Komplex Hálózatok Moduláris Szerkezete = Modular Structure of Complex Networks

Palla, Gergely and Derényi, Imre and Farkas, Illés and Pollner, Péter (2011) Komplex Hálózatok Moduláris Szerkezete = Modular Structure of Complex Networks. Project Report. OTKA.

Preview

PDF 68669_ZJ1.pdf Download (81kB) | Preview

Abstract

Kidolgoztunk egy módszert, mely lehetővé teszi időben változó hálózatokban a csoportok nyomon követését. A csoportok időfejlődését nagyméretű társaskapcsolat hálózatokban vizsgáltuk és több érdekes összefüggést találtunk a csoportok mérete, időbeli változékonysága és fennmaradási valószínűsége között. Kiterjesztettük a klikk perkolációs módszert irányított- és súlyozott hálózatokra. Ezek segítségével számos nagyméretű valós hálózatot vizsgáltunk. Az irányított csoportosulások viselkedése két nagy osztályba sorolta a vizsgált rendszereket, a súlyozott hálózatoknál pedig érdekes élsúlyok korrelációkat fedtünk fel. A mikroRNS-ek és az általuk gátolt mRNS-ek hálózatát vizsgálva a klikk perkolációs módszer segítségével mikroRNS funkciós csoportokat sikerült beazonosítani, és a sejten belüli jelátviteli hálózatokban gyógyszer célpont fehérjék előrejelzéséhez fejlesztettünk bioinformatikai módszereket. A hálózati hierarchiához kapcsolódóan címkézett hálózatok statisztikai tulajdonságait vizsgálatuk olyan rendszerekben, ahol a címkék maguk is hierarchikusan szerveződnek. Eredményeink szerint a tanulmányozott hálózatok érdekes önhasonlóságot mutatnak a címke indukált részgráfokra történő leszűkítés esetén. A hierarchia tanulmányozásához kapcsolódóan kifejlesztettünk egy önhasonló, hierarchikus multifraktál élbekötési mértéken alapuló véletlen gráf generáló módszert. Megmutattuk, hogy ennek segítségével nagyon sokféle eltérő véletlen hálózat generálható le. | We developed a method enabling the tracking of communities in time evolving networks. We studied the statistical properties of community evolution in large social networks, and revealed interesting non trivial relations between the size, stationarity and survival probability of communities. We extended the clique percolation method for handling directed- and weighted networks, and analyzed numerous real networks with these new algorithms. The behavior of the directed communities classified the examined systems into two major groups, whereas the studies of the weighted networks revealed interesting link weight correlations. We located functional units with the help of the clique percolation method in the network of microRNAs and their regulated mRNAs, and developed bioinformatical tools for signal transduction networks, helping the prediction of drug target proteins. Relating to the field of network hierarchy, we studied the statistical features of tagged networks where the tags were hierarchically organized. According to our results, the examined networks showed an interesting self similarity when restricted to the tag-induced sub-graphs. Relating to the studies of hierarchy, we developed a random graph generator based on self-similar, hierarchical multifractal link probability measure. We have shown, that this method is capable of generating random networks with very diverse properties.

Actions (login required)

Edit Item