高分辨率识别网络社区

社区结构是复杂网络的重要属性。这种结构的自动发现是社会学、生物学、工程学和计算机科学等许多学科的基本任务。最近，基于优化称为模块度（Q）的量，已经提出了几种社区发现算法。然而，模块度优化问题是NP困难的，现有方法通常面临过长的运行时间或较差的质量。此外，最近有人指出，基于优化Q的算法将存在分辨率极限，即低于一定尺度的社区可能无法被检测到。在本研究中，我们首先提出了一种高效的启发式算法Qcut，它结合了谱图划分和局部搜索来优化Q。使用合成网络和真实网络，我们表明Qcut能够找到更高的模块度，并且比现有算法具有更好的可扩展性。此外，以Qcut作为基本组件，我们提出了一种递归算法HQcut，以解决分辨率极限问题。我们表明，HQcut能够以比现有算法更精细的尺度和更高的精度成功检测社区。最后，我们将Qcut和HQcut应用于研究蛋白质-蛋白质相互作用网络，并表明这两种算法的组合能够揭示用其他方法可能无法检测到的有趣生物学结果。