ProcessNets: Towards an efficient approach for ensemble analysis of biological networks

在现代生物学的广袤景观中，科学家们已经学会不仅将生命视为分子的集合，更将其视为一个连接的网络。想象一座城市，其中的每一栋建筑都是一个基因，而建筑之间的道路则代表了它们如何相互交流。当研究人员绘制这些道路时，他们就创建了一个网络，一幅描绘这座城市如何运作的图景。多年来，研究重点通常在于绘制单一城市在特定条件下的完美地图。但生命很少如此简单。一个人可能拥有成千上万个不同版本的这种地图，这取决于哪些细胞处于活跃状态、存在哪些环境因素，或者数据是如何收集的。为了真正理解这个系统，科学家需要将这成千上万张地图放在一起研究，寻找那些只有在作为一个整体观察时才会显现出来的模式。这种被称为“后期集成”（late integration）的方法，在允许进行更广泛比较的同时，保留了每张地图的独特细节。然而，一个新问题出现了：数据的海量规模。随着大规模项目现在生成数以千计的这类复杂生物网络，用于逐一分析它们的计算机正面临瓶颈。计算耗时过长，导致洞察力被延迟，而且存储这些地图所需的空间也变得难以承受。

来自印度理工学院马德拉斯分校的一个研究小组提出了一种应对这一瓶颈的新方法，他们称之为 ProcessNets。该方法不再将每个生物网络视为完全独立、互不相关的任务，而是认识到这些网络通常是“亲戚”而非陌生人。因为它们都源自同一个生物系统，所以它们共享大量的结构。研究人员意识到，如果你拥有一系列相似的地图，你并不需要为每一个成员都重新绘制整张地图。你可以先画好共同的基础，然后只需记录下每个变体中的微小变化。为了实现这一点，他们发明了一种组织数据的新方式，称之为 nc-tree。可以将这种结构想象成网络的“族谱”。在最底层的根部，坐落着一个包含整个群体所共享的所有连接的单一网络。当你沿着分支向顶端移动时，网络会不断演化。在每一步中，只会添加在特定版本网络中新出现的连接。这意味着成千上上的个网络集可以仅用极小部分的常规空间进行存储，因为共享部分不会被反复重复。

研究人员通过在来自基因型-组织表达项目（GTEx）的大规模真实世界数据上运行其系统，测试了这一想法，该项目包含了来自各种人类组织的基因活性图谱。他们将这种新方法与标准做法进行了对比，在标准做法中，计算机从头开始计算每个网络的属性。结果令人震惊。当网络彼此相似时，新系统明显更快。在某些情况下，它的计算速度几乎比传统方法快了四倍。它还节省了大量的存储空间；对于某些网络组，新方法仅需传统方法所需磁盘空间的八分之一。这种效率不仅仅是为了节省时间或金钱，它使科学家能够分析比以前更大规模的数据组，从而有可能揭示那些隐藏在低效方法产生的噪声中的微妙生物学模式。

然而，研究也发现，这种加速并非适用于所有情况的“灵丹妙药”。该方法高度依赖于网络的相似性。当研究人员在一组彼此差异巨大的网络上测试其系统时，优势消失了，新方法有时甚至比标准方法耗时更长。这很好理解，因为如果网络过于不同，就没有多少可以构建的共同基础，系统最终还是不得不处理几乎每一个连接。研究人员还发现，这种收益取决于所进行的具体计算类型。对于某些度量，例如计算单个点的连接数，新方法始终很快。而对于其他度量，例如根据整个网络的位置计算节点的重要性，只有在网络非常大且密集时，才能看到加速效果。

这项工作表明，处理生物学大数据的方式正在发生转变。解决方案不在于试图让计算机更快，或为单个任务编写更好的算法，而在于理解数据本身之间的关系。通过将数据组织成一种反映网络间自然相似性的结构，研究人员得以绕过冗余的工作。他们证明了，对于现代生物库产生的海量且相似的数据集，存在一种更聪明的计算方式。研究结果为那些正淹没在数据中的科学家提供了一条切实可行的路径，提供了一种能将“重复计算的山峦”转化为“可控更新流”的工具。虽然该方法有其局限性，且在数据一致时表现最佳，但它为以以往无法企及的规模分析生物系统打开了大门，将大数据的挑战转化为了深度发现的机遇。