Kopyalandı.