新网络模型促进生物网络分析

指数族随机图模型（ERGM）是起源于社交网络分析的一类网络模型，也已应用于生物网络。估计算法的进步增加了这些模型对更大网络的实际适用范围，然而，仍然不可能总是能够估计一个模型而不遇到模型近退化的问题，特别是如果希望仅使用简单的模型参数，而不是设计用来克服近退化问题的更复杂参数。最近提出了两种与ERGM相关的新网络模型，即锥形ERGM（Tapered ERGM）和潜在顺序逻辑（LOLOG）模型，以克服这个问题。在这项工作中，我说明了锥形ERGM和LOLOG在一组生物网络上的应用，包括蛋白质-蛋白质相互作用（PPI）网络、基因调控网络和神经网络。我发现锥形ERGM和LOLOG能够为无法估计常规ERGM的网络估计模型，并且仅使用简单的模型参数即可做到。在两个具有神经元空间位置数据的神经网络的情况下，这允许估计包含空间距离和三角形结构项的模型，从而可以在考虑空间邻近性对连接概率的影响的同时估计三角形基序的统计显著性。然而，对于某些较大的网络，锥形ERGM和LOLOG估计在实用时间内无法完成，而常规ERGM模型只能通过使用平衡期望（EE）算法来估计。