[论文解读] Fluctuating ecological networks: a synthesis of maximum-entropy approaches for pattern detection and process inference

Tancredi Caruso, Giulio Virginio Clemente+2 more|arXiv (Cornell University)|Jun 25, 2021

Plant and animal studies被引用 4

一句话总结

本文提出了一种最大熵框架，用软性、波动的约束替代生态网络零模型中的硬性约束，以更好地反映物种相互作用中的自然变异。通过允许局部节点属性（如相互作用数量和强度）发生波动，该方法能够更真实地检测非随机模式，并改进对网络过程的推断，同时提供了开源代码，便于生态学研究中的实际应用。

ABSTRACT

Ecological networks such as plant-pollinator systems and food webs vary in space and time. This variability includes fluctuations in global network properties such as total number and intensity of interactions but also in the local properties of individual nodes such as the number and intensity of species-level interactions. Fluctuations of species properties can significantly affect higher-order network features, e.g. robustness and nestedness. Local fluctuations should therefore be controlled for in applications that rely on null models, especially pattern and perturbation detection. By contrast, most randomization methods for null models used by ecologists treat node-level local properties as hard constraints that cannot fluctuate. Here, we synthesise a set of methods that resolves the limit of hard constraints and is based on statistical mechanics. We illustrate the methods with some practical examples making available open source computer codes. We clarify how this approach can be used by experimental ecologists to detect non-random network patterns with null models that not only rewire but also redistribute interaction strengths by allowing fluctuations in the null model constraints (soft constraints). Null modelling of species heterogeneity through local fluctuations around typical topological and quantitative constraints offers a statistically robust and expanded (e.g. quantitative null models) set of tools to understand the assembly and resilience of ecological networks.

研究动机与目标

• 解决传统零模型将节点级相互作用属性视为固定值的局限性，忽略生态网络中自然波动的问题。
• 开发一种统计上稳健的框架，通过软约束纳入物种水平相互作用数量和强度的变异性。
• 通过考虑物种异质性和动态相互作用分布，实现对非随机网络模式更准确的检测。
• 为生态学家提供一种灵活、开源的工具集，用于真实生态系统中网络过程的推断与稳健的网络分析。
• 将经典零模型从二值重连扩展到包含相互作用强度定量再分配，提升模型的真实性。

提出的方法

• 采用统计力学中的最大熵原理，生成在尊重观测平均约束的前提下最大化不确定性的零模型。
• 将硬性约束（每个节点的固定度或强度）替换为软性约束，即允许围绕典型网络属性波动的期望值。
• 利用最大熵原理推导在软性约束下网络构型的概率分布，确保在符合观测平均值的前提下保持最大随机性。
• 使用拉格朗日乘数法制定模型，以强制执行节点度和相互作用强度的期望值，同时允许个体节点属性的随机波动。
• 通过蒙特卡洛采样在计算上实现该方法，生成反映真实生态系统统计特性的网络集合。
• 将该框架集成到开源代码中，以支持实验生态学家进行可重复分析和实际应用。

实验结果

研究问题

• RQ1 如何改进生态网络零模型，以更好地反映物种相互作用属性的自然波动？
• RQ2 基于期望值的软约束在检测非随机网络模式方面，与硬约束相比在多大程度上表现更优？
• RQ3 能否在不过拟合的前提下，利用最大熵原理可靠地建模波动的相互作用强度和度数？
• RQ4 物种水平异质性的引入如何影响嵌套性和鲁棒性等高阶网络特征的检测？
• RQ5 软约束对生态网络分析中零模型统计效能有何影响？

主要发现

• 采用软约束的最大熵框架通过允许节点度和相互作用强度的自然波动，生成了更真实的零模型。
• 该方法通过考虑物种水平异质性，成功检测出生态网络中的非随机模式（如嵌套性和模块性）。
• 与传统零模型相比，软约束方法在检测定量模式方面表现更优，尤其在相互作用强度变异性较高的系统中。
• 该框架通过减少因过度约束模型导致的假阳性模式检测，实现了对网络过程更准确的推断。
• 开源实现使研究人员能够以极低的计算开销将该方法应用于真实生态数据集。
• 该方法在经验生态网络上的验证表明，其在不同网络类型和波动水平下均表现出一致的性能。