通过估计单变量和多变量时间序列之间的传递熵来识别交互网络中的有影响力和脆弱节点

传递熵（TE）是衡量交互网络中因果关系的强大工具。传统上，TE及其条件变体是应用于动态变量之间的两两关系来推断这些因果关系。然而，识别系统中最具影响力或最脆弱的节点需要测量每个组件对整个系统的影响以及相反。本文提出使用发生传递熵和传入传递熵——其中发生传递熵量化了节点对其余系统的影响，传入传递熵衡量其余系统对该节点的影响。具有最高发生传递熵的节点被识别为最具影响力的"枢纽”，而具有最高传入传递熵的节点是最脆弱的"反枢纽”。由于这些措施涉及单变量和多变量时间序列之间的传递熵，朴素的估计方法在变量数量相当于或超过样本数时会导致显著误差。为此，我引入了一种新的估计方案，该方案仅计算显著相互作用的伙伴之间的发生传递熵和传入传递熵。通过使用合成数据演示了该方法的可行性，并应用于口腔微生物群的数据。该方法成功识别了已知在细菌社区中起关键作用的细菌物种，显示了该新方法的强大功能。