Bestämning av den dolda strukturen hos komplexa biologiska nätverk

Komplexa system, såsom elnät, neurala nätverk och proteinnätverk, är allmänt förekommande i naturen
och teknik. De består av interagerande enheter som samarbetar dynamiskt för att utföra olika funktioner,
såsom energitransport, informationsbehandling och cellulär reglering. Matematiska modeller är
väsentliga verktyg för att förstå beteendet hos dessa system och för att förutsäga deras svar på interventioner,
såsom medicinska behandlingar eller läkemedelsmål. Men att mäta nätverksstrukturen för dessa system
representerar en enorm uppgift. Forskare utvecklar därför matematiska metoder för att sluta sig till nätverket
struktur från observation av tidsserier av systemets aktivitet, såsom neural aktivitet. Målet med detta projekt
är att förbättra nätverkets slutledningsmetoder i en tvärvetenskaplig ansträngning genom att kombinera nyare tekniker
från statistisk fysik, tillämpad matematik, adaptiv nätverksdynamik och datavetenskap. Vårt förhållningssätt
syftar till att simulera en kopia av nätverket, driven av en noggrant utformad adaptiv feedback som är inspirerad
genom att lära sig paradigm inom neurovetenskap. Återkopplingen är utformad så att nätverksanslutningen för
kopieringssystemet konvergerar till den ursprungliga nätverksstrukturen. Den föreslagna forskningen lovar att överträffa
tidigare metoder i prestanda och noggrannhet, har således en betydande inverkan på forskning inom
tekniska och biomedicinska tillämpningar.