La nature et la société regorgent de systèmes complexes dits du monde réel, telles que les interactions protéiques. Modèles théoriques, appelés réseaux complexes, les décrire et se composent de nœuds représentant tout élément de base de ce réseau, et des liens décrivant des interactions ou des réactions entre deux nœuds.
Dans le cas des études d'interaction protéique, la reconstruction de réseaux complexes est essentielle car les données disponibles sont souvent inexactes et notre connaissance de la nature exacte de ces interactions est limitée. Pour la reconstruction des réseaux, lien prédire - la probabilité de l'existence d'un lien entre deux nœuds - importe. Maintenant, Des scientifiques chinois se sont penchés sur l'influence de la structure du réseau pour faire la lumière sur la robustesse des dernières méthodes utilisées pour prédire le comportement de ces réseaux complexes.
Jin-Xuan Yang et Xiao-Dong Zhang de l'Université Jiao Tong de Shanghai en Chine viennent de publier leurs travaux dans EPJ B , fournissant une bonne référence pour le choix d'un algorithme approprié pour la prédiction de lien en fonction de la structure de réseau choisie. Dans ce document, les auteurs utilisent deux paramètres des réseaux - l'indice de voisins communs et l'indice dit du coefficient de Gini - pour révéler la relation entre la structure d'un réseau et la précision des méthodes utilisées pour prédire les liens futurs.
Leur étude comporte en partie une analyse statistique, qui révèle une corrélation entre les caractéristiques du réseau, comme l'indice des voisins communs, Indice de coefficient de Gini et autres indices qui décrivent spécifiquement la structure du réseau, comme son coefficient de regroupement ou son degré d'hétérogénéité.
Les auteurs testent leur théorie expérimentalement dans une variété de réseaux du monde réel et constatent que l'algorithme proposé donne une meilleure précision de prédiction et une meilleure robustesse à la structure du réseau que les méthodes existantes. Cela conduit également les auteurs à concevoir une nouvelle méthode pour prédire les chaînons manquants.