一套模型搞定多种复杂网络系统演变

大爆炸之后的宇宙是如何形成的？生命或者物种是如何起源与进化的？脑网络是如何通过突出可塑性进行演化而形成智能的？社会团体又是如何在历史演化与变迁中呈现出今天的样子？

这些复杂的进化问题或将找到答案。近日，南方科技大学统计与数据科学系副教授胡延庆课题组依靠一种机器学习方法，能够高精确度地重构可网络化复杂系统的形成历史，为社会系统演化、生物与生态系统进化等问题提供新研究方法。该研究论文发表在Nature Communications上，并被选为亮点论文(editor's highlights)。

复杂网络作为可网络化复杂系统的一种常见形式，在生物学、生态学、社会科学等领域中广泛存在。复杂网络主要用以表示复杂系统内部元素之间的作用关系，并主导了系统的功能。探索和理解复杂网络演化进化过程和和许多领域的核心问题相关，如生命和生态系统的起源与演化、大脑神经网络重组与智力的出现以及社区和国家的形成等。然而，复杂网络通常具有非常丰富的介观结构，这些结构通常同时存在于一个网络中，它们之间有着复杂交互作用关系，共同实现系统的基本功能。揭示复杂内部结构之间的关系通常十分困难，进一步阐明网络的演化机制则更为艰难。

“在这项研究中，我们提出了基于网络的结构信息，还原网络中每一条边生成历史过程的问题，并采用机器学习的办法可以在一定条件下高精度实现对这个问题的求解。这将为理解复杂网络系统结构与功能之间关系开辟了新的途径，以及相关的各种应用技术提供重要的新的研究手段。”论文共同第一作者张怡娇博士在接受《中国科学报》采访时表示，“根据一个系统能够观测到的当前状态，去还原该系统从初始状态到现在的演化过程。这类问题，大都属于科学领域的重大的基础问题。如果我们能成功还原复杂网络中每一条边的生成过程，这意味着，我们可以用一种统一的办法，还原那些用网络表示的复杂系统的精细演化过程。毫无疑问，这将对深刻且细致理解这些系统的物理规律和促进相关应用技术的发展具有关键性的作用。”

在研究中，研究团队通过机器学习技术在一定条件下可以高精度还原多种复杂网络的历史演化轨迹，包括蛋白质—蛋白质相互作用网络、世界贸易网络和社交网络等。同时，研究团队证实了还原的演化过程存在潜在科学价值。例如，还原出的蛋白质—蛋白质相互作用网络形成过程可以在分子水平上揭示生物体进化过程的一些趋势；在网络结构预测方法中加入还原得到的时间序列信息，可以大幅度提高预测的准确度，在AI-药物方面具有潜在应用价值等。此外，还原的结果还可以捕捉到网络形成过程中的关键结构特征和机制，如偏好依附、社团结构、局部聚类、度—度相关性等，这是以前的理论无法描述的。

网络演化过程和还原方法示意图（受访者供图）

还原结果有助于解释蛋白质-蛋白质相互作用网络的演化过程（受访者供图）

还原结果对链路预测性能的提高（受访者供图）

此外，该团队通过理论解析发现，对于规模较大的网络，只要机器学习模型的性能稍优于随机猜测，就可以实现可靠重构整个网络的历史形成过程。由于真实的复杂网络通常尺寸较大，这一结论表明，大规模还原实际网络历史演化过程通常是高度可信的。

该研究得到了国家自然科学基金的支持。