Inferring community-driven structure in complex networks

Nieuwe analyse legt netwerken bloot

Mirko Signorelli  presenteert nieuwe statistische methoden om verbanden in datasets te leggen. Hij demonstreert deze door interacties binnen genetische netwerken zichtbaar te maken en de samenwerking tussen partijen in de Italiaanse politiek te reconstrueren.

Dankzij de rekenkracht van moderne computers is het eenvoudiger om verbanden te leggen tussen allerlei gegevens. Maar het vinden van relaties in complexe netwerken is nog altijd een uitdaging. Statistische methoden die kunnen helpen bij het samenvatten en vereenvoudigen van complexe netwerken zijn dan ook hard nodig. Signorelli laat in zijn proefschrift zien dat hij een diep inzicht van een netwerk kan verkrijgen door zich te richten op de gemeenschappen, dat wil zeggen op clusters van knooppunten en op de relaties die er tussen hen bestaan.

Hij begint met de presentatie van NEAT, een test-netwerk op basis dat het mogelijk maakt om de relaties tussen genenverzamelingen te evalueren in een gen interactie netwerk. NEAT breidt traditionele gen-verrijking analyse uit door het opnemen van informatie over interacties tussen genen. Hierdoor overwint hiuj een aantal beperkingen van de bestaande benaderingen.

Vervolgens presenteert Signorelli een uitbreiding van stochastische blokmodellen die het mogelijk maken om de relaties tussen paren van individuen in een sociaal netwerk af te leiden. Hij past deze modellen toe om co-sponsorship netwerken te beschrijven in de Italiaanse Kamer van Afgevaardigden en om het patroon van de samenwerkingen tussen de Italiaanse politieke partijen te reconstrueren in de periode van 2001-2015.

Mirko Signorelli verrichtte zijn promotieonderzoek bij de afdeling Stochastiek en Statistiek van het Johann Bernoulli Instituut met financiering van de University of Padova (Italië).

Proefschrift: http://hdl.handle.net/11370/5e39c0ee-168a-49f9-95e2-98860de508a9