PPI-Net: 분자 단백질 상호작용을 질병의 기능적 과정에 연결

분자 수준의 변화가 생물학적 시스템 전반으로 어떻게 전파되어 질병을 유발하는지 이해하는 것은 여전히 핵심적인 과제입니다. 고처리량 프로파일링이 종양 상태를 포괄적으로 특성화할 수 있게 했음에도 불구하고, 대부분의 모델은 구조화된 생물학적 관계를 무시하거나 규모에 걸친 해석 가능성이 부족합니다. 본 논문에서는 단백질-단백질 상호작용(PPI) 네트워크와 경로 수준 표현을 통합하여 분자 상호작용부터 기능적 과정까지 질병을 모델링하는 계층적 그래프 신경망인 PPI-Net을 제시합니다. 환자별 분자 프로파일은 STRING에서 가져온 공유 상호작용 네트워크에 임베딩된 후, 그래프 어텐션(graph attention)을 사용하여 다층 Reactome 계층 구조를 통해 전파되어 유전자 수준의 신호를 고차원 생물학적 프로그램으로 집계할 수 있게 합니다. The Cancer Genome Atlas의 10가지 암 유형에서 얻은 RNA-seq 데이터를 활용하여, PPI-Net은 여러 코호트에서 90%를 초과하는 균형 정확도(balanced accuracy)로 강력한 예측 성능을 달성했습니다. 유방암의 RNA-Seq 데이터에 대한 비교 분석 결과, PPI-Net이 Reactome 계층 구조를 통합함으로써 PPI 전용 모델 대비 균형 정확도를 6.7% 향상시켰으며, 계층적 다중 레벨 지도 학습(hierarchical multi-level supervision)은 단일 최상위 예측 헤드만 사용하는 경우 대비 균형 정확도를 12.3% 향상시킨 것으로 나타났습니다. RNA-seq와 메틸화 데이터를 사용한 다중 오믹스 접근 방식을 적용하는 것은 모델 해석을 개선하여 TP53-AKT 신호 및 스트레스 반응 경로를 포함하는 표준 발암성 모듈을 복구하는 동시에 다시

이러한 결과들은 상호작용 네트워크를 경로 계층 구조와 통합하는 것이 암 생물학에 대한 기계적 통찰력을 제공함과 동시에 정확한 예측을 가능하게 함을 보여줍니다.