马克斯·普朗克学会 颜色代表节点的身份
顶行显示每个节点有多少个连接
在这个圆圈中,你可以看到所有可能的方法来制作一个连接这些节点的图
新算法可以随机并重复地从中选择一个
信用:Szabolcs Horvat等人
2020/MPI-CBG/CSBD 许多自然和人为的网络,如计算机、生物或社交网络,都有一个连接结构,它对它们的行为有决定性的影响
网络科学的学术领域关注于分析这种现实世界的复杂网络,并理解它们的结构如何影响它们的功能或行为
例子是我们身体的血管网络,我们大脑中的神经元网络,或者流行病如何在社会中传播的网络
对可靠的零模型的需求 对这种网络的分析通常集中于寻找有趣的属性和特征
例如,特定联系网络的结构是否有助于疾病传播得特别快?为了找到答案,我们需要一个基线——一组随机网络,即所谓的“零模型”——来进行比较
此外,由于更多的连接显然为感染创造了更多的机会,基线中每个节点的连接数量应该与我们分析的网络相匹配
那么,如果我们的网络看起来比基线更容易传播,我们知道这一定是由于其特定的网络结构
然而,创建在某些属性上匹配的真正随机的、无偏的、零模型是困难的,并且通常需要对每个感兴趣的属性采用不同的方法
现有的为每个节点创建具有特定数量连接的连接网络的算法都受到不受控制的偏差的影响,这意味着一些网络比其他网络生成得更多,潜在地损害了研究的结论
消除偏差的新方法 德累斯顿系统生物学中心(CSBD)和马克斯·普朗克分子细胞生物学和遗传学研究所(CBG)的萨博尔克斯·霍瓦特和卡尔·莫代尔斯开发了这样一个模型,它使得消除偏见和得出可靠的结论成为可能
绍波尔茨·霍瓦特说:“我们为连接网络开发了一个零模型,在这个模型中,偏差是可以控制的,并且可以排除
具体来说,我们创建了一个算法,该算法可以为每个节点生成具有规定数量连接的随机连接网络
通过我们的方法,我们证明了更幼稚但常用的方法可能导致无效的结论
该研究的合作作者卡尔·莫特斯总结道:“这一发现说明了对数学上有根据的方法的需要
我们希望我们的工作对更广泛的网络科学界有用
为了让其他研究人员尽可能容易地使用它,我们还开发了一个软件,并公开提供
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!