玻尔百科几十年来，图的简单“点和线”一直是我们绘制从社交圈到神经回路等复杂系统的主要工具。这种成对方法假设复杂系统是由一对一的交互构建的。但当最关键的交互不是二重奏，而是合奏时，会发生什么呢？自然界和社会中的许多系统，从基因调控到团队协作，都由无法分解为成对交互的群体动力学驱动。传统网络科学的这一局限性代表了一个重大的知识鸿沟，掩盖了许多复杂现象背后的真实机制。
本文通过引入强大的高阶网络模型框架来应对这一挑战。我们将超越简单的边，探索更丰富的词汇来描述群体交互。在第一部分“原理与机制”中，我们将研究成对模型为何失效，并介绍超图和单纯复形这些新的数学语言，探讨它们如何从根本上改变我们对网络动力学和结构的理解。随后，在“应用与跨学科联系”中，我们将见证这些概念的实际应用，揭示高阶思维如何给从遗传学、精神病学到人工智能前沿等领域带来革命性的变化。
几个世纪以来，我们对网络的描绘一直非常简单：由点和线连接而成的集合。无论是绘制友谊、贸易路线还是神经元，我们都为每个实体绘制一个顶点，并在任何两个相互作用的实体之间绘制一条边。这种成对范式非常强大，证明了复杂的全局模式可以从简单的局部交互中涌现。但如果这种简单性只是一种幻觉呢？如果自然界中最重要的交互不是一对一的对话，而是小组讨论呢？
要看清成对观点的局限性，我们只需审视生命本身微妙的逻辑。
想象一个简单的基因开关。基因 由两个转录因子 和 调控。在许多情况下，逻辑很简单：如果 存在， 就开启。但自然界通常更巧妙。考虑一个协同作用的例子，其中整体确实不同于其各部分之和。假设基因 仅当其调控因子 或 中只有一个处于激活状态时才会开启。如果两者都关闭，或者都开启， 则保持沉默。这是一个经典的“异或”(XOR) 逻辑门。
现在，让我们尝试使用传统的成对网络方法来研究这个系统。我们可以在许多细胞中测量 、 和 的活性，并寻找相关性。我们会发现什么？当 开启时， 有一半时间是开启的（当 关闭时），另一半时间是关闭的（当 开启时）。因此，平均而言，知道 的状态完全不能告诉我们关于 状态的任何信息。它们的成对互信息为零。 和 之间也是如此。一个基于成对统计数据构建的网络会显示三个不相连的点，完全忽略了 和 共同完美地决定了 的状态这一事实。
这不仅仅是一个技术细节；这是成对模型的根本性崩溃。交互本身无法简化为成对关系。它是一种不可约化的三元关系。信息不在于单个参与者，而在于它们的组合。这种“纯粹协同作用”，即单个组分不提供信息但整个群体具有完美预测能力，在从遗传学到神经科学的各个领域都普遍存在。这是超越成对网络、为群体交互发展新语言的主要动机。用于量化这种协同作用的交互信息，在我们的异或例子中会是强负值，表明这两个调控因子在一起提供的信息远比它们分开时多。
如果连接成对节点的简单线条不足以胜任，我们应该用什么来代替呢？我们需要更丰富的词汇，一套新的几何对象来描述这些群体活动。对象的选择并非随意的；它应该由我们试图建模的系统性质来决定。
一个绝佳的例子来自蛋白质-蛋白质相互作用 (PPI) 网络的世界。科学家使用各种实验方法来发现细胞中哪些蛋白质协同工作，而不同的方法讲述了不同的故事，需要不同的数学表示。
多重图 (Multigraphs)： 一些实验，如交联质谱法 (XL-MS)，可以揭示两个蛋白质 和 能以多种不同方式相互结合——也许是使用不同的结构域，或者取决于其中一个蛋白质是否带有化学标签（一种翻译后修饰）。一个简单的图只能说“A和B是相连的”。而多重图允许在相同的两个节点之间存在多条平行的边，可以捕捉这种丰富性，每条边代表一种不同类型的交互。
超图 (Hypergraphs)： 其他实验，如亲和纯化-质谱法 (AP-MS)，可以分离出在复合物中结合在一起的整组蛋白质。我们可能会发现蛋白质 、 和 总是同时出现。关键在于， 和 可能只有在作为支架的 存在时才能结合。为 、 和 分别绘制边会产生误导，因为它暗示了三个独立的成对交互。表示这种“全有或全无”群体交互的自然方式是超图。超图没有连接成对节点的边，而是拥有超边，超边是节点的子集，可以包含任意数量的成员。我们的蛋白质复合物 将是一个大小为3的单条超边。这正是捕捉我们在异或例子中看到的协同作用所需要的工具 [@problem_id:4298766, 4320659]。
单纯复形 (Simplicial Complexes)： 在某些系统中，高阶交互具有层级结构。想象一个三人朋友小组。要使这个三人组成为一个紧密的团体，通常要求其中的每一对也都是朋友。单纯复形将这一思想形式化。它由单纯形构成：一个 -单纯形是一个节点，一个 -单纯形是一条边，一个 -单纯形是一个三角形，一个 -单纯形是一个四面体，以此类推。关键规则是，一个 -单纯形只有在它所有组成的 -单纯形（它的“面”）也都存在时才能存在。例如，在脑网络中，我们可能只当组内的每一对也都强相关（形成 -单纯形）时，才将一组三个高度相关的大脑区域视为真正的“三元交互”（一个 -单纯形）。这增加了一层超图所不要求的结构完整性。
这些不同的表示方法——多重图、超图和单纯复形——不仅仅是抽象的数学玩具。它们构成了一种新的、更具表现力的语言，使我们能更忠实地对交互的物理现实进行建模。这些结构甚至可以在一个统一的数学框架下，使用张量来进行表示和分析，张量是多维数组，非常适合捕捉超出简单成对关系的交互。
采用这些高阶模型不仅仅是一种绘制网络的新方法；它能从根本上改变我们对过程如何在网络上展开的理解。传播、级联和集体行为的基本规则都可能发生性质上的改变。
考虑级联失效的蔓延，比如电网的大停电或金融危机。在一个简单的成对网络模型中，我们可以想象失效像疾病一样传播：节点A失效，对其邻居B施加压力，然后B失效并对C施加压力，依此类推。一个级联可以由单个初始失效——一个“零号病人”——触发，并且随着系统易感性的增加，级联的最终规模通常会连续增长。
现在，让我们把这个级联过程放在一个超图上，一个由重叠群体组成的网络。让我们想象一个规则：一个人（一个节点）只有在至少 个不同的社交群体（超边）中暴露才会生病，而一个社交群体只有在至少 个成员生病时才会成为“疫区”。
如果阈值是最小的（ 且 ），动力学过程看起来很熟悉。一个生病的人使他所在的群体成为疫区，然后暴露一个新的人，使其生病。级联以线性方式传播。
但是，如果任一阈值大于一——比如说，一个群体需要 个成员生病才能成为疫区——情况就截然不同了。一个单一的初始失效，一个孤独的“零号病人”，现在变得无能为力。他无法凭一己之力激活任何群体。感染链在开始之前就被切断了。要触发级联，你不再只需要一个种子；你需要一个临界的种子密度。你需要在系统各处散布足够多的初始失效，这样，某个群体才可能偶然地同时拥有两个或更多失效的成员。这是一种合作效应。
这导致了一种截然不同的相变。级联规模不再是从零开始平滑增长，而是在初始种子密度越过一个临界阈值之前什么都不会发生，一旦越过该阈值，系统就会突然崩溃，发生大规模级联。这种不连续的、全有或全无的行为是高阶结构上动力学的标志，并且对于只考虑成对交互的模型是不可见的。
高阶模型不仅改变了我们看待动力学的方式，它们还可以像一种新的透镜，将完全隐藏的结构模式聚焦呈现。网络科学中的一个经典任务是社区发现：寻找密集的节点集群，这些节点内部的连接比与网络其余部分的连接更紧密。高阶视角可以揭示那些功能上真实存在但在成对图中结构上不可见的社区。
考虑一个简单的系统，其中一个随机游走者在三个节点 、 和 之间移动。游走者总是从 或 移动到中心节点 。关键在于，从 出发的下一步取决于游走者刚从哪里来。如果它来自 ，它有 的几率返回到 。如果它来自 ，它有 的几率返回到 。
如果我们只看成对流，忽略记忆效应，我们会看到一个对称的画面：游走者从 流向 ，从 流向 ，并且以相等的概率从 返回到 和 。节点 看起来只是一个将所有东西混合在一起的中心枢纽。一个标准的社区发现算法可能会将这三个节点归为一个社区。
但是，如果我们采用一种高阶的记忆网络表示法，我们可以创建新的“状态节点”来捕捉游走者的历史。我们不再只有一个节点 ，而是有两个状态：“从 到达的 ”（表示为 ）和“从 到达的 ”（表示为 ）。现在这个网络有四个状态节点：、、 和 。
在这个新网络中，一个惊人的模式出现了。从 出发的流向 ，然后绝大多数又流回 。从 出发的流向 ，然后绝大多数又流回 。该系统实际上由两个几乎隔离的模块组成：{A, } 和 {C, }。高阶表示法揭示了在无记忆的成对视角中完全被掩盖的隐藏模块性。使用像地图方程这样的信息论工具来寻找对流的最有效描述，这种双模块划分方案是压倒性地更优选择，为系统动力学提供了更压缩、更准确的描述。
用高阶依赖关系来思考的力量，超越了离散对象的网络。它是理解任何情境和记忆起作用的系统的通用原则。这一点在基因预测的挑战中得到了很好的说明。
在扫描基因组时，我们如何识别标志基因起点的信号，例如启动子序列？一个简单的方法是使用位置特异性打分矩阵 (PSSM)。我们比对许多已知的启动子序列，并计算每个位置上每种核苷酸 (A, C, G, T) 的频率。这给了我们一个统计模板。该模型的核心假设是，一个位置上核苷酸的种类完全独立于其邻居的种类。
这个“一阶”模型效果尚可，但它忽略了关键的生物学现实。遗传密码是以三字母的密码子来读取的，每三个碱基就产生一种依赖关系。真核基因本身的结构，即外显子（编码区）和内含子（非编码区）交替出现，为序列强加了一种“语法”。
为了捕捉这一点，我们需要一个更高阶的模型，如隐马尔可夫模型 (HMM)。HMM将序列描述为通过一系列隐藏状态（例如，‘启动子’、‘外显子’、‘内含子’）游走而生成的。每个状态都有其自身发射核苷酸的概率，并且关键的是，存在从一个状态转换到另一个状态的概率。在某个位置看到‘G’的概率现在取决于模型是处于‘外显子’状态还是‘内含子’状态，而处于该状态的概率又取决于前一个位置的状态。这个框架明确地建模了更简单的PSSM所忽略的序列依赖性和可变长度结构，从而带来了更准确的基因预测。
从基因开关到级联失效，从隐藏的社区到基因组的语法，一个统一的原则浮现出来。一个由成对关系构建的世界的简单图景往往是不完整的。现实是由群体交互、情境和记忆的更丰富织锦编织而成。高阶网络模型为我们提供了语言和工具，以最终看到、描述和理解这种美丽而错综复杂的复杂性。
在迄今为止的旅程中，我们探讨了高阶网络的基本原理。我们已经看到，世界并非总能简化为简单的成对交互对象。通常，最有趣和最重要的现象源于三个、四个或更多组分的同时相互作用。三个朋友组成的群体所共有的动态，不仅仅是三个独立的一对一友谊。一个水分子 ，并不仅仅是两个O-H键的总和；它弯曲的形状和卓越的性质，源于涉及所有三个原子的一场量子力学之舞。这就是高阶结构的精髓。
现在，让我们走出原理的抽象世界，看看这些思想在实践中的应用。欣赏一个工具是一回事，亲眼看它建起城市则是另一回事。我们会发现，高阶交互的概念并非一个小众的数学奇趣，而是理解世界的一个基本视角，在整个科学领域有着深远的应用。我们将看到同样的想法以各种形式出现在遗传学、精神病学、公共卫生，甚至人工智能的最前沿。
自然是复杂组装的终极大师。让我们从我们自身的遗传密码层面开始。几十年来，遗传学家一直在寻找与疾病相关的基因。一种常见的方法是寻找单个基因变异与疾病之间的统计联系。但如果故事更加微妙呢？
想象一种疾病，其风险不与任何单个基因、甚至任何一对基因相关。相反，危险仅在三种生物标志物特定“共谋”时才会出现。单独来看，它们是沉默的。成对来看，它们是无害的。但当三者同时存在时，疾病风险突然飙升。这种现象被称为上位效应，是高阶交互的一个完美例子。一个基于成对链接构建的传统网络模型将完全看不到这种风险；它会显示三个不相连的节点，并得出结论说没有关系。要看清真相，需要一个高阶视角，比如超图，其中一条“超边”可以连接所有三个生物标志物，明确表示它们的三方协同效应。这不仅仅是一个假设性的思想实验；理解这种复杂的遗传结构是个性化医疗的前沿，对于识别具有隐藏风险的个体至关重要。
从基因，我们转向它们的产物：蛋白质。这些是细胞的主力军，它们很少单独工作。它们形成复杂的复合物和通路。分析蛋白质相互作用网络的一种常用方法是寻找“团”(cliques)——即其中每个成员都与其他所有成员相互作用的蛋白质群组。这些通常被解释为稳定的功能模块，就像一个紧密结合的团队。但有时，最具揭示性的特征不是交互，而是交互的缺失。
考虑一组四个蛋白质，比如 和 ，排列成一个环： 与 相互作用， 与 相互作用， 与 相互作用，而 又与 相互作用。然而，“对角线”上的相互作用—— 与 ，以及 与 ——是缺失的。这个结构不是一个团。它是一个中间有“空洞”的四蛋白质环。从高阶拓扑学的观点来看，使用一种名为单纯复形的工具，这个空洞是一个可感知的特征。它告诉我们，这个群体不是一个刚性的、完全连接的块，而可能是一个动态的信号通路或一个柔性的支架。一个简单的成对图显示了连接，但只有高阶模型才能揭示其排列的功能上重要的形状。
这就提出了一个更深层次的问题：这些复杂的结构最初是如何形成的？它们是像简单的链式反应一样，一次组装一个部件吗？还是发生了更戏剧性的事情？对于某些细胞结构，比如参与程序性细胞死亡的坏死小体，其组装似乎是一个高度合作的、全有或全无的事件。在蛋白质组分浓度低于某个阈值时，几乎什么都不会发生。但一旦越过临界阈值，一个巨大的、相互连接的网络就会在整个系统中迅速形成。这不是线性加和；这是一个相变，类似于水突然结冰。这种被称为渗流的现象是高阶系统的一个标志。其独特的动力学特征——一个尖锐的阈值和对组分化学计量平衡的极端敏感性——可用于在实验上将其与更简单的一维组装机制区分开来。
支配分子组装的相同原理可以放大，用来阐明我们自己生活中的复杂系统。
考虑传染病的传播。公共卫生官员对传播网络进行建模，以预测疫情爆发并部署资源。例如，在静脉吸毒者网络中，注射器可能在两个人之间共享。这是一个成对链接。但如果三个人A、B和C处于一个共享循环中：A与B共享，B与C共享，C又与A共享，会发生什么？这个三角形远不止是三个成对链接。它成为血源性病原体的坚固储存库，极大地加速其传播并使其更难根除。为了建立准确的流行病学模型，我们必须超越简单的二元组，并考虑这些高阶结构。像指数随机图模型 (ERGM) 这样的现代统计工具正是这样做的，它允许研究人员估计三角形和其他基序的流行程度，从而对艾滋病 (HIV) 或丙型肝炎等疾病如何在社区中传播进行更真实的模拟。
也许，高阶思维最深远的应用在于精神病学领域。一个多世纪以来，对抑郁症等精神障碍的主流观点一直是“潜变量”模型。该模型假定存在某种未被观察到的潜在疾病——“抑郁症”——它继而导致了我们观察到的各种症状：失眠、疲劳、快感缺失等。这些症状仅仅是这种隐藏本质的反映。
但如果我们把因果搞反了呢？网络视角提供了一个革命性的替代方案：精神障碍不是其症状的共同原因；它是一个由因果互动的症状所组成的系统的稳定状态。失眠导致疲劳。疲劳使人难以集中注意力。注意力难以集中和精力不足会导致兴趣或乐趣丧失（快感缺失）。这张相互强化的症状之网创造了一个恶性循环，一个难以摆脱的稳定状态。这种障碍就是网络本身。
这不仅仅是一个哲学上的转变；它具有戏剧性的、可检验的后果。如果潜变量模型是正确的，那么一种只针对一个症状（比如用安眠药治疗失眠）而不改变潜在“抑郁症”的干预措施，应该对其他症状没有影响。但如果网络模型是正确的，打破链条中的一个环节就可能导致整个病理结构瓦解。治疗失眠可以缓解疲劳，进而改善注意力。来自临床试验的证据支持这种网络观点。此外，这个框架为共病——即不同障碍（如焦虑症和抑郁症）经常同时发生这一事实——提供了一个优美而直观的解释。这并不是因为两种不同的隐藏疾病神秘地相关联。相反，这是因为焦虑症的症状网络和抑郁症的症状网络共享“桥梁症状”，如担忧或睡眠障碍。这些桥梁创造了通路，使得痛苦可以从一个领域级联到另一个领域。
我们的旅程在现代科学的前沿结束：利用人工智能模拟物理世界。要在计算机上设计新材料、催化剂或药物，我们需要解决化学中最基本的问题：在给定原子位置的情况下，计算原子系统的势能。这个能量景观决定了一切——稳定性、反应性以及所有材料性质。
几十年来，我们最好的尝试都涉及粗略的近似，通常归结为成对力（就像连接原子的小弹簧）的总和，或许再对三体角进行一些校正。这些模型是有限的，因为多原子系统的真实能量是一个复杂的量子力学特性，源于所有电子和原子核的集体相互作用。这本质上是一种高阶现象。
机器学习应运而生。新的范式是直接从大量的量子力学计算中学习势能面。而完成这项任务最成功的架构是什么？它们的核心就是高阶网络模型。
一些方法，比如著名的 Behler-Parrinello 网络，从一开始就内置了这一点。它们使用手工制作的“对称函数”来描述每个原子的局部环境，这些函数明确编码了二体（距离）和三体（角度）信息。这提供了一个强大的物理归纳偏置。其他更灵活的方法，如消息传递神经网络 (MPNN)，则采取了不同的途径。它们将系统表示为一个原子图，并在原子之间“传递消息”。第一步，一个原子从其直接邻居那里学习。第二步，它从其邻居的邻居那里学习，依此类推。经过几步之后，一个原子的状态整合了来自广阔邻域的信息，从而有效地从数据中学习到必要的多体相关性，而不是预先指定它们。网络的深度对应于它能捕捉到的多体交互的复杂性。
这是一个惊人的趋同。为了构建一个能够真正理解分子物理学的人工智能，我们必须教会它用高阶网络的术语来思考。
从基因的无声共谋，到人类心智的纠缠反馈回路，再到人工智能驱动的发现的根本结构，我们都看到了同样的原理在起作用。最有趣的故事、最强大的解释和最具挑战性的问题，很少在孤立的成对关系中找到。它们存在于高阶交互的丰富、复杂而美丽的世界中。