华盛顿特区，2019年6月25日 - 一个新的网络结构数学模型可以帮助找到新的抗癌药物，加快交通流量和对抗性传播疾病。

虽然这三个挑战看起来多种多样，但它们都可以从一个有助于通过分析网络结构来发现网络未知信息的理论中获益。该研究发表在AIP出版社的Chaos期刊上。

西澳大利亚大学的团队成员Michael Small表示，填写缺失环节可能有用的一个例子是选择癌症药物的遗传目标。

“假设你有一个以某种方式连接的基因网络，并且有一些已知的药物靶标。但如果你不知道所有的基因，你想猜测你不需要弄清楚的是什么可能是其他可能的调查目标，“Small说。

成功的链路预测算法已经存在于某些类型的网络，但研究人员分析了不同结构的网络，以提出他们的替代算法。

传统链接预测的示例可以是建议与之连接的朋友的社交网络。分享朋友的两个人很可能自己是直接联系的朋友。添加此第三个连接会创建一个三角形，这是现有算法所关注的结构。

相比之下，作者关注的是树状网络，它有许多分支，但分支之间的交叉链接很少。他们研究了三个示例数据集：社交网络Twitter，配水网络和性接触网络。

他们发现这三个树状网络可以通过许多参数来表征，例如网络中分支点之间的平均距离，环路的大小以及相邻节点具有的链路数量的比较 - 网络的度量描述异质性的规律性。

然后，作者开发了一种算法，该算法提出了可以保留网络这些特征的链接。他们通过采用已知网络并从中删除链接并查看算法是否可以预测缺失链接的位置来测试此方法。

该团队发现，与大多数依赖其他参数的传统算法相比，该算法在树状网络上表现更好(Twitter网络约为44%，性接触网络约为15%，配水网络约为4%)，如假设高度关联的个体将吸引更多的连接(称为优先附着)或建立许多三角形连接(称为聚类)。