Dois membros da família testaram positivo para COVID-19 - como sabemos quem infectou quem? Em um mundo perfeito, a ciência das redes poderia fornecer uma resposta provável a essas perguntas. Também poderia dizer aos arqueólogos como um fragmento de cerâmica grega foi encontrado no Egito, ou ajudar os biólogos evolucionistas a entender como um ancestral extinto há muito tempo metabolizou proteínas.

Como o mundo é, os cientistas raramente têm os dados históricos de que precisam para ver exatamente como os nós de uma rede se conectaram. Mas um novo artigo publicado em Cartas de revisão física oferece esperança para reconstruir as informações que faltam, usando um novo método para avaliar as regras que geram modelos de rede.

"Os modelos de rede são como imagens impressionistas dos dados, "diz o físico George Cantwell, um dos autores do estudo e pesquisador de pós-doutorado no Santa Fe Institute. "E tem havido uma série de debates sobre se as redes reais se parecem o suficiente com esses modelos para que os modelos sejam bons ou úteis."

Normalmente, quando os pesquisadores tentam modelar uma rede crescente - digamos, um grupo de indivíduos infectados com um vírus - eles constroem o modelo de rede do zero, seguindo um conjunto de instruções matemáticas para adicionar alguns nós de cada vez. Cada nó pode representar um indivíduo infectado, e cada borda uma conexão entre esses indivíduos. Quando os clusters de nós no modelo se assemelham aos dados extraídos dos casos do mundo real, o modelo é considerado representativo - uma suposição problemática quando o mesmo padrão pode resultar de diferentes conjuntos de instruções.

Cantwell e co-autores Guillaume St-Onge (University Laval, Quebec) e Jean-Gabriel Young (Universidade de Vermont) queriam trazer um pouco de rigor estatístico ao processo de modelagem. Em vez de comparar os recursos de um instantâneo do modelo de rede com os recursos dos dados do mundo real, eles desenvolveram métodos para calcular a probabilidade de cada história possível para uma rede em crescimento. Dados conjuntos de regras concorrentes, que pode representar processos do mundo real, como contato, gotícula, ou transmissão aérea, os autores podem aplicar sua nova ferramenta para determinar a probabilidade de regras específicas resultando no padrão observado.

"Em vez de apenas perguntar 'esta imagem parece mais com a coisa real?'", Diz Cantwell, "Agora podemos fazer perguntas materiais como, 'cresceu de acordo com essas regras?' "Assim que o modelo de rede mais provável for encontrado, ele pode ser rebobinado para responder a perguntas como quem foi infectado primeiro.

Em seu artigo atual, os autores demonstram seu algoritmo em três redes simples que correspondem a conjuntos de dados previamente documentados com histórias conhecidas. Eles agora estão trabalhando para aplicar a ferramenta a redes mais complicadas, que pode encontrar aplicativos em qualquer número de sistemas complexos.