利用不连贯性来理解现实世界的网络

描述现实世界系统(如食物网或社交网络)中的连接的新方法可能会导致更好的预测和控制它们的方法。

根据伯明翰大学数学家在PNAS杂志上发表的研究，绘制系统内的层次结构和不连贯性将使我们能够预测系统的强项和弱点。

了解这些连接如何以许多不同的方式工作至关重要 - 例如了解疾病如何在人群中传播，或者通信网络中的每个点是否“在循环中”。

像这样的现实世界系统被数学家称为“有向网络”，因为这些连接通常沿特定方向流动。例如，在食物网中，生物量通常会从植物向上移动，穿过食草动物，然后向顶级捕食者移动。如果可以在不忽略方向性的情况下在网络中移动，则网络将紧密连接。

如果一个网络是完全“连贯的”，具有植物、食草动物和食肉动物等不同的营养水平，那么它就不可能紧密相连。然而，大多数现实世界的系统既不是完全连贯的，也不是完全不连贯的，而是介于两者之间。例如，在食物网中，这可能是因为杂食动物会同时吃植物和其他动物。

研究人员发现，有可能使用这种营养不连贯性来估计网络变得紧密连接的点。他们证明该方法适用于任何类型的网络，包括神经元，人，物种，代谢物，基因和单词等。

该论文的第一作者Niall Rodgers说：“我们的方法为理解社会中经常遇到的各种不同网络开辟了新闻可能性。例如，疾病爆发可以被认为是一个由细菌在人群中传播而连接的网络。了解您在该网络中的位置以及连接性是强还是弱对于做出有关感染控制的决策至关重要。

该论文的资深作者塞缪尔·约翰逊(Samuel Johnson)补充说：“这种建模方法也可以用来破坏网络，因为可以针对连接变得强大的点。例如，神经学家可能会通过查明负责维持癫痫发作的特定连接来找到治疗癫痫的新方法。