En la sociedad actual, usamos la palabra redes con mucha frecuencia y en múltiples contextos: redes sociales, neuronales, financieras, de transporte… ¿Pero qué define exactamente una red y cuando se considera que es compleja?  Desde un punto de vista más abstracto, una red no es más que una estructura compuesta de nodos interconectados entre ellos mediante enlaces o conexiones. Y es compleja, cuando estas relaciones no son únicamente simples, lineales o aleatorias, sino que el orden y el desorden coexisten en una misma red, por ejemplo, dando lugar a agrupaciones de nodos en forma de comunidades o núcleos de influencia.

Durante las últimas tres décadas, se ha extendido el uso de un mismo método para analizar redes complejas, que se ha aplicado en múltiples ámbitos (neurociencia, tecnología, química, biología, estudios sociales, redes de transporte, telecomunicaciones, etc.). Pero la aplicación universal y transversal de este modelo de análisis es cuestionada ahora por investigadores del Centre for Brain and Cognition (CBC) de la UPF, el Institut des Neurosciences de la Timone (INT) y el Institut des Neurosciences des Systemes (INS), ambos situados en la ciudad de Marsella (Francia).

El método más común no tiene suficientemente en cuenta las particularidades específicas de cada red

Esencialmente, la investigación considera que la metodología más extendida en ciencia para estudiar redes complejas es demasiado homogénea y simplista, y no tiene suficientemente en cuenta las particularidades específicas de cada red, por lo que plantea un nuevo paradigma de análisis para superar estas limitaciones. Los resultados del estudio se exponen en un artículo científico, publicado recientemente en la revista CHAOS An interdisciplinary journal of nonlinear science. Los coautores del estudio son Gorka Zamora-López, investigador del grupo de Neurociencia Computacional del CBC-UPF; y Matthieu Gilson, actualmente vinculado al INT y el INS de Marsella, después de haber formado parte del CBC-UPF con anterioridad.

El nuevo paradigma de análisis tiene en cuenta las diferencias entre los sistemas de propagación de la información de las redes

Uno de los aspectos fundamentales del nuevo paradigma es que toma en mayor consideración las diferencias entre los sistemas de propagación de la información de cada red. Para ilustrar en qué pueden consistir estas diferencias, Gorka Zamora-López (CBC-UPF) pone el siguiente ejemplo: en las redes sociales, si desde un perfil se publica un contenido, éste puede ser compartido por uno o más usuarios y estas comparticiones pueden ser a su vez replicadas por otros, ayudando a que el contenido se “multiplique” y llegue rápidamente cada vez a más usuarios. Este modelo de propagación nada tiene que ver, por ejemplo, con la manera en la que viajamos por una red de transporte. Una persona que se desplaza de casa al trabajo en metro atraviesa diversas estaciones en su trayecto y quizás tenga que cambiar a otra línea, o enlazar con un autobús, en alguna de las estaciones. En este caso, no hablamos de información que se replica, sino de una persona que se desplaza a través de la red, iniciando y acabando su viaje en estaciones (nodos) distintas.

El método de análisis de redes más extendido hasta ahora parte de la teoría de grafos y permite representar de forma simplificada los nodos y las conexiones de una red de forma gráfica. Este paradigma es el más común hasta ahora, porque permite analizar las redes a partir de una visión simplificada de su estructura y porque, bajo un mismo marco analítico, ha permitido realizar investigaciones comparativas entre distintos campos por primera vez. Ahora bien, esta simplicidad es a su vez la principal limitación del método tradicional, porque descarta mucha información valiosa para entender las redes, según el estudio. Es un método cuyas métricas, para medir las relaciones entre los nodos de la red, emplea propiedades combinatorias y probabilísticas. Por ejemplo, en las redes sociales, esas métricas podrían ayudarnos a calcular la probabilidad de que un “amigo” mío sea también un contacto de otro de mis “amigos”.

Cambiando la perspectiva de análisis hacia un enfoque dinámico, el estudio pone de manifiesto que estas métricas tradicionales son compatibles únicamente con un modelo de transmisión de información en forma de cascada, lo cuál encajaría con el ejemplo anterior de la propagación de contenido en una red social, pero sería incompatible con la manera en la que un usuario se desplaza por una red de transporte. Es por ello que los investigadores cuestionan la universalidad de las métricas empleadas hasta ahora. “La mayor limitación del método tradicional es que excluye las diversas formas de propagación existentes en redes. Sin embargo, estudiar conjuntamente la estructura y la dinámica de propagación–adecuada a cada caso–mejora sustancialmente la interpretación de los análisis” - dice Matthieu Gilson (INS/INT).

Por ello, los investigadores proponen un cambio de paradigma en el análisis de redes complejas. Apuestan por un enfoque basado en un modelo que se adapte a los rasgos específicos de cada red, estableciendo 5 modelos prototípicos (que pueden ajustarse a los atributos concretos de cada red). El nuevo método permite ajustar las métricas utilizadas a las características específicas de cada red, yendo más allá de la perspectiva combinatoria y probabilística.

Gorka Zamora-López (CBC-UPF): “Más allá de la neurociencia, este cambio de paradigma brinda también la oportunidad de hacer correcciones similares y diseñar metodologías específicas de análisis de redes complejas en muchos otros campos de conocimiento”

Específicamente en neurociencia, el nuevo paradigma de análisis puede facilitar la diferenciación del cerebro de personas sanas del de aquellas con algún tipo de trastorno. En personas sanas, las señales neuronales se propagan  inicialmente siguiendo el modelo en cascada hasta que la cadena de transmisión se interrumpe, evitando que el cerebro se sature de información. Sin embargo, en pacientes con trastornos de consciencia esta interrupción se produce casi de inmediato impidiendo que la información llegue a las regiones a las que debería llegar. No obstante, aunque el estudio ha nacido desde el campo de la neurociencia, Gorka Zamora-López concluye: “más allá de la neurociencia, este cambio de paradigma brinda también la oportunidad de hacer correcciones similares y diseñar metodologías específicas de análisis de redes complejas en muchos otros campos de conocimiento”. 

Artículo de referencia:

Gorka Zamora-López, Matthieu Gilson; An integrative dynamical perspective for graph theory and the analysis of complex networks. Chaos 1 April 2024; 34 (4): 041501. https://doi.org/10.1063/5.0202241