多层模块度

在我们探索复杂性的过程中，我们常常将系统表示为网络——从社交圈到大脑的线路连接。一项基本任务是在这些网络中找到“社区”，即那些内部联系比与网络其余部分联系更紧密的实体群体。但当系统不是一个单一、静态的快照时，会发生什么？如果它随时间演化，或者连接同时存在于多种情境中呢？这就是多层网络带来的挑战，一个从神经科学到生物学等领域都存在的现实问题。本文将介绍多层模块度，一个为应对这一挑战而设计的优雅而强大的框架。它提供了一个数学视角，用以探测在不同层之间持续存在、演化、合并和分裂的社区结构。在接下来的章节中，我们将首先在“原理与机制”中解构其核心理论，探索多层模块度如何平衡层特异性细节与跨层一致性。然后，在“应用与跨学科联系”中，我们将遍历其变革性的应用，看这个单一思想如何阐明大脑的动态运作、生命的复杂性等等。

为了理解世界，我们常常发现自己需要将事物分组。我们将动物分为物种，书籍分为类型，朋友分为不同的社交圈。在网络世界里，这种分组行为被称为​​社区发现​​。直观地说，一个社区是一组节点，它们彼此之间的连接比与网络其余部分的连接更为密集。但我们如何使这种直观认识变得精确？我们如何告诉计算机自动找到这些群体？

一个简单的想法或许是只计算一个群组内部的连接数。连接越多，社区就越好，对吗？但这有点天真。一个非常大的群组仅仅因为其规模就自然会有很多连接。我们需要一个更巧妙的衡量标准。这就是​​模块度​​这个优美思想的用武之地。

模块度告诉我们，一个好的社区不仅仅是内部连接多，而是其内部连接比你偶然预期的要多。它是一种衡量意外程度的指标。为了计算这个“偶然预期”的数量，我们需要一个​​空模型​​——一个用于生成随机网络以供比较的配方。一个标准的选择是​​配置模型​​，它就像是我们拿来原始网络，剪断所有连线，然后随机重新连接它们，唯一的约束是每个节点最终的连接数（即其​​度​​）必须与它开始时相同。

对于单个网络，给定分区（一种将每个节点分配到某个社区的方式）的模块度 $Q$ 由下式给出：

在数学上，这可以转化为对所有节点对 $i$ 和 $j$ 的求和：

在这里，$A_{ij}$ 是节点 $i$ 和 $j$ 之间边的权重（如果它们相连则为1，否则为0），$k_i$ 是节点 $i$ 的度，$m$ 是网络中边的总数，而克罗内克δ函数 $\delta(c_i, c_j)$ 是一个巧妙的记法，当节点 $i$ 和 $j$ 在同一个社区时（$c_i = c_j$），其值为1，否则为0。这个δ函数确保我们只计算在同一组内的节点对。$A_{ij}$ 是我们的观测值，而 $\frac{k_i k_j}{2m}$ 是配置模型所预期的值。找到“最佳”社区结构现在成了一个明确定义的问题：找到能使这个值 $Q$ 尽可能大的分区。

这种单层视角虽然强大，但现实很少如此扁平。社交网络会随时间演化。大脑同时使用不同频段处理信息。一种疾病通过基因突变、蛋白质相互作用和代谢变化的复杂 interplay 表现出来。这些都是​​多层网络​​——在这些系统中，同一组节点通过不同类型的关系连接，或者关系随时间变化。

我们如何在这种分层的世界中找到社区？我们不能简单地孤立地分析每一层；那样我们会错过社区如何在各层之间持续、演化、合并或分裂的故事。关键的洞见在于将我们的模块度原则推广到这个更丰富、多维的现实中。

想象一下，我们的多层网络就像一叠薄饼，每张薄饼就是一层。一个节点不再只是一个点，而是一组“状态节点”的集合——每一层都有一个，就像一根垂直穿过这叠薄饼的烤串。现在，社区归属属于每个状态节点 $(i,s)$，其中 $i$ 是节点，$s$ 是层。多层模块度函数是单层思想的一个优美扩展，由两部分组成。

首先，我们有​​层内贡献​​，它就是每一层模块度得分的总和，计算方法和之前一样：

在这里，$A_{ijs}$ 是节点 $i$ 和 $j$ 在层 $s$ 内部的连接，而 $P_{ijs}$ 是该层对应的空模型。注意这个新参数 $\gamma_s$，称为​​分辨率参数​​。我们稍后会看到，这是一个强大的“调节旋钮”，让我们能够调整我们在每一层中寻找的社区的特征尺度。

其次，也是至关重要的一个新成分，我们加入了一个​​层间贡献​​，它起到一种胶水的作用，将各层耦合在一起：

这一项看起来简单，但其效果是深远的。它说的是：对于给定的节点 $i$，如果你在层 $s$ 和层 $r$ 中将它分配到同一个社区（即 $g_{is} = g_{ir}$），你就会在总模块度得分上获得 $\omega_{isr}$ 点的“奖励”。对于时间网络，我们通常只耦合相邻的层，所以当 $r=s+1$ 时，$\omega_{isr}$ 是一个常数 $\omega$。这里没有空模型！这不是与偶然情况的比较；这是一个直接、明确的建模选择，注入了一种对稳定性的偏好。我们在告诉算法，在其他条件相同的情况下，我们相信社区应该跨层保持持久性。

完整的​​多层模块度​​是这两部分之和，并由整个系统中所有连接的总权重 $2\mu$ 进行适当归一化：

多层模块度的真正魔力在于其两个组成部分之间的张力。层内项推动分区尽可能忠实于每个独立层的独特结构。层间项则推动分区在所有层之间尽可能保持一致。最终的结果是一种妥协，一种由耦合参数 $\omega$ 调控的平衡。

让我们想象一个玩具场景来让这一点变得清晰。假设我们有一个由六个人组成的网络，跨越两个时间点（第1层和第2层）。

• 在第1层，这些人形成两个清晰的群组：$\{1,2,3\}$ 和 $\{4,5,6\}$。
• 在第2层，结构发生变化：群组现在是 $\{1,2,4\}$ 和 $\{3,5,6\}$。

“正确”的社区结构是什么？我们有两个自然的选择：

1. ​​适应性分区 ($\mathcal{A}$):​​ 我们完美地尊重每一层的结构。第1层的分区是 $\{\{1,2,3\}, \{4,5,6\}\}$，第2层的分区是 $\{\{1,2,4\}, \{3,5,6\}\}$。这给出了最高的层内模块度得分，但代价是牺牲了时间上的一致性——节点3和4转换了群组。
2. ​​一致性分区 ($\mathcal{C}$):​​ 我们在两层强制使用相同的分区，比如 $\{\{1,2,3\}, \{4,5,6\}\}$。这个分区对第1层来说是完美的，但对第2层来说却不合适。它具有完美的时间一致性（没有节点改变群组），但层内模块度得分较低。

我们的算法会找到哪一个？这完全取决于 $\omega$。

• 如果我们设置 $\omega = 0$，各层之间就解耦了。层间奖励为零，所以算法只会为每一层独立地找到最佳分区。它会选择适应性分区 $\mathcal{A}$。
• 如果我们把 $\omega$ 设置得非常大，保持一致性的奖励会变得如此巨大，以至于它会使我们从拟合层内结构中获得的任何分数都相形见绌。算法将被迫找到一个适用于两层的单一共识分区。它会选择一致性分区 $\mathcal{C}$，因为它有更多的节点保持不变（在这种情况下是所有节点）。

最有趣的事情发生在 $\omega$ 的中间值。会有一个临界值 $\omega^{\star}$，此时算法在这两种解决方案之间正好无所谓。在问题中的特定场景下，这个转折点发生在 $\omega^{\star} = 2$。对于 $\omega 2$，特异性获胜；对于 $\omega > 2$，一致性获胜。

这揭示了 $\omega$ 的本质：它是一个​​正则化参数​​，管理着一个基本的​​偏差-方差权衡​​。一个小的 $\omega$ 允许模型高度灵活（低偏差），但使其对单个层中的噪声敏感（高方差）。一个大的 $\omega$ 强制实现时间上的平滑性（低方差），但可能会错过网络中真实、有趣的变化（高偏差）。$\omega$ 的选择不仅仅是一个技术细节；它宣告了我们正在寻找什么。甚至有一个优美的数学关系式表明，模块度得分对这个参数的敏感度 $\frac{\partial Q}{\partial \omega}$ 与所发现社区的整体持久性成正比。

我们实际上如何找到最大化 $Q$ 的分区呢？可能的分区数量是天文数字，所以我们无法一一检查。相反，我们使用巧妙的​​贪心算法​​。一种流行的方法是，从每个状态节点自成一社区开始，然后迭代地进行“最佳”移动。在每一步，它考虑将一个节点从其当前社区移动到邻近社区，并计算模块度的变化量 $\Delta Q$。然后，它执行能带来最大正 $\Delta Q$ 的移动。这个过程重复进行，直到没有任何移动可以进一步提高分数。单次移动的 $\Delta Q$ 计算非常快，因为它只依赖于节点在其层内的直接邻域及其与其他层的连接，这使得这种方法即使对于非常大的网络也是可行的。

这就引出了一个至关重要的问题：我们如何选择参数 $\omega$ 和 $\gamma_s$？我们不应该只是猜测。应用此方法的艺术在于有原则的参数选择。

• ​​使用空模型进行校准：​​ 一种复杂的方法是校准参数，使它们具有一致的含义。例如，我们可以设置 $\gamma_s = 1$ 以确保我们的层内度量是无偏的，然后通过要求在一个随机排列空模型下，一致性的预期回报是层内数据驱动信号的某个特定比例来设置 $\omega$。
• ​​统计鲁棒性：​​ 另一个强大的想法是扫描一系列参数值，并选择当输入数据受到轻微扰动（例如，通过自举重采样）时能产生最​​稳定​​或​​可复现​​社区的那个。我们可以使用像信息变差这样的度量来衡量分区的相似性，并选择最大化这种可复现性的参数。
• ​​异构耦合：​​ 对于像来自fMRI的脑网络这样的动态系统，我们可能不想要一个单一的、全局的 $\omega$。一些大脑区域可能是一个稳定“核心”的一部分，而其他区域则是灵活的“外围”。我们可以设计一个特定于节点、随时间变化的耦合 $\omega_{i,t}$，当节点的连接模式稳定时，它就强；当它变化时，它就弱。这使得模型能够捕捉到更加细微的动态。

多层模块度是探索分层系统复杂组织的一个强大显微镜。然而，像任何工具一样，它也有其局限性。最著名的是​​分辨率限制​​。在非常大的网络中，空模型项可能会变得非常大，以至于算法可能无法解析出小的、独特的社区，而倾向于将它们合并成更大的社区。虽然分辨率参数 $\gamma$ 给了我们一个与之抗衡的旋钮，但这种基本趋势依然存在。增加层间耦合 $\omega$ 使这种行为复杂化，但并不能消除它。此外，在生物学中常见的稀疏和嘈杂数据情况下，必须谨慎解释结果，通过自举等技术进行统计验证对于区分稳健的发现和噪声至关重要。

因此，社区发现的目标不是找到一个网络的唯一、真实、柏拉图式的分区。相反，它是利用这个可调的、多尺度的透镜来提出问题、产生假设，并最终揭示我们周围复杂、相互关联的世界中隐藏的美丽和错综复杂的结构。

现在我们已经铸就了多层模块度这个新的数学透镜，我们应该将它指向何方？它将揭示哪些隐藏的世界？我们花时间理解了这台机器的齿轮和杠杆——分辨率参数、层间耦合——但任何仪器的真正乐趣在于观察。掌握了原理之后，我们准备好开始冒险了。我们将踏上一段跨越科学学科的旅程，从人类大脑的内部宇宙到错综复杂的生命之网，我们会发现这个单一、优雅的思想以令人惊讶和美丽的方式照亮了它们。我们将看到，通过分层审视系统，我们从拍摄一张静态照片，转向执导一部动态的全长电影。

也许没有哪个系统比人脑更具活力和神秘性了。使用功能性磁共振成像（fMRI）的神经科学家可以测量不同大脑区域随时间的活动。通过关联这些活动模式，他们可以建立一个功能连接网络。但单个网络只是一个快照。当你在学习一项新技能、专注于一个难题或仅仅是让思绪漫游时，会发生什么？大脑的功能组织每时每刻都在重构。

这为多层模块度提供了一个完美的舞台。在这里，每一“层”都是大脑功能网络在一个短时间窗口内的快照。通过按时间顺序堆叠这些层，并将同一大脑区域在相邻时间窗口中与自身连接起来，我们可以创建一个时间多层网络。层间耦合参数 $\omega$ 成为我们的时间显微镜。一个小的 $\omega$ 让我们能够看到大脑组织中快速、闪烁的变化，几乎独立地处理每个时间窗口。相反，一个非常大的 $\omega$ 则迫使社区结构在所有时间内几乎相同，揭示大脑功能架构中静态、不变的骨架。

真正的魔力发生在 $\omega$ 的中间值。在这里，我们可以提出一个深刻的问题：大脑的哪些部分在功能角色上是稳定的，哪些是适应性的，在不同的功能家族或“社区”之间改变其归属？我们可以通过测量每个大脑区域的​​灵活性​​——即它转换社区成员身份的时间比例——来量化这一点 [@problem-id:4167388]。

我们的发现是惊人的。一些区域，比如当你只是盯着一个固定点时的初级视觉皮层，可能会表现出非常低的灵活性。它们是专家，在一个稳定的社区内坚定地执行其核心功能。但其他区域，特别是在前额叶和顶叶皮层（如背外侧前额叶皮层，或DLPFC），常常表现出非常高的灵活性。这些“灵活枢纽”是大脑的伟大协调者和整合者。它们动态地切换伙伴关系，连接不同的专门社区以支持复杂的认知功能，如学习、决策和适应新挑战。一个高灵活性的区域就像一位多才多艺的外交官，在一个大型组织的不同部门之间斡旋交易。通过追踪这些动态，我们不再仅仅是绘制大脑的解剖图；我们开始观察思想本身的编舞。

这种分层视角的威力不仅限于追踪系统随时间的变化。在生物学中，我们常常拥有关于同一组实体的不同类型的数据。想象一下你正在研究一组基因。你可能有一个网络描述哪些蛋白质（由这些基因编码）彼此物理相互作用（蛋白质-蛋白质相互作用或PPI网络）。你可能有另一个网络描述哪些基因在同一时间表达（共表达网络）。你还可能有一个第三个有向网络，描述哪些基因调控其他基因的活动（转录调控网络）。

面对如此海量的数据，生物学家该怎么办？一种天真的方法可能是将所有东西都扁平化——将所有连接添加到一个巨大的聚合网络中。但这就像把芭蕾舞的乐谱、编舞者的笔记和灯光设计揉成一团。你失去了每种模态独特的、关键的信息。

多层模块度提供了一个远为优雅的解决方案。我们可以将每种数据类型视为多重网络中的一个独立层。节点——基因或蛋白质——在所有层中都是相同的。层间耦合现在代表的不是时间的流逝，而是一个节点的根本身份。我们将共表达层中的一个基因与PPI层中的它自己连接起来，声明它是同一个演员在不同场景中扮演角色。

通过在这样的网络上优化多层模块度，我们可以发现“整合功能模块”——这些基因群组不仅共表达，而且还倾向于物理相互作用并参与共同的调控基序。这是对细胞功能一种更强大、更细致的视图。在某些情况下，我们甚至可能强制使用非常强的耦合来找到一个在所有数据类型中都稳健存在的单一“共识”社区结构，从而揭示细胞最基本、最不可动摇的功能模块。

这种方法的普适性令人惊叹。我们可以将我们的透镜一直放大到单个分子的尺度。利用分子动力学模拟的数据——这种模拟对蛋白质在飞秒内的原子抖动进行建模——我们可以构建一个时间多层网络，其中节点是氨基酸残基，层是微小的时间切片。涌现出的社区是协同运动的残基群组。通过追踪这些社区如何持续或变化，我们可以识别出对蛋白质功能至关重要的稳定结构域和柔性区域。我们甚至可以使用Jaccard指数等度量来量化整个社区随时间的稳定性，从而得到蛋白质“变构持久性”的图像——即它在“呼吸”和伸缩时如何维持其功能子结构。

然后，只需简单地改变背景，我们就可以放大到整个生态系统的尺度。考虑一个研究了数年的植物-传粉者网络。每一年都是一个时间多层网络中的一层。在这里，网络是二分的——连接是在两组不同的节点，即植物和传粉者之间。多层框架完美地适应了这种情况。它使我们能够追踪相互作用的植物和传粉者模块如何年复一年地演化，也许是为了应对气候变化或其他环境压力。它甚至能够优雅地处理现实世界的复杂性，即物种可能在某一年出现，而在下一年消失。

到目前为止，我们一直使用模块度来寻找结构。但这种结构有实际的后果吗？物理学家的回答是响亮的*“是”*。网络的结构从根本上决定了在其上可能发生的过程。其中一个最直接的例子就是传染病的传播。

想象一种疾病、一个谣言或一条信息在人群中传播。我们可以在一个多层网络上对此过程建模，其中层可能代表不同的社交环境（例如，工作、家庭）或不同的地理位置。由模块度发现的社区结构对传播的动态有着深远的影响。

一个具有强模块度的网络——即在社区内部连接密集，而社区之间连接稀疏的网络——自然会减缓全球性的大流行病。感染可能在一个紧密联系的社区内迅速传播，但它很难跨越“桥梁”去感染其他社区。模块化结构起到了天然的隔离作用，将传染病困住。

相反，一个模块度弱且（至关重要的是）层间耦合强的网络，可能成为传播的超级高速公路。如果有影响力的个体在多个层中都处于中心位置（例如，一个在工作中有许多联系人且家庭庞大的人），层间连接会创建捷径，使传染病能够以毁灭性的效率在社区之间跳跃。决定流行病是否会爆发的数学量——流行病阈值——与网络的光谱特性直接相关，而这些特性又是由其模块化结构所塑造的。寻找社区不仅仅是一种数据制图练习；它是一种理解系统功能能力的方式。

尽管多层模块度功能强大，但这并非故事的终点。科学界总是在产生更复杂的数据，工具也必须随之演化。最激动人心的前沿之一是发育生物学。当一个干细胞分化时，它的路径不是一条穿过时间的直线；它是一棵充满可能性的分叉树，通向肌肉细胞、神经元或皮肤细胞。

研究人员现在正在扩展多层网络框架，以处理这些分支轨迹。网络不再建立在线性层序列上，而是建立在代表细胞谱系的树状结构上。先进的数学概念，如最优传输，正被引入以定义社区身份沿着这些发育分支的一种有原则的“流动”。这使我们能够提出极其复杂的问题，比如一个祖细胞中的单个功能基因模块如何分裂并在其子代谱系中产生两个不同的模块。

从我们自己思想的短暂构型到生命在岁月长河中演化的宏伟画卷，从原子的舞蹈到疾病的路径，多层模块度提供了一种统一而强大的观察方式。单一、连贯的数学框架能够揭示如此深刻而多样的真理，揭开构成我们复杂世界的隐藏的、动态的社区，这本身就是科学之美的一种明证。