本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
摘要：雖然在實踐中廣泛使用，但流行的模組識別技術（稱為模組化最大化）的行為和準確性在實際環境中尚未得到很好的理解。在這裡，我們對其在這種情況下的性能進行了廣泛的描述。首先，我們重新檢視並澄清模組化最大化的分辨率極限現象。其次，我們證明模組化函數 Q 表現出極端的簡併性：它通常允許指數數量的不同高分解決方案，並且通常缺乏明確的全局最大值。第三，我們推導了一種無限模組化網路模型的最大模組化 Q(max) 的限制行為，顯示它強烈依賴網路的大小及其包含的模組數量。最後，以三個現實世界的代謝網絡為例，我們表明簡併解決方案在許多（但不是全部）分區屬性上可能存在根本分歧，例如最大模組的組成和模組大小的分佈。這些結果意味著任何模組化最大化過程的輸出都應該在科學背景下謹慎解釋。他們還解釋了為什麼許多啟發式方法在實踐中通常能夠成功地找到高分分區，以及為什麼不同的啟發式方法在同一網路的模組化結構上可能存在分歧。最後，我們討論了減輕其中一些行為的途徑，例如組合來自許多退化解決方案的資訊或使用生成模型。