Due membri della famiglia risultano positivi al COVID-19:come facciamo a sapere chi ha infettato chi? In un mondo perfetto, la scienza delle reti potrebbe fornire una probabile risposta a tali domande. Potrebbe anche dire agli archeologi come un frammento di ceramica greca sia stato trovato in Egitto, o aiutare i biologi evoluzionisti a capire come un antenato estinto da tempo abbia metabolizzato le proteine.

Come è il mondo, gli scienziati raramente hanno i dati storici di cui hanno bisogno per vedere esattamente come i nodi di una rete sono stati collegati. Ma un nuovo articolo pubblicato su Lettere di revisione fisica offre speranza di ricostruire le informazioni mancanti, utilizzando un nuovo metodo per valutare le regole che generano modelli di rete.

"I modelli di rete sono come immagini impressionistiche dei dati, "dice il fisico George Cantwell, uno degli autori dello studio e ricercatore post-dottorato presso il Santa Fe Institute. "E ci sono stati numerosi dibattiti sul fatto che le reti reali assomiglino abbastanza a questi modelli perché i modelli siano buoni o utili".

Normalmente quando i ricercatori cercano di modellare una rete in crescita, diciamo, un gruppo di individui infettati da un virus:costruiscono la rete modello da zero, seguendo una serie di istruzioni matematiche per aggiungere pochi nodi alla volta. Ogni nodo potrebbe rappresentare un individuo infetto, e ogni bordo una connessione tra quegli individui. Quando i cluster di nodi nel modello assomigliano ai dati tratti dai casi del mondo reale, il modello è considerato rappresentativo:un'assunzione problematica quando lo stesso modello può derivare da diversi insiemi di istruzioni.

Cantwell e i coautori Guillaume St-Onge (Università Laval, Quebec) e Jean-Gabriel Young (Università del Vermont) volevano portare un tocco di rigore statistico al processo di modellazione. Invece di confrontare le caratteristiche di un'istantanea del modello di rete con le caratteristiche dei dati del mondo reale, hanno sviluppato metodi per calcolare la probabilità di ogni possibile storia per una rete in crescita. Dati gli insiemi di regole in competizione, che potrebbero rappresentare processi del mondo reale come il contatto, gocciolina, o trasmissione aerea, gli autori possono applicare il loro nuovo strumento per determinare la probabilità di regole specifiche risultanti nel modello osservato.

"Invece di chiedere semplicemente 'questa foto assomiglia di più a quella reale?'", dice Cantwell, "Ora possiamo porre domande materiali come, 'è cresciuto secondo queste regole?'" Una volta trovato il modello di rete più probabile, può essere riavvolto per rispondere a domande come chi è stato infettato per primo.

Nel loro documento attuale, gli autori dimostrano il loro algoritmo su tre semplici reti che corrispondono a set di dati precedentemente documentati con storie note. Ora stanno lavorando per applicare lo strumento a reti più complicate, che potrebbe trovare applicazioni in un numero qualsiasi di sistemi complessi.