Komplex hálózatok vizsgálata = Studies of complex networks

Palla, Gergely and Farkas, Illés (2009) Komplex hálózatok vizsgálata = Studies of complex networks. Project Report. OTKA.

Preview

PDF 47203_ZJ1.pdf Download (520kB)

Abstract

Kifejlesztettünk egy módszert a hálózati Hamilton-függvény visszafejtésére az élek átrendeződési folyamataiból. A vizsgált hálózatok Hamilton-függvényei egy univerzális alakot követnek, mely konzisztens a preferenciális kapcsolódási szabállyal. Kifejlesztettünk egy új hálózati csoportkereső módszert, melynél a feltárt csoportok egy-egy k-klikk perkolációs klaszternek felelnek meg. Az így definiált csoport felosztás nagy előnye a hogy megengedi a csoportok közti átfedéseket. Az átfedések révén természetes módon származtatható a csoportok hálózata is, melynek révén a rendszert egy magasabb (hierarchikus) szerveződési szinten tanulmányozhatjuk. A vizsgált nagy méretű hálózatok esetén a csoporthálózat fokszámeloszlása hatványszerűen cseng le. A csoporthálózat időbeli növekedése a preferenciális kapcsolódási szabálynak megfelelően zajlik. Az élesztő baktérium fehérje kölcsönhatási hálózatában az általunk feltárt csoportok jelentős része egy-egy jól beazonosítható fehérje funkciónak feleltethető meg. Ez alapján módszerünk lehetővé teszi a sejtműködésben eddig ismeretlen szerepű fehérjék funkciójának jóslását a feltárt csoportokhoz való tartozás alapján. A hálózati csoportkeresőhöz egy ingyenesen letölthető grafikus kezelőfelületet is készítettünk, mely a csoportok megkeresése mellet képes azok megjelenítésére, illetve a csoportok hálózatában való navigálásra, keresésre. | We have developed a reverse engineering method to deduce the Hamilton-function of networks from the restructuring of the links. The energy function in the studied networks followed a universal form, which was consistent with the preferential attachment rule. We have developed a new community finding method defining the communities as k-clique percolation clusters. The advantage of this approach is that it allows overlaps between the communities. We can also define the graph of communities based on the overlaps in a natural way. With the help of the community graph we can study the hierarchical organization of the system at a higher level. In the studied large networks the degree distribution of the graph of communities decays as a power-law. The time development of the graph of communities is governed by the preferential attachment rule. The majority of the communities obtained with our method in case of the protein interaction network of the yeast bacteria can be associated with a well defined protein function. According to that, our method can be used for function prediction in case of unknown proteins based on community membership. We developed freely downloadable software capable of locating and visualizing the communities (and the graph of communities) in networks.

Actions (login required)

Edit Item