基于传播动力学的网络重构方法研究

网络重构是计算生物学研究的重要问题之一，其目标是从观测数据即系统输出状态推测系统内部单元之间的拓扑连接。目前借助于网络动力学模型的方法主要是扰动法，这类方法对目标系统有较多限制，且难以处理大规模的网络系统，导致难以应用于实际数据。受现有基于分支过程的网络重构方法启发，本项目借助传播动力学的SIRS模型，研究传播模型在不同网络拓扑下的临界态以及网络中边的遍历性，建立算法的理论基础；借助迭代贝叶斯方法设计重构算法，算法设计重点考虑历史事件在提高算法效率上的影响；应用动态过程中事件相关性度量网络中节点（边）的重要性；最后，算法被应用到脑网络的结构连接预测中。本项目的研究具有重要的理论意义和实际应用价值，算法本身能广泛用于对实际网络的分析，算法研究中产生的理论成果对完善和促进复杂网络理论具有积极作用。

依据项目研究计划，我们先后从理论研究及算法研究两个阶段进行传播动力学方法实现网络拓扑反演的探讨，利用实验模拟并结合实证数据分析，发现了网络拓扑结构对系统动力学行为的作用不仅体现在宏观尺度上，也受局部连接的影响；针对具有结构平衡性的社会网络，我们研究了小世界特性在舆论扩散的过程中扮演的角色；发现控制大度节点并非是控制网络一致性的最佳策略。为从实际系统产生的数据中获得证据，我们利用网络爬虫获取了大量在线社交网络数据，也与复旦大学计算系统生物学中心研究人员合作开展了脑功能网络的复杂网络分析方法的探索。在本项目的支持下，项目组成员与国内外网络科学领域的专家和学者进行了深入的交流与合作。本项目的成果将对动力学方法应用到拓扑结构识别上起到积极促进作用。