Virkelig tilfældige netværk

Mange naturlige og menneskeskabte netværk, såsom computer, biologiske eller sociale netværk har en forbindelsesstruktur, der kritisk former deres adfærd. Det akademiske felt af netværksvidenskab beskæftiger sig med at analysere sådanne komplekse netværk i den virkelige verden og forstå, hvordan deres struktur påvirker deres funktion eller adfærd. Eksempler er det vaskulære netværk af vores kroppe, netværket af neuroner i vores hjerne, eller netværket af, hvordan en epidemi spreder sig gennem et samfund.

Behovet for pålidelige null-modeller

Analysen af ​​sådanne netværk fokuserer ofte på at finde interessante egenskaber og funktioner. For eksempel, hjælper strukturen af ​​et bestemt kontaktnetværk sygdomme med at sprede sig særligt hurtigt? For at finde ud af, vi har brug for en baseline - et sæt tilfældige netværk, en såkaldt 'nul-model' — at sammenligne med. Desuden, da flere forbindelser åbenbart skaber flere muligheder for infektion, antallet af forbindelser for hver node i basislinjen skal matches til det netværk, vi analyserer. Så hvis vores netværk ser ud til at lette spredningen mere end basislinjen, vi ved, at det må skyldes dens specifikke netværksstruktur. Imidlertid, skaber virkelig tilfældige, upartisk, null-modeller, der matches i nogle ejendomme, er vanskelige - og kræver normalt en anden tilgang for hver ejendom af interesse. Eksisterende algoritme, der skaber forbundne netværk med et specifikt antal forbindelser for hver knude, lider alle af ukontrolleret bias, hvilket betyder, at nogle netværk genereres mere end andre, potentielt kompromittere undersøgelsens konklusioner.

En ny metode, der eliminerer bias

Szabolcs Horvát og Carl Modes ved Center for Systembiologi Dresden (CSBD) og Max Planck Institute of Molecular Cell Biology and Genetics (MPI-CBG) udviklede en sådan model, som gør det muligt at eliminere bias, og nå frem til solide konklusioner. Szabolcs Horvát siger, "Vi udviklede en nul-model for tilsluttede netværk, hvor skævheden er under kontrol og kan udregnes. vi skabte en algoritme, der kan generere tilfældigt forbundne netværk med et foreskrevet antal forbindelser for hver node. Med vores metode, vi viste, at mere naive, men almindeligt anvendte tilgange kan føre til ugyldige konklusioner." Den koordinerende forfatter af undersøgelsen, Carl Modes konkluderer:"Dette fund illustrerer behovet for matematisk velfunderede metoder. Vi håber, at vores arbejde vil være nyttigt for det bredere netværksvidenskabelige samfund. For at gøre det så nemt som muligt for andre forskere at bruge det, vi udviklede også en software og gjorde den offentlig tilgængelig."