Max Home IndustryМногие естественные и созданные человеком сети, такие как компьютерные, биологические или социальные сети, имеют структуру подключения, которая критически определяет их поведение. Академическая область сетевой науки занимается анализом таких реальных сложных сетей и пониманием того, как их структура влияет на их функции или поведение. Примерами являются сосудистая сеть нашего тела, сеть нейронов в нашем мозгу или сеть того, как эпидемия распространяется в обществе.
Потребность в надежных нулевых моделях
Анализ таких сетей часто фокусируется на поиске интересных свойств и функций. Например, помогает ли структура конкретной контактной сети особенно быстро распространяться заболеваниям? Чтобы выяснить это, нам нужна базовая линия — набор случайных сетей, так называемая «нулевая модель» — для сравнения. Кроме того, поскольку большее количество подключений, очевидно, создает больше возможностей для заражения, количество подключений каждого узла в базовой линии должно соответствовать анализируемой нами сети. Тогда, если кажется, что наша сеть способствует распространению больше, чем базовый уровень, мы знаем, что это должно быть связано с ее конкретной сетевой структурой. Однако создание действительно случайных, беспристрастных, нулевых моделей, совпадающих по какому-либо свойству, сложно — и обычно требует разного подхода для каждого интересующего свойства. Существующий алгоритм, который создает связанные сети с определенным количеством подключений для каждого узла, страдает неконтролируемым смещением, что означает, что одни сети генерируются чаще, чем другие, что может поставить под угрозу выводы исследования.
Новый метод устранения предвзятости
Сабольч Хорват и Карл Модес из Центра системной биологии Дрездена (CSBD) и Института молекулярной клеточной биологии и генетики им. Макса Планка (MPI-CBG) разработали такую модель, которая позволяет устранить предвзятость и достичь твердые выводы. Сабольч Хорв & aacute; t описывает: «Мы разработали нулевую модель для связанных сетей, где смещение находится под контролем и может быть исключено. В частности, мы создали алгоритм, который может генерировать случайные связанные сети с заданным количеством подключений для каждого узла. с помощью нашего метода мы продемонстрировали, что более наивные, но часто используемые подходы могут привести к неверным выводам «. Координирующий автор исследования Карл Модес заключает: «Этот вывод иллюстрирует потребность в математически обоснованных методах. Мы надеемся, что наша работа будет полезна для более широкого сообщества сетевых ученых. Чтобы сделать ее как можно более легкой для других. исследователей, чтобы использовать его, мы также разработали программное обеспечение и сделали его общедоступным «.