En ny metode giver bedre indsigt i den virkelige verden af ​​netværksudvikling

Naturen og samfundet er fulde af såkaldte komplekse systemer i den virkelige verden, såsom proteininteraktioner. Teoretiske modeller, kaldet komplekse netværk, beskrive dem og bestå af noder, der repræsenterer et hvilket som helst grundlæggende element i det netværk, og links, der beskriver interaktioner eller reaktioner mellem to noder.

I tilfælde af protein-interaktionsundersøgelser, rekonstruktion af komplekse netværk er nøglen, da de tilgængelige data ofte er unøjagtige, og vores viden om den nøjagtige karakter af disse interaktioner er begrænset. Til genopbygning af netværk, link forudsigelse – sandsynligheden for eksistensen af ​​en forbindelse mellem to knudepunkter – betyder noget. Nu, Kinesiske videnskabsmænd har set på indflydelsen af ​​netværksstrukturen for at kaste lys over robustheden af ​​de seneste metoder, der bruges til at forudsige adfærden af ​​sådanne komplekse netværk.

Jin-Xuan Yang og Xiao-Dong Zhang fra Shanghai Jiao Tong University i Kina har netop offentliggjort deres arbejde i EPJ B , at give en god reference til valget af en passende algoritme til linkforudsigelse afhængigt af den valgte netværksstruktur. I denne avis, forfatterne bruger to netværksparametre – det fælles naboindeks og det såkaldte Gini-koefficientindeks – til at afsløre sammenhængen mellem et netværks struktur og nøjagtigheden af ​​metoder, der bruges til at forudsige fremtidige links.

Deres undersøgelse involverer dels en statistisk analyse, som afslører en sammenhæng mellem netværkets karakteristika, ligesom det fælles naboindeks, Gini-koefficientindeks og andre indekser, der specifikt beskriver netværksstrukturen, såsom dens klyngekoefficient eller dens grad af heterogenitet.

Forfatterne tester deres teori eksperimentelt i en række af virkelige netværk og finder ud af, at den foreslåede algoritme giver bedre forudsigelsesnøjagtighed og robusthed til netværksstrukturen end eksisterende metoder. Dette får også forfatterne til at udtænke en ny metode til at forudsige manglende links.