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
背景：複雜的生物系統通常被建模為相互作用單元的網路。蛋白質之間的生化相互作用網絡、宿主之間的流行病學接觸以及生態系統中的營養相互作用等網絡為塑造和穿越這些系統的動態過程提供了有用的見解。節點度（交互數量）和聚類程度（一組三個節點互連的趨勢）是許多經過充分研究的網路屬性中的兩個，這些屬性可以從根本上塑造系統。然而，理清各種網路屬性的相互依賴的影響可能很困難。簡單的網路模型可以幫助我們量化經驗網路系統的結構並理解各種拓樸特性對動力學的影響。結果：在這裡，我們開發並實現了一種新的馬可夫鏈模擬演算法，以產生簡單的、連接的隨機圖，這些圖具有指定的度數序列和聚類級別，但在所有其他方面都是隨機的。此演算法（ClustRNet：聚類隨機網路）的實作提供了根據局部或全局、相對或絕對聚類度量優化的隨機圖的產生。我們將我們的演算法與其他類似方法進行比較，並表明我們的演算法更成功地產生所需的網路特性。找到合適的零模型在生物資訊學研究中至關重要，而且通常很困難，特別是對於生物網路。正如我們所證明的，在研究經驗網絡中程度和聚類副產品之外的複雜網絡特徵的影響時，ClustRNet 生成的網絡可以用作隨機控制。結論：ClustRNet 產生指定邊緣結構和聚類的圖的集合。這些圖表可以系統地研究連結性和冗餘對網路功能和動態的影響。這個過程是揭示經驗生物系統結構特性的功能後果和揭示驅動這些系統的機制的關鍵一步。