[论文解读] Small-World Propensity in Weighted, Real-World Networks

Sarah F. Muldoon, Eric Bridgeford+1 more|arXiv (Cornell University)|May 8, 2015

Functional Brain Connectivity Studies被引用 7

一句话总结

本文提出了小世界倾向性（SWP）这一新度量，用于在考虑网络密度和边权值的前提下，量化加权真实世界网络中的小世界结构。该研究提出了一种标准化的加权小世界网络生成方法，并将其应用于脑网络分析，发现线虫（C. elegans）神经网络的小世界倾向性出乎意料地低于其他脑网络，挑战了其作为典型小世界网络的公认地位。

ABSTRACT

Quantitative descriptions of network structure in big data can provide fundamental insights into the function of interconnected complex systems. Small-world structure, commonly diagnosed by high local clustering yet short average path length between any two nodes, directly enables information flow in coupled systems, a key function that can differ across conditions or between groups. However, current techniques to quantify small-world structure are dependent on nuisance variables such as density and agnostic to critical variables such as the strengths of connections between nodes, thereby hampering accurate and comparable assessments of small-world structure in different networks. Here, we address both limitations with a novel metric called the Small-World Propensity (SWP). In its binary instantiation, the SWP provides an unbiased assessment of small-world structure in networks of varying densities. We extend this concept to the case of weighted networks by developing (i) a standardized procedure for generating weighted small-world networks, (ii) a weighted extension of the SWP, and (iii) a stringent and generalizable method for mapping real-world data onto the theoretical model. In applying these techniques to real world brain networks, we uncover the surprising fact that the canonical example of a biological small-world network, the C. elegans neuronal network, has strikingly low SWP in comparison to other examined brain networks. These metrics, models, and maps form a coherent toolbox for the assessment of architectural properties in real-world networks and their statistical comparison across conditions.

研究动机与目标

• 解决现有小世界度量方法对网络密度敏感且忽略边权值的局限性。
• 开发一种标准化的加权小世界网络生成流程。
• 将小世界倾向性（SWP）度量扩展至加权网络。
• 建立一种可推广的映射方法，将真实世界数据映射到理论小世界模型上。
• 利用新的SWP框架重新评估典型生物网络（如C. elegans）的特性。

提出的方法

• 提出小世界倾向性（SWP）作为归一化且无偏的度量，将实际网络的聚类系数与路径长度与规则网络和随机网络的对应值进行比较。
• 通过使用加权距离度量 $ d_{ij} = 1 / w_{ij} $，将SWP适配于加权网络，并应用Onnela等人提出的加权聚类系数定义。
• 开发一种基于分层与模块化网络模型、可调节密度与边权值的标准化加权小世界网络生成协议。
• 将有向网络输出对称化，以生成一致分析所需的无向对称加权网络。
• 在Brain Connectivity Toolbox基础上进行修改，生成具有受控特性的合成基准网络。
• 通过将真实世界网络统计数据与生成的小世界参考网络进行比较，实现将真实数据映射到理论模型上。

实验结果

研究问题

• RQ1 网络密度在多大程度上偏差于传统小世界度量方法？如何进行校正？
• RQ2 在边权值具有重要意义的加权网络中，如何一致地量化小世界结构？
• RQ3 考虑到其典型地位，线虫（C. elegans）神经网络的真实小世界倾向性究竟是多少？
• RQ4 真实世界脑网络在SWP上与合成小世界模型相比如何？
• RQ5 能否开发一种标准化且可推广的小世界评估框架，以实现跨网络比较？

主要发现

• 线虫（C. elegans）神经网络的小世界倾向性（SWP）显著低于其他研究的脑网络，挑战了其作为典型小世界网络的分类地位。
• 所提出的SWP度量在不同密度的网络中均能无偏地量化小世界结构，优于依赖网络密度的传统度量方法。
• SWP的加权扩展能有效捕捉边权值关键网络（如脑连接网络）中的小世界特征。
• 成功生成了具有受控分层与模块化结构的合成基准网络，并用于验证SWP框架。
• 该方法能够实现对不同条件与网络类型下网络结构的稳健统计比较。
• 本研究发现，当采用更严格且考虑权重的度量方法评估时，典型生物网络可能并不总是表现出强烈的小世界特性。