At finde manglende netværksforbindelser kan hjælpe med at udvikle nye lægemidler, stoppe sygdom, lette trafikken

En ny matematisk model af netværksstrukturen kan hjælpe med at finde nye kræftlægemidler, fremskynde trafikafviklingen og bekæmpe seksuelt overførte sygdomme.

Selvom de tre udfordringer virker forskellige, de kunne alle have gavn af en teori, der hjælper med at afdække ukendt information om et netværk ved at analysere dets struktur. Undersøgelsen blev offentliggjort i tidsskriftet Kaos .

Et eksempel på, hvordan det kan være nyttigt at udfylde manglende links, er ved at vælge et genetisk mål for et kræftlægemiddel, sagde teammedlem Michael Small, fra University of Western Australia.

"Sig, at du har et netværk af gener, der på en eller anden måde er forbundet, og der er nogle kendte lægemiddelmål. Men hvis du ikke kender alle generne, du gerne vil gætte på oplysninger, som du ikke behøver at finde ud af, hvad der kan være andre sandsynlige mål at undersøge, "Lille sagde.

Succesfulde linkforudsigelsesalgoritmer findes allerede for visse typer netværk, men forskerne analyserede forskelligt strukturerede netværk for at finde frem til deres alternative algoritme.

Et eksempel på traditionel linkforudsigelse kan være et socialt netværk, der foreslår venner at forbinde med. To personer, der deler en ven, er sandsynligvis selv venner med en direkte forbindelse. Tilføjelse af denne tredje forbindelse skaber en trekant, som er en struktur, hvor eksisterende algoritmer fokuserer.

I modsætning, forfatterne fokuserede på træagtige netværk, som har mange grene, men meget få krydsforbindelser mellem grene. De studerede tre eksempeldatasæt:det sociale netværk Twitter, et vanddistributionsnet og et seksuelt kontaktnet.

De fandt ud af, at disse tre træagtige netværk kunne karakteriseres af en række parametre, såsom den gennemsnitlige afstand mellem forgreningspunkter i netværket, størrelsen på sløjfer og en sammenligning af antallet af links, som tilstødende noder har - et mål for netværkets regelmæssighed, der beskriver heterogenitet.

Forfatterne udviklede derefter en algoritme, der foreslog links, der ville bevare disse egenskaber ved netværket.

De testede denne tilgang ved at tage et kendt netværk og fjerne links fra det og se, om algoritmen kunne forudsige, hvor de manglende links skal være.

Teamet fandt algoritmen udført bedre (omkring 44% for Twitter -netværket, omkring 15% for det seksuelle kontaktnetværk og omkring 4% for vanddistributionsnetværket) til træagtige netværk end de fleste konventionelle algoritmer, der er afhængige af andre parametre, såsom at antage indbyrdes forbundne individer vil tiltrække flere forbindelser (kendt som præferencebinding) eller bygge masser af trekantede forbindelser (kendt som klynger).

Forfatter Keke Shang tilskriver teamets succes til at tænke på eksempler på virkelige netværk.

"Jeg håber, vi kan få netværksteknologi til at tjene vores liv bedre, " han sagde.