Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Maximino Aldana
(Dated: Diciembre 2011)
REDES COMPLEJAS
Estructura Dinamica
Distribucion de conexiones Sincronizacion
Coeficiente de agrupamiento Transiciones de fase
.
...
...
.
Figura 3. (a) Los nodos v1 , v2 y v3 están conectados al nodo v4 . Sin A. Distribución de vecinos
embargo, los nodos v1 y v2 no están conentados entre sı́, mientras
que los nodos v2 y v3 sı́ lo están. Esto significa que no todos los Tal vez la propiedad más importante que caracteriza
“amigos” de v4 son amigos entre sı́, lo cual disminuye el coeficiente
la estructura de una red compleja es la distribución de
de agregación. (b) Aún cuando existen varios caminos para llegar
del nodo vi al nodo vj , el camino de longitud mı́nima consiste de vecinos P (k), que nos dá la probabilidad de que un nodo
tres pasos, indicados con lı́neas gruesas en la figura. escogido al azar tenga k conexiones (o vecinos). En los
trabajos recientes que se han llevado a cabo para carac-
terizar a las redes complejas se ha encontrado que existen
llegar de vi a vj , el camino mı́nimo consiste de tres tres tipos de distribuciones P (k) importantes, las que de-
pasos (indicado con lı́neas gruesas). terminan tres estructuras o topologı́as[15] diferentes:
5. La distribución de tama nos de islas P (s): Es Topologı́a ExponencialP (k) = Ce−αk , (2)
la probabilidad de que una isla esté compuesta por
s nodos. Topologı́a Libre de Escala P (k) = Ck −γ . (3)
6. El tama no de la isla más grande, al que de- Las redes con topologı́a de Poisson son importantes
notaremos por S∞ . principalmente por razones históricas, ya que dichas re-
des fueron las primeras que se analizaron matemática-
En una red, los nodos además de estar conectados mente. Este análisis lo llevaron a cabo los matemáticos
también interactuan, y las interacciones pueden dar lu- húngaros Paul Erdös (1913-1996) y Alfréd Rényi (1921-
gar a fenómenos dinámicos muy interesantes. Por lo tan- 1970) en la década de los 50s. Ellos también reportaron
to, además de estudiar las propiedades estructurales de la primera transición de fase topológica observada en re-
una red también es importante estudiar sus propieda- des con topologı́a de Poisson. Por lo tanto, a estas redes
des dinámicas una vez que sabemos de qué manera in- también se les conoce como redes tipo Erdös-Rényi. Sin
teractuan los nodos. Por ejemplo, las enfermedades en embargo, a pesar de su importancia histórica, las redes
una sociedad no son estáticas, sino que se propagan por con topologı́a de Poisson están lejos de ser una represen-
toda la población dando lugar a epidemias. Las neuro- tación realista de las redes reales observadas en la natu-
nas en el cerebro están conectadas fı́sicamente unas con raleza. No fue sino hasta 1998 que se comenzó el estudio
otras por medio de las uniones entre dendritas y axones. sistemático de las propiedades topológicas de las redes
A través de dichas uniones las neuronas se transmiten complejas reales. En este estudio participaron principal-
se nales eléctricas que se propagan por todo el cerebro mente y de forma independiente Albert Lásló-Barabási,
y que dan lugar a una serie de fenómenos dinámicos in- Ricard Solé y Mark J. Newman. Ellos encontraron que la
teresantı́simos, entre los cuales destacan el reconocimien- topologı́a exponencial aparece algunas veces en las redes
to de imágenes y sonido, la motricidad de los músculos, reales. Pero el resultado más sorprendente de sus estudios
el lenguage, el pensamiento y finalmente la consciencia. fue la ubicuidad de las redes con topologı́a libre de escala,
Otros ejemplos son la propagación de virus informáticos la cual aparece prácticamente en todos lados, desde las
en la red internet, o la comunicación entre los peces que peque nas redes metabólicas dentro de la célula, hasta
da lugar a grupos enormes de peces moviendose todos las grandes redes informáticas como la red Internet. En
en la misma dirección. En fin, existen tantos fenómenos el Cuadro II se listan algunas de las redes con topologı́as
dinámicos en redes complejas como interacciones fı́sicas, libres de escala que se han encontrado en los últimos 10
quı́micas, informáticas, o sociales se puedan imaginar, y años.
5
Cuadro II. Algunas de las redes libres de escala que se han encontrado en la naturaleza. Sólo se muestra el exponente de entrada
para las redes dirigidas. Los cuadros con lı́neas “—–ı̈ndican que yo no tenı́a el dato correspondiente al momento de escribir
estas notas.
Seguramente se estarán preguntando qué es lo sorpren- buciones de Poisson o distribuciones exponenciales, pero
dente respecto a la topologı́a libre de escala. Bueno, por existen muy pocos procesos conocidos que generan distri-
un lado sorprende que esta topologı́a se encuentre en re- buciones libres de escala como la dada en la Eq. (3)[16].
des tan diferentes y de tan gran variedad como las lista- De hecho, el trabajo de Erdös y Rényi demostró que las
das en el Cuadro II. El hecho de que la topologı́a libre de redes que se construyen a nadiendo nuevos nodos y co-
escala aparezca por todos lados sugiere que podrı́a exis- nexiones al azar presentan topologı́as de Poisson o ex-
tir un mecanismo simple que genera este tipo de redes ponenciales. Y ésta es precisamente la paradoja, que la
a diferentes niveles de organización, desde las peque nas red internet, la red de colaboraciones cientı́ficas y la red
redes intracelulares hasta las grandes redes sociales o in- de contactos sexuales, por ejemplo, son redes que se for-
formáticas. ¿Podrı́a ser esto posible? ¿Será cierto que la maron aleatoriamente a nadiendo nuevos nodos y nuevas
formación de redes tan diferentes como la red de interac- conexiones a lo largo del tiempo. Entonces, ¿cómo es po-
ciones protéicas de S. cerevisiae (levadura), la red Inter- sible que estas redes que se formaron al azar no presenten
net y la red de colaboraciones cientı́ficas en las revistas topologı́as de Poisson o topologı́as exponenciales como lo
de neurociencias, esté governada por la misma ley funda- habı́an predicho Erdös y Rényi?
mental? No lo sabemos aún. Las redes con topologı́a de Poisson son muy diferen-
Por otro lado, la topologı́a libre de escala es sorpren- tes estructuralmente a las redes con topologı́a libre de
dente porque no se esperaba que existiera. En la naturale- escala. La Fig. 4 muestra una red de Poisson (arriba) y
za existen muchos procesos aleatorios que generan distri- una red libre de escala (abajo). Como puede observarse,
6
1
Todavı́a no sabemos cuáles son los procesos que con- Np = N (N − 1)
ducen a la formación de redes libres de escala. Sin em- 2
bargo, en los últimos 8 a nos se han llevado a cabo avan- Como enlazamos M parejas de botones, la probabili-
ces sustanciales en la comprensión de estas redes. En las dad pe de que una pareja arbitraria seleccionada al azar
secciones que siguen veremos algunos de los formalismos esté enlazada es
matemáticos de crecimiento de redes que se han desarro-
llado para generar las tres topologı́as mencionadas con M 2M
pe = = (4)
anterioridad (Poisson, exponencial y libre de escala). Np N (N − 1)
7
.
v0 v1 v0 v1 .
en el cual P (k, t + 1) = P (k, t) = P (k)[20]. Como el nodo vn “nació” al tiempo t = n con una sóla
Existen varios métodos para calcular la distribución de conexión, la condición inicial para resolver la ecuación
conectividades P (k, t). En estas notas veremos el méto- anterior es
do de la ecuación maestra, pero existen por lo menos
otros dos métodos distintos: el método continuo, inven- P (n, k, t)|t=n = δk,1 . (9)
tado por Barabási, y el método cinético, introducido por
Krapivsky, Redner, y Leyvraz [2]. Los tres métodos dan Sumando sobre n en la Eq. (8) desde n = 0 hasta n = t
resultados equivalentes. y tomando en consideración la Eq. (7), obtenemos
Para aquellos que no conocen el formalismo de la ecua-
ción maestra, en el apéndice B doy una breve introduc- ∑
t {
ción al planteamiento de dicha ecuación, la cual es muy P (n, k, t + 1) = N (t) P (k − 1, t)Π(k − 1, t)
fácil de escribir pero, la mayorı́a de las veces, muy difı́cil n=0
}
de resolver.
+P (k, t) [1 − Π(k, t)] (10)
Denotemos por P (n, k, t) la probabilidad de que el no-
do vn tenga k conexiones al tiempo t. Notemos que esta
probabilidad está asociada al nodo especı́fico vn . Sin em- Ahora bien, como en cada paso de tiempo a nadimos un
bargo, podemos obtener la probabilidad P (k, t) de que un nuevo nodo (comenzando con el nodo v0 al tiempo t = 0),
nodo arbitrario tenga k conexiones al tiempo t a trevés entonces N (t) = t + 1. Por lo tanto, la ecuación anterior
de la siguiente ecuación: puede escribirse como
∑
t {
1 ∑
t
P (k, t) = P (n, k, t), (7) P (n, k, t + 1) = (t + 1) P (k − 1, t)Π(k − 1, t)
N (t) n=0 n=0
}
+P (k, t) [1 − Π(k, t)] (11)
donde N (t) es el número total de nodos de la red al tiem-
po t.
La ecuación que determina la evolución temporal de En el lado izquierdo de la ecuación anterior podemos
P (n, k, t) se obtiene notando que en cada paso de tiempo completar la suma hasta t + 1 de la siguiente manera:
hay dos contribuciones a dicha probabilidad:
∑
t ∑
t+1
X. LA ISLA GIGANTE
1 ∞
∑
donde ζ(γ) = k −γ es la función zeta de Riemman la
k=1
0.8 cual, en este caso simplemente juega el papel de la cons-
tante de normalización. Para esta distribución la ecuación
0.6
de consistencia Eq. (22) se convierte en
p
∞
1 ∑ qk
0.4
q=
ζ(γ) kγ
k=1
0.2
1
= Liγ (q)
ζ(γ)
0
0 0.5 1 1.5 2 2.5 3
z
∑∞
donde Liγ (q) = k=1 k −γ q k es la función poli-logarı́tmi-
Figura 8. Probabilidad p de pertenecer a la isla gigante como fun- ca de orden γ. En términos de la probabilidad p = 1 − q,
ción de la conectividad promedio z de la red, pare el caso de la la ecuación anterior queda como
topologı́a de Poisson.
1
p=1− Liγ (1 − p)
lado derecho es la probabilidad P (k) de que vn tenga k ζ(γ)
vecinos, multiplicada por la probabilidad q k de que nin-
guno de estos k vecinos pertenezca a la isla gigante. La
suma sobre k toma en cuenta todos los posibles vecinos Como Liγ (0) = 0, es claro p = 1 siempre es olución de la
que vn pudiera llegar a tener. ecuación anterior. Por lo tanto, en una red libre de esca-
En el caso en que P (k) es una distribución de Poisson, la la componente gigante siempre existe y la probabilidad
la Eq. (22) se transforma en de pertenecer a ella es p = 1. Este interesante resulta-
do es una consecuencia de la existencia de los elementos
∞
∑ (zq)k altamente conectados en redes libres de escala. Dichos
q= e−z = ez(q−1) elementos mantienen a toda la red conectada, impidien-
k!
k=0 do que se fracture en peque nas islas.
Denotando como p = 1−q la probabilidad de que un nodo El resultado anterior puede tener implicaciones impor-
arbitrario si pertenezca a la isla gigante, obtenemos tantes en la propagación de epidemias en una sociedad,
en la que podemos considerar que la isla gigante es el
p = 1 − e−zp (23) conjunto de personas que se han contagiado de alguna
enfermedad. Los resultados presentados en esta sección
La ecuación anterior es trascendental y no puede resol-
muestran que en redes con topologı́a de Poisson siempre
verse de forma analı́tica. Sin embargo, es fácil resolverla
podemos vacunar a un número suficiente de personas pa-
de forma numérica y encontrar p para cada valor de z. La
ra garantizar que la conectividad promedio z de la red
Fig. 8 muestra p como función de z. Notemos que para
de individuos infectados se mantenga inferior a 1. En tal
z < 1 la probabilidad de pertenecer a la isla gigante es
caso podemos detener la epidemia, ya que no habrá isla
cero. En otras palabras, no hay isla gigante para z < 1.
gigante, sólo peque nas islitas de personas infectadas.
Conforme aumentamos el valor de z (lo cual es equiva-
lente a a nadir más conexiones a la red), la isla gigante Sin embargo, las redes sociales no tienen topologı́a de
comienza a formarse y justo en z = 1 aparece. Este es un Poisson, sino que exhiben topologı́as libres de escala. Pa-
resultado interesante: se necesita, en promedio, sólo una ra tales topologı́as siempre existe una isla gigante, y la
conexión por nodo para que aparezca la isla gigante. Si probabilidad de pertenecer a ella es p = 1. Por lo tanto,
seguimos aumentando el valor de z, el tama no de la isla en redes libres de escala las enfermedades tarde o tem-
gigante aumenta más y más, como se puede observar en prano se propagan a todas las personas que no hayan
la Fig. 8, la cual muestra el comportamiento caracterı́sti- sido vacunadas. Es decir, la única forma de detener la
co de una transición de fase de segundo orden que ocurre propagación de una epidemia en redes libres de escala
en z = 1. es vacunando a todas las personas de la sociedad. Los
Consideremos ahora el caso de las redes con topologı́a efectos aterradores del resultado anterior pueden obser-
libre de escala, para las que la distribución P (k) toma la varse claramente en áfrica, donde comunidades enteras
forma han desaparecido a causa del SIDA.
1 −γ Más información sobre la propagación de epidemias en
P (k) = k
ζ(γ) redes sociales puede encontrarse en las referencias [9, 10].
13
Figura 9. (a) El paisaje epigenético imaginado por Waddington. La célula madre embrionaria corresponde a una canica que está a punto
de rodar cuesta abajo por un terreno no uniforme con diversos valles. Dependiendo de la condición inicial (temperatura, presión, acidez,
etc.), la canica terminará en alguno de los mı́nimos estables del terreno. (b) Estos mı́nimos corresponden a diferentes tipos o destinos
celulares, y los valles para llegar a ellos corresponden a las rutas de diferenciación.
Figura 14. Las tres fases se caracterizan por la propagación de las perturbaciones a través del sistema. En la fase ordenada, una pequeña
perturbación inicial (cuadritos rojos en el primer renglón) rápidamente desaparece en el tiempo. En la fase crı́tica la perturbación inicial
no desaparece, pero tampoco crece, se mantiene confinada. En la fase caótica la perturbación se propaga a todo el sistema.
brio puntuado” en la evolución, proceso propuesto por N. En este apéndice mostramos cómo obtener la Eq. (6) a
Eldredge y S.J. Gould que establece que muy frecuente- partir de la Eq. (5), tomando el lı́mite N → ∞ y M → ∞.
mente los cambios evolutivos no se dan de forma gradual, Para esto utilizaremos dos resultados bien conocidos: la
poco a poco, sino que ocurren en eventos rápidos que ge- fórmula de Stirling y la definición de ea :
neran ramificación en las especies.
Ası́, la duplicación y divergencia genética es un meca- n! ≈ e−n nn para n grande,
nismo que constantemente está reestructurando el paisaje
epigenético, expandiéndolo y explorando nuevas solucio- ( a )n
nes ante retos ambientales cambiantes. La criticalidad ea = lı́m 1+
n→∞ n
dinámica hace posible que esta exploración y reestructu-
Utilizando
(N −1) la fórmula de Stirling, el coeficiente binomial
ración del paisaje epigenético se lleve a cabo de forma
k que aparece en la ecuación (5) puede escribirse,
robusta, sin que el organismo pierda las caracterı́sticas
para N grande, como
ya adquiridas, generándose ası́ la gran variedad de fun- ( )
cionamientos estables que observamos en la naturaleza N −1 (N − 1)!
=
que nos rodea. k k!(N − 1 − k)!
e−(N −1) (N − 1)N −1
≈
k! e−(N −1−k) (N − 1 − k)N −1−k
XII. EPÍLOGO ( )N −1
e−k (N − 1 − k)k N −1
=
La teorı́a de redes complejas es un campo de gran ac- k! N −1−k
tividad cientı́fica en la actualidad. Basta con hacer una Por lo tanto, la distribución binomial (5) queda, para N
búsqueda en Google con la frase “Complex Networks” grande, como
para darnos cuenta de la gran cantidad de investigado-
res que se encuentran trabajando en este campo. En es- e−k (N − 1 − k)k
P (k) =
tas notas introductorias hemos visto sólo algunas de las k!
propiedades importantes de las redes complejas, pero la ( )N −1
N −1 N −1
teorı́a no se termina aquı́. Actualmente uno de los prin- × (pe )k (1 − pe ) (A1)
N −1−k
cipales desafios es caracterizar las propiedades dinámicas
de las redes complejas dado que conocemos su topologı́a. Para continuar, notemos que la cantidad z = 2M/N es la
Por ejemplo, la estructura de la red de regulación genéti- conectividad promedio de cada nodo en la red. En térmi-
ca de Escherichia coli es conocida. Sin embargo, aún no nos de esta cantidad, la probabilidad pe puede escribirse
25
como pe = z/(N − 1), con lo cual la ecuación (A1) queda Sea P (n, t) la probabilidad de que el sistema se encuen-
como tre en el estado En al tiempo t. Esta probabilidad puede
cambiar en el tiempo por dos factores:
( )N −1
e−k (N − 1 − k)k N −1 1. El sistema estaba en el estado En al tiempo t y
P (k) =
k! N −1−k brincó a otro estado Em , lo cual claramente dis-
( )k ( )N −1 minuye la probabilidad P (n, t + 1) de encontrar al
z z
× 1− sistema en el estado En al tiempo t + 1.
N −1 N −1
2. El sistema estaba en algún estado Em al tiempo t y
lo cual, después de arreglar algunos términos, puede es- brincó al estado En , lo cual aumenta la probabili-
cribirse como dad P (n, t + 1) de encontrar al sistema en el estado
En al siguiente instante de tiempo.
( )k ( )N −1
e−k k k 1 − z/(N − 1) Tomando en cuenta estos dos factores, la probabilidad
P (k) = z 1−
k! N −1 1 − k/(N − 1) de que el sistema se encuentre en el estado En al tiempo
t + 1 está dada por
tomando el lı́mite N → ∞ y M → ∞ de tal forma que la
∑
N ∑
N
conectividad promedio z = 2M/N permanezca constan- P (n, t+1) = P (m, t)Wm→n (t)− P (n, t)Wn→m (t)
te, y utilizando el hecho de que ea = lı́mn→∞ (1 + a/n)n , m=1 m=1
obtenemos finalmente (B1)
El primer término del lado derecho nos dice que al tiempo
zk t el sistema pudo estar en el estado Em y brincar al estado
P (k) = e−z En , aumentando ası́ la probabilidad de estar en En al
k!
tiempo t+1. El segundo término toma en cuenta el hecho
Por lo tanto, para una red muy grande, el proceso de de que al tiempo t el sistema pudo estar en el estado En
“hilvanar” parejas de botones escogidas al azar genera y salirse de allı́, brincando al estado Em y disminuyendo
una distribución de conexiones de Poisson. la probabilidad de estar en En al tiempo t + 1. Las sumas
sobre m toman en cuenta todos los posibles estados hacia
o desde los que puede brincar el sistema.
La ecuación (B1) es la ecuación maestra del sistema.
El objetivo es resolverla para encontrar P (n, t). Si las
Apéndice B: Ecuación Maestra
probabilidades de transición Wm→n son independientes
del tiempo, la ecuación se puede resolver más o menos
Supongamos que tenemos un sistema que puede es- fácilmente. Pero la cosa se complica enormemente si las
tar en cualquiera de los estados E1 , E2 , . . . , EN . Sea probabilidades de transición dependen del tiempo. Afor-
Wm→n (t) la probabilidad condicional de que el sistema, tunadamente, las ecuaciones maestras que aparecen en
dado que estaba en el estado Em al tiempo t, “brinque” la teorı́a de crecimiento de redes, al menos en los casos
al estado En . Las probabilidades Wm→n (t) se denominan sencillos presentados en estas notas, son relativamente
probabilidades de transición. fáciles de resolver.
[1] En la red del universo de Malvel, dos super héroes están S. Redner, y F. Leyvraz. Phys. Rev. Lett. 85:4629-4632 (2000).
conectados si han aparecido por lo menos una vez en el [7] Power-Law Distribution of the Word Wide Web. L. A. Adamic
mismo comic. De este estudio, que puede encontrarse en y B. Hubeerman. Science 287(24):2115a (2000).
http://dmi.uib.es/∼joe/marvel.html, resulta que es el hombre [8] Bose-Einstein condensation in complex networks. G. Bianconi
ara na el super héroe con el máximo número de conexiones. y A.-L. Barabsi. Phys. Rev. Lett. 86:5632-5635 (2001).
[2] Statistical Mechanics of Complex Networks. Réka Albert y [9] Epidemic Spreading in Scale-Free Networks. Romualdo
Albert-László Barabási. Reviews of Modern Physics 74(1):47- Pastor-Satorras y Alessandro Vespignani. Phys. Rev. Lett.
97 (2002). 86:3201-3203 (2001).
[3] The Structure and Function of Complex Networks. Mark E.J. [10] Spread of Epidemic Disease on Networks. Mark E. J. Newman.
Newman. SIAM Review 45(2):167-256 (2003). Phys. Rev. E. 66:16128 (2002).
[4] Evolution of Networks. S.N. Dorogovtsev and J.F.F. Mendes. [11] Boolean dynamics of networks with scale-free topology. Alda-
Advances in Physics 51(4):1079-1187 (2002). na M. Physica D 185 (2003) 4566
[5] Evolution of Networks: From Biological Nets to the In- [12] Robustness and evolvability in genetic regulatory networks.
ternet and WWW. S.N. Dorogovtsev and J.F.F. Mendes. Aldana, M, Balleza E, Kauffman S y Resendiz O. Journal of
Oxford University Press, Oxford. ISBN: 0198515901. Theoretical Biology 245: 433-448 (2007).
(2003). Este libro puede encontrarse GRATIS en [13] Critical dynamics in genetic regulatory networks: Examples
http://www.fyslab.hut.fi/∼sdo/ from four kingdoms. Balleza E, Alvarez-Buylla ER, Chaos
[6] Connectivity of Growing Random Networks. P. L. Krapivsky, A, Kauffman S, Shmulevich I y Aldana M. PLoS ONE 3(6):
26