生物医学网络科学Biomedical Network Science
网络可控性与稳定性11 / 17

驱动节点的枚举、分类与自适应控制

阅读
约 10 分钟

本页介绍网络控制方向的一系列相关研究。核心问题是：一个网络的控制方案往往不唯一，节点在“所有可能的控制方案”中扮演什么角色？ 回答这个问题需要在不穷举所有方案的前提下刻画节点类型，进而把网络控制理论用于寻找生物网络中的关键分子。

输入图与驱动节点的枚举

基于最大匹配，Zhang、Lv 与 Pu（2016）提出了输入图（input graph）框架（论文 Input graph: the hidden geometry in controlling complex networks，见精读 Zhang 2016）：

  • 控制邻接：若 aa 是驱动节点，bb 通过一条匹配边 c→bc\to b 与一条非匹配边 c→ac\to a 和 aa 共享上游节点 cc，则称 bb 与 aa 控制邻接；
  • 交换定理：若驱动节点 nn 有入边，则必存在与 nn 控制邻接的匹配节点 mm，把 nn 换成 mm 得到的集合仍是一个 MDS；
  • 枚举定理：网络的任何 MDS 都可由一个 MDS 经有限次交换得到；
  • 沿交替路径（匹配边与非匹配边交替出现）从驱动节点出发可达的节点集称为控制可达集，同一可达集中的节点控制类型相同；
  • 用控制邻接边替换原边得到输入图，其连通分支分为输入分支（含驱动节点，所有节点都是可能的驱动节点）和匹配分支（不含驱动节点，所有节点都是冗余节点），这解释了控制类型的分化（双峰）现象。

据此可以高效地枚举所有 MDS，并在最大匹配算法最后一步的交替路径搜索中输出全部“可能的驱动节点”（见精读 Zhang 2017），复杂度为 O(NL)O(\sqrt N L)，与 Hopcroft–Karp 算法相同；与之对比的已有方法（Jia 等 2013）为 O(NL)O(NL)。

基于控制路径的节点分类与控制核心点

一个控制方案可以看作一组互不相交的控制路径，输入信号从路径起点流经各节点。在某一方案下，节点分为头节点（路径起点，即驱动节点）、尾节点（路径终点）和中间节点。节点角色随方案变化，而枚举全部方案是 NP 难问题。相关研究利用交换定理（所有可能的头节点即所有可能的驱动节点），并证明“所有可能的尾节点”等于翻转网络中“所有可能的头节点”，从而无需枚举就能把节点分为 7 类：

类别 名称 在所有控制方案中的角色
A 控制起点 始终是头节点（始终是驱动节点）
B 控制终点 始终是尾节点
C 控制核心点 始终是中间节点
D 控制两极点 有时为头节点，有时为尾节点
E 控制切换点 头、尾、中间三种角色都可能
F 控制前部点 有时为头节点，有时为中间节点
G 控制后部点 有时为尾节点，有时为中间节点

控制核心点的思路与传统“驱动节点”方法不同：它不是从“如何控制系统”出发，而是寻找在任何控制方案下都必须传递控制信号、维持网络状态的节点。该工作指出，驱动节点方法通常给出过多的候选（常超过节点总数的一半），而控制核心点数量少得多，更适合作为候选靶点。

应用 1：COVID-19 药物重定位。Wei 等（2023）整合人类蛋白相互作用网络（HuRI-union，9092 个蛋白、64 006 条相互作用；Luck 等 2020，Nature）、SARS-CoV-2–宿主蛋白相互作用（22 个病毒蛋白、169 个宿主蛋白；Gordon 等 2020，Nature）以及 DrugBank 药物–靶点数据（2981 种药物、2914 个蛋白、17 780 条连边），构建三层网络。分析流程为：网络构建 → 控制核心点分析 → 可利用药物发现 → 富集分析。共发现 1256 个控制核心点（13.8%）；与现有药物靶点匹配的控制核心点称为可药物化控制核心点，其与病毒蛋白的网络距离 kk 越近，作为靶点的潜力越大，富集实验表明 k=2k=2 最佳，此时得到 65 个可药物化控制核心点。与多种已有关键节点识别方法相比，控制核心点具有更好的富集性。其中 RIPK1（调节细胞坏死、凋亡和炎症）、CYB5R3 和 COMT 与 SARS-CoV-2 非结构蛋白直接相互作用；该分析列出的潜在药物包括 RIPK1 的靶向药 Fostamatinib（已有小鼠模型与临床试验）、CYB5R3 相关的 NADH、COMT 相关的雌激素，以及三种钙补充剂（低钙水平是 COVID-19 预后不良因素之一）。这些是计算预测，需要实验与临床验证。

应用 2：癌症维持基因（见精读 Zhang 2023）。癌症驱动基因（cancer driver genes, CDG）的发现主要依靠突变频率，随着研究规模扩大已趋于饱和。Zhang 等（2023）提出转而寻找癌症维持基因（cancer keeper genes, CKG）：不是驱动细胞癌变的突变基因，而是维持癌细胞状态的基因，对其干预可能阻止异常分化与增殖。以 45 个已知膀胱癌 CDG 和 50 个膀胱癌中突变最多的基因为种子，从 5 个主流数据库中遍历相互作用，得到 7030 个节点、103 360 条边的基因调控网络；其最大连通分支包含 99.2% 的节点和 99.9% 的边，因此该网络几乎与种子选择无关，可视为泛癌网络。在这个网络中，一个控制方案包含 3115 个驱动基因（44.3%），所有方案合计 5052 个（71.9%），而控制核心点只有 660 个（9.4%）。控制核心点富含已知关键基因，在细胞周期（100%）、P53（100%）、TGFβ（80%）和 RTK/RAS（58.3%）四条关键癌症信号通路中富集。其中 173 个（占全部基因 2.5%）为敏感控制核心点（删除某条边就会改变其类型），它们是控制核心点中度较低的子集，大多只有 1–3 条敏感边；自身表达量和变异性并不突出，但其邻居基因的表达量和变异性显著更高，因此传统方法不易发现它们；携带一个或多个敏感控制核心点突变的患者生存时间显著更长，提示其作为治疗靶点的潜力。

动态网络的自适应控制

真实网络的拓扑会随时间变化。已有方法通常假设所有未来的拓扑变化事先已知，试图找一个能控制整个演化过程的、较大的单一 MDS，这在实践中往往不成立。Pan 等（2026）把动态网络建模为一系列快照（时序子图），在只知道过去子图的前提下为每个时刻求 MDS，同时尽量减少驱动节点的更替——更替会带来额外代价，累积的更替代价记为 ECC（见精读 Pan 2026）。

方法基于两条原则：稳定性原则——在先前子图中频繁出现、连边变化少、度较大的稳定节点应优先选为驱动节点；一致性原则——参照上一时刻的 MDS，使前后 MDS 尽量一致（该工作认为一致性原则比稳定性原则更重要）。据此定义节点权重，提出自适应控制算法（AC）：从上一时刻的最大匹配中移除变化的边，按权重修复当前匹配，使高权重节点优先成为驱动节点。

结果（与对每个快照独立求解的改进最大匹配算法 MM 对比）：在 1860 个合成动态网络（ER 与 SF 模型，10 000 个节点，平均度 2–8，变化率 0.01–0.3，每个 100 个快照）上 AC 始终优于 MM；在相对稳定的网络（重连比例 r<0.1r<0.1）上，AC 的效率约为 MM 的两倍，ECC 几乎减半；在 SF 网络上优势更明显。在 20 个真实动态网络（邮件、人际接触、社交网络）上 AC 均优于 MM，平均 ECC 比值为 0.81；变化较慢的网络（如 email-Eu-core-temporal、contacts-prox-high-school-2013）比值约 0.50，而在高度动态的网络上两者相近。性能边界分析表明：节点和连边的时间相似度越高，算法越好；在极端拓扑变化下权重指标失效，性能与 MM 基本持平，即算法存在性能下限。

无向网络的模块控制与症状网络

在无向网络中，控制通常基于支配集框架：最小支配集（MDSet）中的节点作为驱动节点，控制信号施加在连边上（与最大匹配框架的区别见结构可控性与最大匹配）。真实网络多具有模块结构，Pan 等（2024）从模块尺度研究控制关系（见精读 Pan 2024）：

  • 模块控制强度：由于模块大小和驱动节点分布不同，模块之间的控制力有差异；对多个 MDSet 取平均得到模块平均控制强度（AMCS）；
  • 模块控制网络（MCN）：以模块为节点、AMCS 为边权的有向网络；
  • 每个模块有一个控制力三元组：对外控制力 ECCM、被控制力 RCCM、对内控制力 ICCM。

在 4000 个合成网络（同一个 100 节点、100 条边的模板网络，经随机 Louvain 算法得到 4000 种 5 模块划分，贪心法重复 1000 次求 MDSet，平均大小 39.03）上发现：在 MCN 尺度上平均 ECCM 与 RCCM 相等；模块越大，ECCM 和 ICCM 越高、RCCM 越低；模块度越高，ECCM 和 RCCM 越低、ICCM 越高；ICCM 通常远大于 ECCM 和 RCCM。用节点权重极化指数（NPI）和边权重极化指数（EPI）可把 MCN 分为四类；在交通、学术、生物、电子、P2P、社交六类共 33 个真实网络中，多数网络集中在“点、边都极化”和“点、边都不极化”两类，说明 MCN 的点权与边权往往相辅相成。

应用 3：大学新生的症状网络。数据来自某大学 2773 名大一新生（男 1311 名，占 47.3%；女 1462 名，占 52.7%；经伦理委员会批准），量表包括 PHQ-9（抑郁，9 条目）、GAD-7（焦虑，7 条目）、ISI（失眠，7 条目）和 PSS-14（压力，14 条目）。用 Graphical LASSO 估计得到 37 个节点、254 条边的症状网络，Louvain 算法划分出 6 个症状模块，可归为两类：不直接描述情绪感受的非情绪模块（如 SRM、NSM、PSM）和直接描述情绪感受的情绪模块（DRM、ARM）。结果显示：非情绪模块的出度强度更高，控制其他模块的能力更强；情绪模块的入度强度更高，更易受其他模块控制；从非情绪模块到情绪模块的平均 AMCS 最高，反方向最低。非情绪模块中控制力最高的三个症状 ISI4、PSS2、PSS7 可视为网络的主要控制症状。自举检验（随机抽取 80% 样本、重复 1000 次）表明边权、边数、MDSet 数量和模块数量都较稳定。症状网络的估计与稳定性分析见症状网络与网络精神病学，模块控制在症状网络中的解读见症状网络的模块控制。

与本专题其他方法的关系

这一系列研究都建立在最大匹配框架（或无向网络的支配集框架）之上，与前文各页的关系可以这样理解：

本专题中的方法 回答的问题 与相关研究的关系
最小输入定理（Liu 2011） 至少几个驱动节点？ 输入图与交换定理进一步回答“哪些节点可能是驱动节点、有多少种方案”
节点角色分类（关键/间歇/冗余） 节点在多少个 MDS 中出现？ 输入图以 O(NL)O(\sqrt N L) 给出全部可能的驱动节点；控制路径分类把角色从“头节点”扩展到尾节点与中间节点
控制中心性 单个节点能控制多大子空间？ 控制核心点关心的是“任何方案下都必须传递信号”的节点，而非“能控制多少”
目标控制 只控制一部分节点 可药物化控制核心点按与病毒蛋白的网络距离筛选，是在全控制方案中引入“目标”信息的另一种做法
可观测性（对偶） 测量哪些节点？ 最大匹配框架的结论经反向网络可直接用于观测节点的分类；“所有可能的尾节点 = 反向网络所有可能的头节点”正是同一对偶思想
动态网络 拓扑随时间变化 自适应控制在只知道过去快照时求 MDS 并减少驱动节点更替

这些研究与本专题其他方法一样受线性、结构可控性假设的约束（见驱动节点与网络结构中的警示）；控制核心点作为靶点候选，同样需要用保度随机网络、独立数据和实验加以检验（见研究前沿与开放问题）。

继续阅读