Pour trouver le bon modèle de réseau, comparez toutes les histoires possibles – Technoguide

Deux membres de la famille sont testés positifs au COVID-19 – comment savoir qui a infecté qui? Dans un monde parfait, la science des réseaux pourrait fournir une réponse probable à de telles questions. Cela pourrait également expliquer aux archéologues comment un éclat de poterie grecque a été trouvé en Egypte, ou aider les biologistes évolutionnistes à comprendre comment un ancêtre disparu depuis longtemps a métabolisé les protéines.

Dans l’état actuel du monde, les scientifiques disposent rarement des données historiques dont ils ont besoin pour voir exactement comment les nœuds d’un réseau se sont connectés. Mais un nouvel article publié dans Physical Review Letters offre l’espoir de reconstruire les informations manquantes, en utilisant une nouvelle méthode pour évaluer les règles qui génèrent des modèles de réseau.

«Les modèles de réseau sont comme des images impressionnistes des données», déclare le physicien George Cantwell, l’un des auteurs de l’étude et chercheur postdoctoral à l’Institut Santa Fe. “Et il y a eu un certain nombre de débats pour savoir si les vrais réseaux ressemblent suffisamment à ces modèles pour que les modèles soient bons ou utiles.”

Normalement, lorsque les chercheurs tentent de modéliser un réseau en croissance – par exemple, un groupe d’individus infectés par un virus – ils construisent le réseau modèle à partir de zéro, en suivant un ensemble d’instructions mathématiques pour ajouter quelques nœuds à la fois. Chaque nœud peut représenter un individu infecté et chaque bord une connexion entre ces individus. Lorsque les groupes de nœuds dans le modèle ressemblent aux données tirées des cas du monde réel, le modèle est considéré comme représentatif – une hypothèse problématique lorsque le même modèle peut résulter de différents ensembles d’instructions.

Cantwell et les co-auteurs Guillaume St-Onge (Université Laval, Québec) et Jean-Gabriel Young (Université du Vermont) voulaient apporter une dose de rigueur statistique au processus de modélisation. Au lieu de comparer les caractéristiques d’un instantané du modèle de réseau avec les caractéristiques des données du monde réel, ils ont développé des méthodes pour calculer la probabilité de chaque historique possible pour un réseau en croissance. Compte tenu des ensembles de règles concurrents, qui pourraient représenter des processus du monde réel tels que le contact, les gouttelettes ou la transmission aérienne, les auteurs peuvent appliquer leur nouvel outil pour déterminer la probabilité de règles spécifiques entraînant le modèle observé.

“Au lieu de simplement demander ‘est-ce que cette image ressemble plus à la réalité?'” Cantwell dit: “Nous pouvons maintenant poser des questions matérielles telles que ‘a-t-elle grandi selon ces règles?'” Une fois que le modèle de réseau le plus probable est trouvé, il peut être rembobiné pour répondre à des questions telles que qui a été infecté en premier.

Dans leur article actuel, les auteurs démontrent leur algorithme sur trois réseaux simples qui correspondent à des ensembles de données précédemment documentés avec des historiques connus. Ils travaillent maintenant à appliquer l’outil à des réseaux plus complexes, qui pourraient trouver des applications sur un nombre illimité de systèmes complexes.

Source de l’histoire:

Matériel fourni par Santa Fe Institute. Remarque: le contenu peut être modifié pour le style et la longueur.

.

Lire plus

A propos Technoguide

Voir aussi

Les fantômes de l’utilisation passée des pesticides peuvent hanter les fermes biologiques pendant des décennies – Technoguide

Bien que l’utilisation des pesticides en agriculture augmente, certaines exploitations sont passées aux pratiques biologiques …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut