science >> Wetenschap >  >> Fysica

Een nieuwe methode biedt betere inzichten in de netwerkevolutie in de echte wereld

De natuur en de samenleving zitten vol met zogenaamde real-world complexe systemen, zoals eiwitinteracties. theoretische modellen, zogenaamde complexe netwerken, beschrijven en bestaan ​​uit knooppunten die elk basiselement van dat netwerk vertegenwoordigen, en links die interacties of reacties tussen twee knooppunten beschrijven.

In het geval van eiwitinteractiestudies, reconstructie van complexe netwerken is essentieel omdat de beschikbare gegevens vaak onnauwkeurig zijn en onze kennis van de exacte aard van deze interacties beperkt is. Voor de reconstructie van netwerken, link voorspellen - de waarschijnlijkheid van het bestaan ​​van een link tussen twee knooppunten - is van belang. Nutsvoorzieningen, Chinese wetenschappers hebben gekeken naar de invloed van de netwerkstructuur om enig licht te werpen op de robuustheid van de nieuwste methoden die worden gebruikt om het gedrag van dergelijke complexe netwerken te voorspellen.

Jin-Xuan Yang en Xiao-Dong Zhang van de Shanghai Jiao Tong University in China hebben zojuist hun werk gepubliceerd in EPJ B , het verschaffen van een goede referentie voor de keuze van een geschikt algoritme voor linkvoorspelling, afhankelijk van de gekozen netwerkstructuur. In deze krant, de auteurs gebruiken twee parameters van netwerken - de gemeenschappelijke burenindex en de zogenaamde Gini-coëfficiëntindex - om de relatie tussen de structuur van een netwerk en de nauwkeurigheid van methoden die worden gebruikt om toekomstige verbindingen te voorspellen, te onthullen.

Hun onderzoek omvat deels een statistische analyse, waaruit een correlatie blijkt tussen kenmerken van het netwerk, zoals de gemeenschappelijke burenindex, Gini-coëfficiëntindex en andere indices die specifiek de netwerkstructuur beschrijven, zoals de clusteringcoëfficiënt of de mate van heterogeniteit.

De auteurs testen hun theorie experimenteel in een verscheidenheid aan real-world netwerken en ontdekken dat het voorgestelde algoritme een betere voorspellingsnauwkeurigheid en robuustheid voor de netwerkstructuur oplevert dan bestaande methoden. Dit leidt er ook toe dat de auteurs een nieuwe methode bedenken om ontbrekende schakels te voorspellen.