Twee familieleden testen positief op COVID-19 – hoe weten we wie wie heeft besmet? In een perfecte wereld, netwerkwetenschap zou een waarschijnlijk antwoord op dergelijke vragen kunnen bieden. Het zou archeologen ook kunnen vertellen hoe een scherf van Grieks aardewerk in Egypte werd gevonden, of help evolutionaire biologen te begrijpen hoe een lang uitgestorven voorouder eiwitten metaboliseerde.

Zoals de wereld is, wetenschappers hebben zelden de historische gegevens die ze nodig hebben om precies te zien hoe knooppunten in een netwerk zijn verbonden. Maar een nieuw artikel gepubliceerd in Fysieke beoordelingsbrieven biedt hoop voor het reconstrueren van de ontbrekende informatie, een nieuwe methode gebruiken om de regels te evalueren die netwerkmodellen genereren.

"Netwerkmodellen zijn als impressionistische afbeeldingen van de gegevens, " zegt natuurkundige George Cantwell, een van de auteurs van de studie en een postdoctoraal onderzoeker aan het Santa Fe Institute. "En er zijn een aantal discussies geweest over de vraag of de echte netwerken genoeg op deze modellen lijken om de modellen goed of nuttig te maken."

Normaal gesproken, wanneer onderzoekers een groeiend netwerk proberen te modelleren, zeg, een groep individuen die is geïnfecteerd met een virus - ze bouwen het modelnetwerk helemaal opnieuw op, door een reeks wiskundige instructies te volgen om een ​​paar knooppunten tegelijk toe te voegen. Elk knooppunt kan een geïnfecteerd individu vertegenwoordigen, en elke rand een verbinding tussen die individuen. Wanneer de clusters van knooppunten in het model lijken op de gegevens uit de praktijkgevallen, het model wordt als representatief beschouwd - een problematische veronderstelling wanneer hetzelfde patroon kan resulteren uit verschillende sets instructies.

Cantwell en co-auteurs Guillaume St-Onge (Universiteit Laval, Quebec) en Jean-Gabriel Young (Universiteit van Vermont) wilden het modelleringsproces wat meer statistische nauwkeurigheid geven. In plaats van functies van een momentopname van het netwerkmodel te vergelijken met de functies van de echte gegevens, ze ontwikkelden methoden om de waarschijnlijkheid van elke mogelijke geschiedenis voor een groeiend netwerk te berekenen. Gezien concurrerende sets van regels, die processen in de echte wereld kunnen vertegenwoordigen, zoals contact, druppel, of luchttransmissie, de auteurs kunnen hun nieuwe tool toepassen om de kans te bepalen dat specifieke regels resulteren in het waargenomen patroon.

"In plaats van alleen maar te vragen 'lijkt deze foto meer op het echte werk?'", zegt Cantwell, "We kunnen nu materiële vragen stellen zoals:'is het gegroeid volgens deze regels?'" Zodra het meest waarschijnlijke netwerkmodel is gevonden, het kan worden teruggespoeld om vragen te beantwoorden, zoals wie het eerst besmet was.

In hun huidige krant de auteurs demonstreren hun algoritme op drie eenvoudige netwerken die overeenkomen met eerder gedocumenteerde datasets met een bekende geschiedenis. Ze zijn nu bezig om de tool toe te passen op meer gecompliceerde netwerken, die toepassingen zou kunnen vinden in een willekeurig aantal complexe systemen.