分子生物网络分析-第2章-网络拓扑基本模型及其性质.ppt

2.7.3超家族 在此基础上，Milo等人提出了基于重要性剖面（significance profile,SP）比较网络局部结构的方法。 计算SP的基本思想仍然是把一个实际网络与其对应的随机化网络作对比，这样就可避免不同网络的规模和度序列的影响。 2.7.3超家族 网络中每个子图i的统计重要性用Zi描述： 其中，Nreadi和Nrandi仍然分别表示该子图在实际网络和对应的随机化网络中出现的次数，Nrandi和std(Nrandi)分别是Nrandi的均值和标准方差。 2.7.3超家族 对Zi作规范化处理就得到对应的SPi： 规范化处理是为了强调子图的相对重要性。这对于比较不同规模的网络是重要的，因为大型网络中的模体比小型网络中的模体具有更高的Z值。 2.7.3超家族 图2-21给出了取自不同领域的19个有向网络中包含的所有可能的13个三元组重要性剖面（trail significance profile,TSP）。 2.7.3超家族 2.7.3超家族 这些TSP反映了这13个三元组在网络中的相对重要性。 这样就可以根据TSP对网络进行分类，具有相似TSP的网络就组成了一个网络超家族（superfamily）。 从上图中可以清楚地看出19个网络组成4个网络超家族。 2.7.3超家族 研究表明，相同类型的网络不仅具有相同的网络模体，而且各个模体在网络中的相对重要性也是相似的。 此外，一个网络超家族中可能包含着规模差异很大的功能极不同的网络。 2.7.3超家族 要对网络拓扑和功能有一个清晰而一致的理解，就需要有一个统一的框架以解释子图和模体的出现原因，它们聚集成更大规模的超结构的机制，以及它们与复杂网络的通有大尺度特征之间的关系。 2.7.3超家族 Vazquez等人通过对5种细胞网络的研究表明，可基于刻画这些网络的无标度和等级拓扑的两个参数来完全预测这些网络中的子图密度。 进一步地，网络的大尺度拓扑组织和局部子图结构是互为因果并可互为预测的。 2.7.3超家族 当然，对于子图、模体和超家族的意义，实际网络中局部结构和网络功能之间的关系仍需要做进一步的探索。 2.8复杂网络的自相似性 等级网络看上去有一个明显的特征，就是该网络部分与整体具有很明显的相似性； 而局部在某种意义上与整体相似，即自相似性（self-similarity），正是分形的一个基本特征。 2.8复杂网络的自相似性 如下图，把等级网络与一个典型的具有自相似性的分形-Sierpinski三角形并列放在一起的比较。 2.8复杂网络的自相似性 当然，绝大多数实际网络以及网络结构模型，都不具有像这个等级网络一样能够很直观地看出来的自相似性。 特别地，复杂网络的小世界特征意味着网络平均路径长度L可用网络规模N的对数函数来表示，即L∝lnN,其等价表示为 L0表示特征长度。 等价式意味着网络规模是网络平均路径长度的指数函数。 2.8复杂网络的自相似性 上式意味着网络规模是网络平均路径长度的指数函数。而自相似性要求满足某种幂律关系。 然而，Song等人的研究指出，许多实际网络，包括WWW，蛋白质交互作用网络和细胞网络等，在某种长度-标度下确实是自相似的。 2.8复杂网络的自相似性 与自相似性密切相关的一个概念是分数维，计算自相似分形的维数的一种常用的方法是盒计数法（box-counting method）。 基本思想是用边长为lB的盒子来覆盖该图形，并统计完全覆盖该图形需要的最少的盒子数NB(lB)。这里的盒子在一维情况下就是线段，二维情况下就是正方形，三维情况下就是立方体，而lB也称为盒子的尺寸（size）。 2.8复杂网络的自相似性 图形维数的近似计算公式为 等价地有幂律标度公式 2.8复杂网络的自相似性 例：对于Sierpinski三角形，假设这个大三角形的边长为1。 （1） lB=1/2的正方形覆盖Sierpinski三角形，那么需要3个正方形； （2） lB=1/4的正方形覆盖Sierpinski三角形，需要9个正方形； （3） lB=1/8的正方形覆盖它，则需要27个正方形，依次类推，有以下公式： lB=1/2,1/4,1/8 2.8复杂网络的自相似性 但是，一般情况下，在理论上只有当盒子尺寸lB趋于零时，才能由公式得到维数精确值。 人们通常在对数坐标系中画出NB(lB)和lB之间的关系，拟合直线的斜率的负值就是dB. 班组网络实验比较 实验一： 班组网络实验比较 实验二： 2.7模块性与等级网络 2.7.1模块与模体 2.7.2等级网络 2.7.3超家族 2.7.1模块与模体 许多实际网络的共同全局结构特征：小世界和无标度。 反之，相似的全局结构特征的网络→局部结构特征。 理解网络的局部拓扑结构及其产生机理也是非常重要的。 ？ 研究表明，细胞网络中，细