许多自然和人为网络，例如计算机，生物或社会网络，都具有严重影响其行为的连接结构。网络科学的学术领域涉及分析此类现实世界中的复杂网络，并了解其结构如何影响其功能或行为。例如人体的血管网络，大脑中的神经元网络或流行病在整个社会的传播网络。
需要可靠的空模型
对此类网络的分析通常着重于找到有趣的属性和特征。例如，特定联系网络的结构是否有助于疾病迅速传播？为了找出答案，我们需要一个基线（一组随机网络，一个所谓的“空模型”）进行比较。此外，由于更多的连接显然会带来更多的感染机会，因此基线中每个节点的连接数应与我们分析的网络相匹配。然后，如果我们的网络看起来比基线更易于传播，我们知道这一定是由于其特定的网络结构所致。但是，创建在某些属性上匹配的真正随机无偏见的空模型是困难的，并且通常需要针对每个感兴趣的属性使用不同的方法。
一种新的方法，消除偏见
系统生物学中心德累斯顿（CSBD）的Szabolcs Horvát和Carl Modes，在马克斯·普朗克分子细胞生物学与遗传学研究所（MPI-CBG）开发了这种模型，可以消除偏见并得出可靠的结论。Szabolcs Horvát说道：“我们为连接网络开发了一个空模型，在该网络中，偏差可以控制并且可以排除。具体来说，我们创建了一种算法，该算法可以为每个节点生成具有指定连接数的随机连接的网络。通过我们的方法，我们证明了更质朴但常用的方法可能导致无效的结论。” 该研究的合作者卡尔·莫德斯（Carl Modes）得出结论：“这一发现说明了对数学上有根据的方法的需求。我们希望我们的工作对更广泛的网络科学界有用。为了使其他研究人员尽可能容易地使用它，我们也开发了一个软件，并已公开在GitHub：https://github.com/szhorvat/ConnectedGraphSampler
译自马克斯·普朗克分子细胞生物学与遗传学研究所网站 2021-2-9 译者：zzllrr小乐 2021年2月13日
