MOTIF-­‐BASED

 CLUSTERING  OF  DIRECTED  NETWORKS  

Thomas  P.  Reith,  Laurie  J.  Heyer  
Mathema3cs  Department,  Davidson  College  

NETWORK  MOTIFS   CLUSTERING  CRITERIA   SIMPLE  EXAMPLE   CLUSTERING  E.COLI    

•  Recurrent,  sta3s3cally  significant   •  Given  a  mo3f,  we  consider  nodes  that   •  Network  contains  423  nodes,  578  edges3  
subgraphs  found  at  higher   play  the  same  role  in  different   7    
•  Each  node  represents  DNA  operon;  each  edge  is  
frequencies  in  real  networks  than   occurrences  of  the  mo3f  across  the   directed  from  operon  encoding  transcrip3on  
randomly  generated  networks1   network  to  be  more  similar   6   5   2   factor  to  operon  regulated  by  said  transcrip3on  
  factor  

•  Can  be  thought  of  as  “simple  building   •  Nodes  that  never  play  the  same  role   1   4     1   3    
Input  moBf  (FFD)   •  Edges  can  be  ac3va3ng,  repressing,  or  both  
blocks  of  complex  networks”   are  less  similar   2   3    
•  Majority  of  feedforward  mo3fs  in  the  network  are  
•  To  quan3fy  this  similarity,  we  count   Input  network   of  coherent  type,  where  direct  effect  has  same  
  sign  as  indirect  effect4  
2   the  number  of  3mes  each  node  of  the  
network  plays  each  specific  role  in  the   ! $ ! $ 2   2   2   2  
1 0 0 0 2 1 1 2 1 2
given  mo3f   # & # & 1   3   1   3   1   3   1   3  
1   3   #
#
0
0
1
0
0
0
&
&
#
#
2
1
0
1
1
0
1
0
0
1
3
2
2
1
&
&    =  acBvaBng  edge      =  repressing  edge  

 
   Feedforward  Loop   R  =   # 0 0 0 & D  =   # 1 1 0 0 1 2 1 &
# & # & 1)  Clustering  by  single  coherent  feedfoward  loop  
# 0 1 0 & # 2 0 1 1 0 3 2 &  1) 
             r  esults  in  four  clusters  
 

 
ALGORITHM  STEPS   #
#
1
0
0
0
1
1
&
&
#
#
1
2
3
2
2
1
2
1
3
2
0
1
1
0
&
& 2) 
  Clustering  by  all  coherent  feedfoward  loops  results  
in  nine  clusters.    Three  are  the  same  as  in  1)  and  
  1   2   1.  Create  an  m  x  n  matrix  R,  where  m  is  the  
" % " %
the  rest  are  a  refinement  of  the  fourth  cluster  
from  1)  
  number  of  nodes  in  the  network,  n  is  the  
  number  of  roles  in  the  mo3f,  and  each   3.0  
 
3   4   5   entry  Rij  is  the  number  of  3mes  that  node  i    
plays  role  j.  
 
   MulB-­‐Input  MoBf    
2.0  

 
P OTENTIAL   A PPLICATIONS  
If  mul3ple  role  matrices  are  created  based  
 •  Gene  networks  (E.  coli)  
2.  .

on  different  mo3fs  and  concatenated,  the  

•  Neuronal  networks  (C.  elegans)  
network  can  be  clustered  based  on   1.0  

•  Social  networks  
mul3ple  mo3fs.  
•  Industrial  networks  
NODE  ROLES   2. 
0   2 5 1 3 4 6 7 •  Criminal  networks  
  Apply  agglomera3ve  hierarchical  clustering   •  Computer  networks  
•  We  define  the  role  of  a  node  as  a   to  the  rows  of  R.    Distance  metrics  and  
linkage  criteria  are  user-­‐defined.   (ManhaZan  distance;  complete  linkage)  
unique  combina3on  of  its  in  and  out   Goal:  Iden3fy  the  “role”  of  each  node  in  the  
degrees   network  
 
•  Feedforward  loop  has  three  different  
roles:    
SUBGRAPH  ISOMORPHISM    
REFERENCES  
2 :  “sender”  
  •  How  do  we  find  all  instances  of  a  given  mo3f  in  a   •  Let  A  and  B  be  the  adjacency  matrices  for  GA  and  GB.  
 
R.  Milo,  S.  Shen-­‐Orr,  S.  Itzkovitz,  et  al.,  Network  mo3fs:  simple  
1  

building  blocks  of  complex  networks,  Science  298,  no.  5594  

:  “middleman”   network?   (2002),  824-­‐827.  
  •  M  encodes  an  isomorphism  iff  A  ≤  MBMT  component-­‐  

1   3  
2  J.  Ullmann,  An  algorithm  for  subgraph  isomorphism,  J.  ACM  23,  
:  “receiver”   •  Our  method  for  directed  graphs  is  extended  from   wise.  
no.  1  (1976),  31-­‐42.  
Ullmann’s  method  for  undirected  graphs2    
3  S.  Shen-­‐Orr,  R.  Milo,  S.  Mangan,  et  al.,  Network  mo3fs  in  the  
•  Create  ini3al  matrix  M0  by  se^ng  mij  =  1  if  it  is  possible  
•  Suppose  there  is  an  isomorphism  between  a  graph   for  vertex  i  ∈     GA  to  map  to  vertex  j  ∈ GB;  i.e.  if  indeg(i)  ≤   transcrip3onal  regula3on  network  of  Escherichia  coli,  Nature  
Gene3cs  31,  no.  1  (2002):  64-­‐68.  
•  Mul3-­‐Input  Mo3f  only  has  two  roles:   (mo3f)  GA  and  some  subgraph  of  a  larger  graph  GB.   indeg(j)  and  outdeg(i)  ≤  outdeg(j)    

 
4  S.  Mangan  and  U.  Alon,  Structure  and  unc3on  of  the  feed-­‐

•  We  can  encode  this  isomorphism  in  an  m  x  n   •  Recursively  cycle  through  all  possible  permuta3on   forward  loop  network  mo3f,  PNAS  100,  no.  21  (2003),  

1   2   permuta3on  matrix  M,  where  m  =  |V(GA)|  and    

                 n  =  |V(GB)|.  
matrices  M  generated  from  M0  and  check  if  each  
encodes  an  isomorphism  
11980-­‐11985.  
 
 
 

 
•  If  vertex  i  ∈ 2 GA  maps  to  vertex  j  ∈2 GB  then  we  set   •  Idea  can  be  extended  to  graphs  with  colored  edges    
3   4   5                  mij  =  1.    
•  Represent  edge  colors  in  adjacency  matrices  by  1  and  -­‐1  
2 1   2   3   ! 0 1 0 0 0 $ ACKNOWLEDGEMENTS  
:  “sender”                      :  “receiver”   GA  =   GB  =  
#
M  =  #
&
•  Then  M  encodes  an  isomorphism  iff  A  =  A  o MBMT,  
 • 
0 0 1 0 0 &
1 3 Davidson  Research  Ini3a3ve  
5   4   # 0 0 0 0 1 &
" % where  o  represents  the  Hadamard  product  for  
    component-­‐wise  mul3plica3on  •  Dr.  Timothy  Char3er  
•  Students  and  faculty  in  summer  research  group