Los colores representan las identidades de los nodos. La fila superior muestra cuántas conexiones tiene cada nodo. En el círculo puede ver todas las formas posibles de hacer un gráfico conectado a partir de estos nodos. El nuevo algoritmo puede elegir uno de estos de forma aleatoria y repetida. Crédito:Szabolcs Horvat et al. 2020 / MPI-CBG / CSBD
Muchas redes naturales y creadas por el hombre, como computadora, Las redes biológicas o sociales tienen una estructura de conectividad que moldea críticamente su comportamiento. El campo académico de la ciencia de redes se ocupa de analizar estas redes complejas del mundo real y comprender cómo su estructura influye en su función o comportamiento. Algunos ejemplos son la red vascular de nuestros cuerpos, la red de neuronas en nuestro cerebro, o la red de cómo una epidemia se está propagando a través de una sociedad.
La necesidad de modelos nulos fiables
El análisis de tales redes a menudo se centra en encontrar propiedades y características interesantes. Por ejemplo, ¿La estructura de una red de contactos en particular ayuda a que las enfermedades se propaguen con especial rapidez? Para averiguarlo, necesitamos una línea de base:un conjunto de redes aleatorias, un llamado 'modelo nulo' - para comparar. Es más, dado que, obviamente, más conexiones crean más oportunidades de infección, el número de conexiones de cada nodo en la línea de base debe coincidir con la red que analizamos. Entonces, si nuestra red parece facilitar la difusión más que la línea de base, sabemos que debe deberse a su estructura de red específica. Sin embargo, creando verdaderamente al azar, imparcial, Los modelos nulos que coinciden en alguna propiedad son difíciles y, por lo general, requieren un enfoque diferente para cada propiedad de interés. Los algoritmos existentes que crean redes conectadas con un número específico de conexiones para cada nodo sufren un sesgo incontrolado, lo que significa que algunas redes se generan más que otras, potencialmente comprometiendo las conclusiones del estudio.
Un nuevo método que elimina el sesgo
Szabolcs Horvát y Carl Modes en el Centro de Biología de Sistemas de Dresde (CSBD) y el Instituto Max Planck de Biología Celular Molecular y Genética (MPI-CBG) desarrollaron un modelo de este tipo que permite eliminar el sesgo, y llegar a conclusiones sólidas. Szabolcs Horvát afirma:"Desarrollamos un modelo nulo para redes conectadas donde el sesgo está bajo control y se puede factorizar. Específicamente, Creamos un algoritmo que puede generar redes conectadas aleatoriamente con un número prescrito de conexiones para cada nodo. Con nuestro método, demostramos que los enfoques más ingenuos pero de uso común pueden llevar a conclusiones inválidas ". El autor coordinador del estudio, Carl Modes concluye:"Este hallazgo ilustra la necesidad de métodos matemáticamente bien fundamentados. Esperamos que nuestro trabajo sea útil para la comunidad científica de redes en general. Para que sea lo más fácil posible para otros investigadores usarlo, también desarrollamos un software y lo pusimos a disposición del público ".