Inconsistentie benutten om real-world netwerken te begrijpen

Een nieuwe manier om verbindingen in real-world systemen zoals voedselwebben of sociale netwerken te beschrijven, zou kunnen leiden tot betere manieren om ze te voorspellen en te beheersen.

Dat blijkt uit onderzoek gepubliceerd in het tijdschrift PNAS Ontwikkeld door wiskundigen aan de Universiteit van Birmingham, stelt het in kaart brengen van de hiërarchieën en ook de inconsistenties binnen een systeem ons in staat om de sterke en zwakke punten van een systeem te voorspellen.

Begrijpen hoe deze verbindingen werken, is op veel verschillende manieren van cruciaal belang – bijvoorbeeld weten hoe ziekte zich door een populatie verspreidt, of of elk punt in een communicatienetwerk ‘in the loop’ is.

Real-world systemen zoals deze worden door wiskundigen “gerichte netwerken” genoemd omdat verbindingen meestal in een specifieke richting stromen. In voedselwebben, bijvoorbeeld, zal biomassa over het algemeen omhoog bewegen van planten, via herbivoren en naar roofdieren. Netwerken zijn sterk verbonden als het mogelijk is om over het netwerk te bewegen zonder de richting te negeren.

Als het netwerk volledig ‘coherent’ is, met verschillende trofische niveaus zoals planten, herbivoren en carnivoren, kan het niet sterk worden geassocieerd. De meeste real-world systemen zijn echter niet volledig coherent of volledig incoherent, maar liggen ergens tussenin. In het voedselweb kan dit bijvoorbeeld worden veroorzaakt door omnivore dieren die planten en andere dieren eten.

De onderzoekers ontdekten dat het mogelijk is om deze trofische onverbondenheid te gebruiken om het punt te schatten waarop het netwerk sterk verbonden raakt. Ze toonden aan dat de methode werkt met elk type netwerk, waaronder onder andere neuronen, mensen, soorten, metabolieten, genen en woorden.

Niall Rodgers, hoofdauteur van de paper, zei: “Onze aanpak opent nieuwsmogelijkheden voor het begrijpen van alle verschillende soorten netwerken die regelmatig in een gemeenschap worden aangetroffen. Een uitbraak kan bijvoorbeeld worden gezien als een netwerk dat is verbonden met de verspreiding van bacteriën door een populatie. Begrijpen dat het kan zijn waar u zich in dat netwerk bevindt en of de verbinding sterk of zwak is, is cruciaal voor het nemen van beslissingen over infectiebeheersing. ”

Samuel Johnson, senior auteur van de paper, voegde toe: “Deze modelleringsbenadering zou ook kunnen worden gebruikt om netwerken te verstoren, omdat de punten waarop connectiviteit sterk wordt, kunnen worden gericht. Neurologen kunnen bijvoorbeeld nieuwe manieren vinden om epilepsie te behandelen door specifieke verbindingen die verantwoordelijk zijn voor het in stand houden van aanvallen.”