Core Concepts
Durch den Einsatz von Maschinenlernverfahren können die historischen Bildungsprozesse verschiedener vernetzter komplexer Systeme wie Protein-Protein-Interaktionen, ökologische und soziale Netzwerke extrahiert werden. Die rekonstruierten Evolutionsverläufe liefern wichtige wissenschaftliche Erkenntnisse, wie z.B. die Interpretation der Evolution von Protein-Protein-Interaktionsnetzwerken, die Erleichterung von Strukturvorhersagen und die Offenlegung von Co-Evolutionsmechanismen von Netzwerkstrukturen.
Abstract
Die Studie zeigt, dass der Evolutionsverlauf komplexer Netzwerke durch den Einsatz von Maschinenlernverfahren wie Graphen-Neuronale-Netze zuverlässig rekonstruiert werden kann. Selbst wenn das Modell die relative Reihenfolge der Kantenbildung nur geringfügig besser als ein Zufallsraten vorhersagt, kann der gesamte Netzwerkbildungsprozess verlässlich wiederhergestellt werden.
Die rekonstruierten Evolutionsverläufe ermöglichen es, zugrundeliegende Mechanismen der Netzwerkentwicklung wie Präferenzielle Anbindung, Gemeinschaftsstrukturen und Grad-Grad-Korrelationen zu entdecken. Diese Erkenntnisse gehen über bisherige Theorien hinaus, die meist nur einzelne Aspekte erklären konnten.
Darüber hinaus zeigt sich, dass die rekonstruierten Evolutionssequenzen die Leistung von Kantenvorhersagealgorithmen deutlich verbessern können. Auch für die Interpretation der Evolution von Protein-Protein-Interaktionsnetzwerken liefern die Ergebnisse wichtige Einblicke in die Entwicklung zellulärer Funktionen.
Stats
Die Wahrscheinlichkeit, dass ein Knoten mit Grad k neue Kanten hinzugewinnt, ist proportional zu k.
Die durchschnittliche lokale Clustering-Koeffizienten des Netzwerks steigt im Laufe der Evolution an.
Die durchschnittliche Weglänge zwischen Knoten im Netzwerk nimmt im Laufe der Evolution ab.
Quotes
"Intriguingly, we discover that for large networks, if the performance of the machine learning model is slightly better than a random guess on the pairwise order of links, reliable restoration of the overall network formation process can be achieved."
"The recovered evolution trajectories enable us to discover concise rules in the complex evolution process of networks, and capture the emerging process of key characteristics of a network that previous theories were unable to capture collectively with concise rules (e.g., community structure, local clustering, (dis)assortativity, etc.)."