Muitas redes naturais e feitas pelo homem, como computador, redes biológicas ou sociais têm uma estrutura de conectividade que molda criticamente seu comportamento. O campo acadêmico da ciência de redes está preocupado em analisar essas redes complexas do mundo real e entender como sua estrutura influencia sua função ou comportamento. Exemplos são a rede vascular de nossos corpos, a rede de neurônios em nosso cérebro, ou a rede de como uma epidemia está se espalhando pela sociedade.

A necessidade de modelos nulos confiáveis

A análise de tais redes geralmente se concentra em encontrar propriedades e recursos interessantes. Por exemplo, a estrutura de uma rede de contato específica ajuda as doenças a se espalharem de maneira especialmente rápida? Para descobrir, precisamos de uma linha de base - um conjunto de redes aleatórias, um assim chamado 'modelo nulo' - para comparar. Além disso, já que mais conexões obviamente criam mais oportunidades de infecção, o número de conexões de cada nó na linha de base deve corresponder à rede que analisamos. Então, se nossa rede parece facilitar a disseminação mais do que a linha de base, sabemos que deve ser devido à sua estrutura de rede específica. Contudo, criando verdadeiramente aleatório, imparcial, modelos nulos que são combinados em alguma propriedade são difíceis - e geralmente requerem uma abordagem diferente para cada propriedade de interesse. Algoritmo existente que cria redes conectadas com um número específico de conexões para cada nó, todos sofrem de polarização não controlada, o que significa que algumas redes são geradas mais do que outras, comprometendo potencialmente as conclusões do estudo.

Um novo método que elimina o preconceito

Szabolcs Horvát e Carl Modes do Centro de Biologia de Sistemas de Dresden (CSBD) e do Instituto Max Planck de Biologia Celular e Molecular e Genética (MPI-CBG) desenvolveram esse modelo que torna possível eliminar o viés, e chegar a conclusões sólidas. Szabolcs Horvát afirma, "Desenvolvemos um modelo nulo para redes conectadas em que a tendência está sob controle e pode ser fatorada. Especificamente, criamos um algoritmo que pode gerar redes conectadas aleatoriamente com um número prescrito de conexões para cada nó. Com nosso método, demonstramos que abordagens mais ingênuas, mas comumente usadas, podem levar a conclusões inválidas. "O autor coordenador do estudo, Carl Modes conclui:"Esta descoberta ilustra a necessidade de métodos matematicamente bem fundamentados. Esperamos que nosso trabalho seja útil para a comunidade científica de redes mais ampla. Para tornar o uso o mais fácil possível para outros pesquisadores, também desenvolvemos um software e o disponibilizamos publicamente. "