許多自然和人為網路，例如計算機，生物或社會網路，都具有嚴重影響其行為的連線結構。網路科學的學術領域涉及分析此類現實世界中的複雜網路，並瞭解其結構如何影響其功能或行為。例如人體的血管網路，大腦中的神經元網路或流行病在整個社會的傳播網路。

需要可靠的空模型

對此類網路的分析通常著重於找到有趣的屬性和特徵。例如，特定聯絡網路的結構是否有助於疾病迅速傳播？為了找出答案，我們需要一個基線（一組隨機網路，一個所謂的“空模型”）進行比較。此外，由於更多的連線顯然會帶來更多的感染機會，因此基線中每個節點的連線數應與我們分析的網路相匹配。然後，如果我們的網路看起來比基線更易於傳播，我們知道這一定是由於其特定的網路結構所致。但是，建立在某些屬性上匹配的真正隨機無偏見的空模型是困難的，並且通常需要針對每個感興趣的屬性使用不同的方法。

一種新的方法，消除偏見

系統生物學中心德累斯頓（CSBD）的Szabolcs Horvát和Carl Modes，在馬克斯·普朗克分子細胞生物學與遺傳學研究所（MPI-CBG）開發了這種模型，可以消除偏見並得出可靠的結論。Szabolcs Horvát說道：“我們為連線網路開發了一個空模型，在該網路中，偏差可以控制並且可以排除。具體來說，我們建立了一種演算法，該演算法可以為每個節點生成具有指定連線數的隨機連線的網路。透過我們的方法，我們證明了更質樸但常用的方法可能導致無效的結論。” 該研究的合作者卡爾·莫德斯（Carl Modes）得出結論：“這一發現說明了對數學上有根據的方法的需求。我們希望我們的工作對更廣泛的網路科學界有用。為了使其他研究人員儘可能容易地使用它，我們也開發了一個軟體，並已公開在GitHub：https://github.com/szhorvat/ConnectedGraphSampler

譯自馬克斯·普朗克分子細胞生物學與遺傳學研究所網站 2021-2-9 譯者：zzllrr小樂 2021年2月13日