Veel natuurlijke en door mensen gemaakte netwerken, zoals computers, biologische of sociale netwerken hebben een verbindingsstructuur die hun gedrag kritisch vormgeeft. Het academische veld van netwerkwetenschap houdt zich bezig met het analyseren van dergelijke complexe netwerken in de echte wereld en het begrijpen hoe hun structuur hun functie of gedrag beïnvloedt. Voorbeelden zijn het vasculaire netwerk van ons lichaam, het netwerk van neuronen in onze hersenen, of het netwerk van hoe een epidemie zich door een samenleving verspreidt.

De behoefte aan betrouwbare nulmodellen

De analyse van dergelijke netwerken is vaak gericht op het vinden van interessante eigenschappen en kenmerken. Bijvoorbeeld, helpt de structuur van een bepaald contactnetwerk ziekten zich bijzonder snel te verspreiden? Om erachter te komen, we hebben een basislijn nodig:een reeks willekeurige netwerken, een zogenaamd 'nulmodel' - om mee te vergelijken. Verder, aangezien meer verbindingen uiteraard meer besmettingskansen creëren, het aantal verbindingen van elk knooppunt in de basislijn moet worden afgestemd op het netwerk dat we analyseren. Als ons netwerk het verspreiden van meer dan de basislijn lijkt te vergemakkelijken, we weten dat dit te wijten is aan de specifieke netwerkstructuur. Echter, echt willekeurig creëren, onbevooroordeeld, null-modellen die in een eigenschap overeenkomen, is moeilijk - en vereist meestal een andere benadering voor elke eigenschap van belang. Bestaande algoritmen die verbonden netwerken creëren met een specifiek aantal verbindingen voor elk knooppunt, hebben allemaal last van ongecontroleerde vooringenomenheid, wat betekent dat sommige netwerken meer worden gegenereerd dan andere, mogelijk afbreuk doen aan de conclusies van het onderzoek.

Een nieuwe methode die vooroordelen elimineert

Szabolcs Horvát en Carl Modes van het Center for Systems Biology Dresden (CSBD) en het Max Planck Institute of Molecular Cell Biology and Genetics (MPI-CBG) hebben een dergelijk model ontwikkeld dat het mogelijk maakt om vooroordelen te elimineren, en harde conclusies trekken. Szabolcs Horvát stelt, "We hebben een nulmodel ontwikkeld voor verbonden netwerken waarbij de bias onder controle is en kan worden weggelaten. we hebben een algoritme gemaakt dat willekeurig verbonden netwerken kan genereren met een voorgeschreven aantal verbindingen voor elk knooppunt. Met onze methode, we hebben aangetoond dat meer naïeve maar veelgebruikte benaderingen tot ongeldige conclusies kunnen leiden." De coördinerende auteur van de studie, Carl Modes concludeert:"Deze bevinding illustreert de behoefte aan wiskundig goed onderbouwde methoden. We hopen dat ons werk nuttig zal zijn voor de bredere netwerkwetenschapsgemeenschap. Om het voor andere onderzoekers zo gemakkelijk mogelijk te maken om het te gebruiken, we hebben ook software ontwikkeld en openbaar gemaakt."