Dos miembros de la familia dan positivo por COVID-19. ¿Cómo sabemos quién infectó a quién? En un mundo perfecto, la ciencia de las redes podría proporcionar una respuesta probable a tales preguntas. También podría decirles a los arqueólogos cómo se encontró un fragmento de cerámica griega en Egipto, o ayudar a los biólogos evolutivos a comprender cómo un ancestro extinto metabolizó las proteínas.

Como es el mundo los científicos rara vez tienen los datos históricos que necesitan para ver exactamente cómo se conectaron los nodos de una red. Pero un nuevo artículo publicado en Cartas de revisión física ofrece esperanza para reconstruir la información que falta, utilizando un nuevo método para evaluar las reglas que generan modelos de red.

"Los modelos de red son como imágenes impresionistas de los datos, "dice el físico George Cantwell, uno de los autores del estudio e investigador postdoctoral en el Instituto Santa Fe. "Y ha habido varios debates sobre si las redes reales se parecen lo suficiente a estos modelos para que los modelos sean buenos o útiles".

Normalmente, cuando los investigadores intentan modelar una red en crecimiento, digamos, un grupo de personas infectadas con un virus:construyen la red modelo desde cero, siguiendo un conjunto de instrucciones matemáticas para agregar algunos nodos a la vez. Cada nodo podría representar a un individuo infectado, y cada borde una conexión entre esos individuos. Cuando los grupos de nodos del modelo se asemejan a los datos extraídos de los casos del mundo real, el modelo se considera representativo, una suposición problemática cuando el mismo patrón puede resultar de diferentes conjuntos de instrucciones.

Cantwell y los coautores Guillaume St-Onge (Universidad Laval, Quebec) y Jean-Gabriel Young (Universidad de Vermont) querían aportar un toque de rigor estadístico al proceso de modelado. En lugar de comparar las características de una instantánea del modelo de red con las características de los datos del mundo real, desarrollaron métodos para calcular la probabilidad de cada posible historial para una red en crecimiento. Dados conjuntos de reglas en competencia, que podría representar procesos del mundo real como el contacto, gotita, o transmisión aérea, los autores pueden aplicar su nueva herramienta para determinar la probabilidad de reglas específicas que den como resultado el patrón observado.

"En lugar de simplemente preguntar '¿esta imagen se parece más a la realidad?'", Dice Cantwell, "Ahora podemos hacer preguntas materiales como, '¿creció según estas reglas?' "Una vez que se encuentra el modelo de red más probable, se puede rebobinar para responder preguntas como quién se infectó primero.

En su artículo actual, los autores demuestran su algoritmo en tres redes simples que corresponden a conjuntos de datos previamente documentados con historias conocidas. Ahora están trabajando para aplicar la herramienta a redes más complicadas, que podría encontrar aplicaciones en cualquier número de sistemas complejos.