ملخص تقني: OgBench – إطار عمل لتقييم الشبكات العصبية الرسومية على البيانات الأومية (Omics)

بيان المشكلة

أثبتت الشبكات العصبية الرسومية (GNNs) مكانتها كإطار عمل مهيمن للتعلم الاستقرائي على مستوى الرسم البياني (graph-level learning). ومع ذلك، فإن المعايções الحالية (مثل OGB وTUDataset وLRGB) تعمل في الغالب في نظام $n \gg p$، حيث يتجاوز عدد الرسوم البيانية ($n$) بشكل كبير عدد العقد في كل رسم بياني ($p$). وهذا يتناقض بشدة مع مجال الأوميات (البيانات الجينومية، والترانسكريبتومية، والبروتيومية، والإبيجينومية) الذي يعمل في نظام $n \ll p$. في مجال الأوميات، تتميز مجموعات البيانات برسوم بيانية ضخمة (عشرات الآلاف من الجينات أو البروتينات لكل عينة) ولكن مع ندرة في العينات المصنفة (المرضى أو الأشخاص) بسبب التكاليف، والخصوصية، والقيود السريرية.

تخاطر أبحاث الشبكات العصبية الرسومية الحالية بالركود لأن المعايções القياسية لا تعكس واقع الأبعاد العالية ونقص العينات هذا. في التعلم الإحصائي، يكون نظام $n \ll p$ عرضة للإفراط في التخصيص (overfitting) وعدم الاستقرار. وبينما تستفيد الشبكات العصبية الرسومية من المسبقات الهيكلية (structural priors) التي يمكن أن تفيد هذا الإعداد نظرياً، تشير الدراسات الحديثة إلى أنها غالباً ما تفشل في التفوق على النماذج البسيطة للتعلم الآلي في مهام الأوميات. علاوة على ذلك، يفتقر المجال إلى مسار معياري؛ حيث غالباً ما يتم خلط مكاسب الأداء بعوامل معالجة مسبقة غير متجانسة (مثل تجميع المجسات إلى جينات، والتطبيع، وتعديل المتغيرات)، مما يجعل من الصعب عزل ما إذا كانت التحسينات ناتجة عن ابتكار معماري أو ناتجة عن عمليات معالجة البيانات.

المنهجية: إطار عمل OgBench

لمعالجة هذه الفجوات، قدم المؤلفون OgBench، وهو أول منصة معيارية مصممة خصيصاً للتنبؤ على مستوى الرسم البياني في نظام الأوميات $n \ll p$. يوفر OgBench بنية تحتية معيارية وشاملة تفصل بين المعالجة المسبقة للبيانات، وبناء الرسم البياني، وتدريب النموذج.

1. مجموعات بيانات معيارية

يدمج الإطار أربع مجموعات بيانات نظيفة وجاهزة للنماذج تغطي ثلاثة أنواع من الأوميات:

• HERITAGE (البروتيوميات): تصنيف ثنائي للمستجيبين للتمارين الرياضية ($n=654$، $p=4977$ بروتيناً).
• Parkinson's (الترانسكريبتوميات): تصنيف ثنائي للحالة الإدراكية بناءً على درجات MoCA ($n=535$، $p=21,755$ جيناً).
• AddNeuroMed (الترانسكريبتوميات): تصنيف سريري ثلاثي الفئات (AD، MCI، Control) ($n=711$، $p=17,198$ جيناً).
• BRCA (الإبيجينوميات): تصنيف لأربعة أنواع من سرطان الثោ breast cancer ($n=640$، $p=19,049$ منطقة مثيلة مرتبطة بالجينات).

تخضع جميع مجموعات البيانات لمسار معالجة مسبقة متسق يشمل تجميع المجسات إلى جينات، والتطبيع، وتعديل المتغيرات، مع تقسيم ثابت للبيانات بنسبة 70/15/15 (تدريب/تحقق/اختبار).

2. بناء الرسم البياني المعياري

يعامل OgBench اختيار العقد وبناء الحواف كأجزاء قابلة للاستبدال للسماح بدراسات الاستئصال المحكومة:

• اختيار العقد: تشمل الاستراتيجيات تصفية التباين (Variance filtering)، وارتباط بيرسون (Pearson Correlation)، وارتباط المسافة (Distance Correlation) (للعلاقات غير الخطية)، وأخذ العينات العشوائية. وهذا يسمح للباحثين بدراسة تأثير مسبقات اختيار الميزات على أداء النموذج.
• بناء الحواف: يتم دعم استراتيجيتين رئيسيتين:
  • المعتمدة على البيانات: رسوم بيانية للتعاون في التعبير (Co-expression) مبنية عبر ارتباط بيرسون الزوجي مع استخدام العتبة الناعمة لتقريب الطوبولوجيا خالية المقياس (scale-free topology).
  • المسبق البيولوجي: شبكات التفاعل بين البروتينات (PPI) المستمدة من قاعدة بيانات STRING (تفاعلات متوسطة الثقة).
  • من المهم ملاحظة أن مصفوفة التجاور ثابتة عبر جميع العينات (طوبولوجيا عالمية)، بينما تظل ميزات العقد (قيم التعبير) خاصة بكل عينة.

3. مجموعة النماذج والنماذج المرجعية

يقارن الإطار مجموعة متنوعة من النماذج مقابل النماذج المرجعية الكلاسيكية:

• النماذج المرجعية (Baselines): آلات متجه الدعم (SVM) والشبكة المرنة (Elastic Net) (النماذج الخطية المنتظمة)، والتي غالباً ما تكون تنافسية في البيئات عالية الأبعاد.
• النموذج المرجعي للتعلم العميق: الشبكات العصبية متعددة الطبقات (MLPs) لعزل مساهمة طوبولوجيا الرسم البياني من التحويل غير الخطي للميزات.
• الشبكات العصبية الرسومية (GNNs):
  • الكلاسيكية: GCN، وGraphSAGE، وGATv2، وGIN.
  • القابلة للتوسع: SAGN (مصممة للرسوم البيانية الكبيرة).
  • الخاصة بالأوميات: ChebNet (التلافيف الطيفية)، وMLA-GNN (الانتباه متعدد المستويات).
  • المحولات (Transformers): GPS (General Graph Transformer).

4. بروتوكول التقييم

تتضمن التجارب تحسيناً صارماً للمعلمات الفائقة (البحث الشبكي عبر معدلات التعلم، وعدد الطبقات، إلخ) واستخدام تجميع Top-K ensemble aggregation للتخفيف من عدم استقرار الاختيار القائم على التحقق في أنظمة العينات الصغيرة. تشمل المقاييس Macro F1، وWeighted F1، والدقة (Accuracy)، وAUROC، إلى جانب مقايسات الكفاءة الحسابية.

النتائج الرئيسية

تؤدي التقييمات التجريبية عبر مجموعات البيانات الأربع إلى عدة رؤى حاسمة:

1. الشبكات العصبية الرسومية لا تتفوق باستمرار على النماذج المرجعية البسيطة: في نظام $n \ll p$، غالباً ما تفشل الشبكات العصبية الرسومية واسعة الانتشار (GCN, GAT, GIN) في التفوق بشكل مقنع على نماذج MLP البسيطة أو النماذج الخطية المنتظمة الكلاسيكية (SVM, Elastic Net). في مجموعات بيانات مثل Parkinson's وBRCA، تظل النماذج الخطية المرجعية تنافسية أو متفوقة.
2. الفائدة المعتمدة على المهمة للهيكل: قيمة هيكل الرسم البياني تعتمد بشدة على مجموعة البيانات. في مجموعة بيانات HERITAGE، أظهرت الطرق القائمة على الرسم البياني مزايا، بينما لم تظهر ذلك في غيرها. يشير هذا إلى أن الانحيازات الاستقرائية الهيكلية ليست مفيدة عالمياً في الأوميات.
3. آليات القراءة (Readout Mechanisms) مهمة: في مجموعات البيانات التي تتراجع فيها أداء الشبكات العصبية الرسومية مقارنة بالنماذج المرجعية (Parkinson's, BRCA)، فإن استخدام قراءة MLP (تعلم الأوزان على تضمينات العقد دون تمرير الرسائل) يتفوق بشكل كبير على التجميع التقليدي (mean/sum aggregation). هذا يعني أن تكامل الميزات العالمية هو ما يقود الأداء بدلاً من تمرير الرسائل المحلي، مما يشير إلى أن طوبولوجيا الرسم البياني تضيف إشارة محدودة لما هو أبعد من ميزات العقد نفسها في هذه الحالات.
4. اختيار العقد أمر بالغ الأهمية: يتفاعل اختيار استراتيجية اختيار العقد بشكل معقد مع أداء النموذج. ومن المثير للاهتمام أنه في HERITAGE، حقق الاختيار العشوائي للعقد أحياناً أفضل أداء قائم على الرسم البياني، مما يشير إلى أن الحفاظ على اتصال الشبكة (حتى مع وجود عقد أقل قدرة على التنبؤ) يعد أمراً حاسماً لآليات تمرير الرسائل، في حين أن الاختيار القائم على الارتباط (الذي يختار العقد الأكثر قدرة على التنبؤ فردياً) قد يقطع هيكل الرسم البياني.
5. حساسية مصدر الحواف: لا يوجد مصدر حواف واحد (PPI مقابل Co-expression) يتفوق باستمرار على الآخر. الاختيار الأمثل يعتمد على نوع الـ GNN ومجموعة البيانات، مما يشير إلى أن التفاعل بين المعمارية والطوبولوجيا أكثر أهمية من مصدر الحواف نفسه.
6. عدم استقرار التحقق: في نظام $n \ll p$، يكون اختيار نموذج واحد بناءً على مجموعة تحقق صغيرة أمراً غير موثوق به. يقلل تجميع التجمعات (Ensemble aggregation) (متوسط التنبؤات من أفضل K تكوينات) من التباين ويكشف عن المزايا الحقيقية للنماذج التي غالباً ما يحجبها اختيار التكوين الواحد.

الأهمية والادعاءات

يدعي البحث أن OgBench يوفر "فحصاً للواقع" ضرورياً لتطبيق الشبكات العصبية الرسومية في الطب الحيوي. ومن خلال الكشف عن أن الشبكات العصبية الرسومية القياسية غالباً ما تواجه صعوبة في التفوق على الطرق الأبسط في إعدادات الأوميات عالية الأبعاد وشحيحة البيانات، يتحدى الإطار الافتراض السائد بأن هيكل الرسم البياني يضيف قيمة بطبيعته.

يجادل المؤلفون بأن على المجال أن يتجاوز المكاسب التدريجية في الأداء على المعايções القياسية وينخرط في إعادة تقييم نقدية لنماذج التعلم. تشير النتائج إلى أن التطبيق الأعمى للطرق الرسومية على البيانات البيولوجية دون التساؤل عن صحة الهيكل الأساسي أو ملاءمة المعمارية لنظام $n \ll p$ قد يؤدي إلى الركود. يهدف OgBench إلى تعزيز تطوير معماريات جديدة مصممة خصيصاً للرسوم البيانية البيولوجية وتوفير نظام بيئي مفتوح المصدر وقابل لإعادة الإنتاج للتحقق من هذه الابتكارات. تم إصدار الكود ومجموعات البيانات لتسهيل هذا الانتقال.