文献阅读（1）- Aligning dynamic networks with DynaWAVE

Bioinformatics, 34(10), 2018, 1795–1798

1，Abstruct

1.1，起因，

因为DynaMAGNA++ 在保证质量和运行时的情况下，不能很好的进行扩展。

1.2，结果：

算法	小网络上	大网络上
DynaWAVE.	精确度低，速度快	精确度高，速度快
DynaMAGNA++	精确度高，速度慢	精确度低，速度慢

2，简介

2.1，动态网络明确使用了时间信息（temporal information）

2.2, DynaMAGNA++

• 是MAGNA++的一种推广。

  使用遗传算法思想，来优化静态节点何边缘保持（node and edge conservation）

• 保存了MAGNA++的遗传算法的思想，但是在生态网络，细胞网络，社会网络中，表现更佳。但是因为遗传算法的原因，MAGNA++在扩展大网络时，表现不佳。

2.3，DynaWAVE

• 在2016年的一篇文章中，对10中静态方法进行了测试，其中，WAVE（最快），MAGNA++，L-GRAAL拿到了很高的评分。
• 从WAVE进行扩展。

3，方法

3.1，优化目标

最大化：
$$B{S}_E+(1-B)S_N$$

B为一个平衡参数。

S_N 为所有对齐节点对的均值

四种方法优化的是S_E和S_N的量度（measures）以及他们的优化策略。

3.2，一些对比

算法	S_E	S_N	策略
MAGNA++	静态边守恒的S^3度量	a static graphlet-based measure of node conservation	极大化目标函数，使用遗传搜索算法，进化多个世代的对其种群
DynaMAGNA++	动态边守恒的DS^3度量	a dynamic graphlet-based measure of node conservation	和上面一样
WAVE	加权边守恒（weighted edge conservation（WEC））	同MAGNA++	贪婪策略，种子扩展策略
DynaWAVE	动态边（事件）的测度，DWEC（提出的）	和DynaMAGNA++一致	同WAVE

3.2，WEC和DWEC

• 与S^3不同的是，WEC倾向于保存具有相似边节点（similar end-nodes）的保守边。

• DWEC

  计算了对齐的守恒事件时间（CET），（u，v）和（u’，v’）的映射是两者都活动的时间量（amount of time），总对齐的CET是所有节点对之间的CET的总和。（相似点DS^3）

  侧重具有相似端节点的保守事件。对于映射到（u’,v’）的节点对。节点对的映射由三部分加权构成，节点相似度s(u,u’)，s(v,v’)和CET（（u,v）,（u’,v’））

• 选定b为1/2，补充了剩余4种方法的参数的选定值

4，结果与讨论

4.1，使用动态框架进行评价

• 使用非严格化随机模型（non-strict randomization），将一部分加入噪声，并将这一部分事件重新连接（rewiring）。

• 严格模型，只对事件的时间戳进行随机化。

• **因为在非严格随机模型中只有在添加噪声时重新连接事件，所以知道原始网络和噪声网络之间的真实节点映射。**所以对齐质量可以通过节点正确性（NC），给定的对齐与真实节点映射的重叠度来计算对齐质量

• 比较了3个网络

  (i) the zebra proximity network (27 nodes and 779 events) (Rubenstein et al., 2015; Vijayan et al., 2017),

  (ii) the yeast PIN (1004 nodes and 10 403 events) (Vijayan et al., 2017)

  (iii) the human aging PIN (6300 nodes and 76 666 events) (Faisal and Milenkovic, 2014).

• NC

• 时间

  

4.2，测试鲁棒性

• 合成网络（synthetic network）

之前分析的模型具有不同的规模也具有不同的类型苏，所以采用合成网络

• 使用相同的随机图模型，故是同一类型。
• 三种网络使用不同的模型
  • 几何基因复制（GET-GD）
  • 无标度基因复制（SF-GD）
  • 社会网络演化（SNE）
• 将网络节点从100慢慢增量到4000个
• 结论：随着网络的增大，DynaWAVE的优势更加明显。

4.3， 查找原因

• 测试环境是一致的（真实网络和合成网络）

• 是目标函数还是优化策略导致了性能的不同？

  控制变量法：

  DynaWAVE和DynaMAGNA++(DWEC)有相同的目标函数（objective functions）

  DynaMAGNA++和DynaMAGNA++有相同的优化策略（optimization strategies）

  

• 可以得到，性能的提升和优化策略有关。

5，相关参考文献

• Kuchaiev,O. et al. (2010) Topological network alignment uncovers biological function and phylogeny. J. R. Soc. Interface, 7, 1341–1354.

• Vijayan,V. et al. (2015) MAGNAþþ: maximizing accuracy in global network alignment via both node and edge conservation. Bioinformatics, 31, 2409–2411.

• Saraph,V. and Milenkovic,T. (2014) MAGNA: Maximizing accuracy in global network alignment. Bioinformatics, 30, 2931–2940.

• Sun,Y. et al. (2015) Simultaneous optimization of both node and edge conservation in network alignment via WAVE. In: Pop M., Touzet H. (eds), Algorithms in Bioinformatics, WABI 2015, Lecture Notes in Computer Science, Vol. 9289. Springer, Berlin, Heidelberg.