Två familjemedlemmar testar positivt för COVID-19 – hur vet vi vem som smittade vem? I en perfekt värld, nätverksvetenskap skulle kunna ge ett troligt svar på sådana frågor. Det kan också berätta för arkeologer hur en skärva av grekisk keramik kom att hittas i Egypten, eller hjälpa evolutionära biologer att förstå hur en sedan länge utdöd förfader metaboliserade proteiner.

Som världen är, forskare har sällan de historiska data de behöver för att se exakt hur noder i ett nätverk blev anslutna. Men en ny tidning publicerad i Fysiska granskningsbrev ger hopp om att rekonstruera den saknade informationen, använder en ny metod för att utvärdera reglerna som genererar nätverksmodeller.

"Nätverksmodeller är som impressionistiska bilder av data, " säger fysikern George Cantwell, en av studiens författare och en postdoktor vid Santa Fe Institute. "Och det har varit ett antal debatter om huruvida de verkliga nätverken ser tillräckligt ut som dessa modeller för att modellerna ska vara bra eller användbara."

Normalt när forskare försöker modellera ett växande nätverk - säg, en grupp individer infekterade med ett virus – de bygger upp modellnätverket från grunden, följa en uppsättning matematiska instruktioner för att lägga till några noder åt gången. Varje nod kan representera en infekterad individ, och varje kant en koppling mellan dessa individer. När klustren av noder i modellen liknar data från verkliga fall, modellen anses vara representativ – ett problematiskt antagande när samma mönster kan bli resultatet av olika uppsättningar instruktioner.

Cantwell och medförfattare Guillaume St-Onge (University Laval, Quebec) och Jean-Gabriel Young (University of Vermont) ville ta ett skott av statistisk noggrannhet i modelleringsprocessen. Istället för att jämföra funktioner från en ögonblicksbild av nätverksmodellen med funktionerna från verklig data, de utvecklade metoder för att beräkna sannolikheten för varje möjlig historia för ett växande nätverk. Med tanke på konkurrerande uppsättningar av regler, som kan representera verkliga processer som kontakt, liten droppe, eller luftburen transmission, författarna kan använda sitt nya verktyg för att bestämma sannolikheten för att specifika regler resulterar i det observerade mönstret.

"Istället för att bara fråga "ser den här bilden mer ut som den äkta varan?", säger Cantwell, "Vi kan nu ställa materiella frågor som, "växte den enligt dessa regler?" När den mest troliga nätverksmodellen har hittats, den kan spolas tillbaka för att svara på frågor som vem som smittades först.

I deras nuvarande tidning, författarna demonstrerar sin algoritm på tre enkla nätverk som motsvarar tidigare dokumenterade datamängder med känd historia. De arbetar nu med att tillämpa verktyget på mer komplicerade nätverk, som kan hitta applikationer i hur många komplexa system som helst.