生物医学网络科学Biomedical Network Science
Dynamics & ControlNetwork controllability and stability

网络可控性与稳定性

研究需要从哪些节点施加输入才能控制或观测网络状态、代价多大，以及网络在扰动下能否维持功能。

知识页面
17 页
阅读
约 62 分钟
讲解视频
1 段
代码示例
12 个
可控性Kalman 秩判据PBH 判据可控性 Gramian结构可控性精确可控性最大匹配驱动节点控制中心性控制能量目标控制可观测性观测节点反馈顶点集

传播与同步描述的是网络上“会自己发生”的动力学（见网络上的传播与免疫、同步与协同动力学）。网络控制换一个角度提问：如果我们想让网络进入某个目标状态，最少要从哪些节点施加外部输入？ 这就是网络的可控性（controllability）问题。对生物医学而言，它对应一个非常实际的问题——在一个基因调控网络或蛋白相互作用网络中，干预哪些分子（药物靶点）才能把细胞从疾病状态引导到健康状态？

与可控性对偶的是可观测性（observability）：只测量少数分子、脑区或症状，能否推断整个系统的内部状态？它决定了生物标志物的选择，也是任何反馈控制的前提。在“能不能控、能不能看”之外，还有三个同样重要的问题：代价多大（控制能量）、只想控制一部分节点时怎么办（目标控制）、系统是非线性、多稳态时怎么办（反馈顶点集控制与布尔网络控制）。Liu 与 Barabási（2016）的综述 Control principles of complex systems 按这条线索组织了该领域，本专题的结构与之大体对应。

本专题还讨论扰动下网络能否维持功能，并区分动力学稳定性（状态受扰后能否回到平衡）与结构鲁棒性（删去节点或边后是否仍连通）；后者的渗流理论与级联失效在网络鲁棒性、渗流与级联失效中系统展开，本专题只保留与控制相关的要点。

知识页面依次为：动态系统与网络控制的基本表述 → 线性系统的可控性（Kalman 与 PBH 判据、可控性 Gramian）→ 结构可控性与最大匹配（含精确可控性）→ 驱动节点与网络结构 → 控制中心性与可控子空间 → 控制能量与 Gramian 的数值问题 → 目标控制与部分可控 → 可观测性与观测节点 → 非线性网络的控制 → 脑网络控制：平均与模态可控性 → 驱动节点的枚举、分类与自适应控制 → 结构鲁棒性 → 动力学稳定性。所需背景包括网络结构指标与随机图中的有向图与度分布、网络上的传播与免疫中的 ⟨k2⟩\langle k^2\rangle 与渗流，以及同步与协同动力学中的特征值与线性化思路。

Contents知识页面

01动态系统与网络控制用状态向量 描述网络中 个节点的状态（如基因表达水平），在平衡点附近用线性时不变系统近似： 是 的系统矩阵， 表示节点 影响节点 （即有向边 ）； 是 维外部输入； 是 的输入矩阵…02线性系统的可控性可控性：如果存在输入 ，能在有限时间内把系统从任意初始状态 驱动到任意目标状态 ，则系统 是可控的。 Kalman 秩判据： 可控，当且仅当可控性矩阵 满秩，即 。 直观例子 1：…03结构可控性与最大匹配结构可控性 Lin（1974）提出结构可控性（structural controllability）：只考虑 、 中哪些元素为零、哪些不为零（即网络拓扑），不关心非零元素的具体数值…04驱动节点与网络结构Liu 等（2011）分析了基因调控、食物网、代谢、神经元、互联网、社交等多类真实网络，以及模型网络，得到几条重要结论： 1. 驱动节点倾向于避开枢纽。直觉上应该控制连接最多的节点…05控制中心性与可控子空间最小输入定理回答“控制全部节点需要几个输入”。反过来也可以问：如果只能驱动一个节点，它能控制多大一部分系统？ 这对应可控子空间的维数，Liu、Slotine 与 Barabási（…06控制能量与 Gramian 的数值问题秩判据只回答“能不能控”，控制能量回答“代价多大”。对线性系统，从 在时间 内到达 的最小能量为（推导见线性系统的可控性） 对单位长度的目标方向 ，能量介于 与 之间（ 为 Gra…07目标控制与部分可控药物治疗、神经调控往往只需要改变少数“目标”变量——致病蛋白的活性、某些肌肉的状态、某个脑区的活动——而其余节点状态任意。Gao、Liu、D'Souza 与 Barabási（20…08可观测性与观测节点在控制一个系统之前，先要知道它处在状态空间的什么位置。细胞内成千上万种代谢物、蛋白不可能同时测量，临床上也只能采集少数指标。可观测性问：从少数可测变量（输出）的时间序列，能否唯一推…09非线性网络的控制线性化的局限 把非线性系统 在平衡点附近线性化，若线性化系统可控，则原系统在该点附近局部可控。但反过来不成立：线性化不可控时非线性系统仍可能可控；更重要的是，线性化结论只在平衡点的…10脑网络控制：平均与模态可控性网络神经科学把控制理论用于结构连接组，问：从某个脑区施加输入（如经颅磁刺激、深部脑刺激，或内在的认知控制信号），能把全脑活动推向哪些状态、代价多大？这一方向称为网络控制理论（net…11驱动节点的枚举、分类与自适应控制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，…12结构鲁棒性本页只概述与网络控制有关的结构鲁棒性要点；渗流理论、攻击策略、级联失效和相互依存网络的系统讲解见网络鲁棒性、渗流与级联失效。 鲁棒性（robustness）指系统在部分组件失效后维…13动力学稳定性结构鲁棒性问“删掉零件后还连通吗”，动力学稳定性问“状态受到扰动后还能回来吗”。 平衡态的线性稳定性：设 有平衡点 。在其附近线性化， ， 为雅可比矩阵。若 的所有特征值实部为负，…14数学推导与算法本页给出：A. 最小输入定理的来源与 Hopcroft–Karp 算法；B. 随机失效阈值 的推导与 Newman–Ziff 算法（更系统的渗流推导见网络鲁棒性、渗流与级联失效）；…15研究前沿与开放问题1. 线性可控性能否推广到非线性生物网络？ 基因调控网络本质上是非线性、多稳态的。Zañudo、Yang 与 Albert（2017，PNAS）提出基于反馈顶点集的控制框架，在非线…16生物医学应用致死性与鲁棒性。Jeong 等（2001，Nature）发现酵母蛋白相互作用网络中，高度蛋白被敲除后更可能致死，这与无标度网络“随机鲁棒、攻击脆弱”的性质一致：大多数随机突变落在低…17适用范围与常见误用1. 误用：认为控制网络应该从度最高的枢纽入手。→ 正解：Liu 等（2011）发现驱动节点倾向于避开枢纽；一个输入沿匹配只能独立控制一条路径，枢纽的大量下游需要更多独立输入。 2…

VIDEO讲解视频

控制一个网络需要几个开关：可控性与鲁棒性4 分 17 秒
文字稿

大家好，这一期我们换一个角度看网络，不再只是观察，而是要去控制它。如果想把一个细胞从疾病状态推回健康状态，应该干预哪些分子？这就是网络可控性要回答的问题，我们还会讨论网络在攻击下有多稳定。

我们先把网络写成一个线性系统，矩阵 A 描述节点之间谁影响谁。矩阵 B 说明外部输入加在哪些节点上，这些节点叫驱动节点。如果能把系统从任意状态推到任意目标状态，就说它是可控的。Kalman 判据告诉我们，把 B、AB、A 平方 B 等依次排开，矩阵满秩就可控。但真实生物网络的权重往往未知，而且网络一大，这个计算就很难做。

2011年，Liu、Slotine 和巴拉巴西给出了一个漂亮的解决办法。他们只看网络拓扑，把找驱动节点转化成了一个最大匹配问题。匹配是一组边，任意两条边既不共享起点，也不共享终点。图中高亮的是一个最大匹配，被匹配边指向的节点叫匹配节点。没有被匹配的节点，就是必须直接施加输入的驱动节点。以星形网络为例，中心只能匹配一个叶子，其余叶子都要单独驱动。

第一个反直觉的结论是，驱动节点往往不是枢纽，而是低度节点。第二，驱动节点的比例主要由度分布决定。网络越稀疏、度越不均匀，需要的驱动节点越多，基因调控网络就比较难控制。第四，最大匹配不唯一，所以驱动节点集合也不唯一，只有数目是确定的。

既然控制方案不唯一，节点在所有方案中扮演什么角色？这是后续研究关心的问题。我们提出输入图和交换定理，不用穷举，就能找出所有可能的驱动节点。进一步，我们把始终位于控制路径中间的节点称为控制核心点。在新冠蛋白网络中，控制核心点只占13.8%，比驱动节点少得多，更适合筛选药物靶点。对于随时间变化的网络，我们设计了自适应控制算法，减少驱动节点的频繁更换。在大学生症状网络中，非情绪模块更能控制情绪模块，关键症状来自失眠和压力量表。

下面我们讨论稳定性的另一面，结构鲁棒性。如果随机删除节点，无标度网络的巨分支下降得很慢，非常鲁棒。可如果专门攻击度最高的枢纽，删掉一小部分，网络就会碎裂。原因还是度的二阶矩，同一个性质让它既耐随机故障，又怕蓄意攻击。这和传播专题里的目标免疫是同一个道理，删除枢纽最能切断网络。

讲到这里，我们要特别注意区分两种不同含义的稳定性。结构鲁棒性问的是，删掉一些节点和边以后，网络还连不连通。动力学稳定性问的是，状态受到小扰动后，能不能回到原来的平衡。May 在1972年证明，随机构造的大系统，规模越大连接越密，越容易失稳。真实生物系统靠模块化、冗余和负反馈，在复杂中保持了稳定。

好，我们用四句话把这一期的要点小结一下。结构可控性只看拓扑，最大匹配之外的节点就是驱动节点。驱动节点往往避开枢纽，稀疏而异质的网络更难控制。控制核心点从维持网络状态的角度出发，为寻找药物靶点提供了新思路。无标度网络耐随机故障却怕蓄意攻击，结构鲁棒性和动力学稳定性要分开看。

请打开最大匹配和攻击实验两个交互演示，亲手找一找驱动节点。然后在代码示例里验证 Kalman 判据，比较随机网络和无标度网络。在分析流程专题里，我们会用真实数据把这些方法串起来。

INTERACTIVE交互可视化

CODE计算实现

12 个完整可运行的 Python 示例，每个都给出代码、输出图和解读；可在浏览器中直接运行，或下载 Jupyter Notebook · Python 脚本。

用 Kalman 秩判据检验可控性用最大匹配找驱动节点，并用 Kalman 判据验证驱动节点比例与平均度、度异质性PBH 判据与精确可控性——同一拓扑、不同权重需要的输入数不同控制中心性——单个节点能控制的子空间维数目标控制——只控制一部分节点需要多少驱动节点控制能量、Gramian 条件数与“理论可控、数值不可控”平均可控性与模态可控性（Gu 等 2015 的离散时间定义）及其与度的关系可观测性——根强连通分支与最少观测节点反馈顶点集控制——锁定少数节点把非线性网络推向指定吸引子布尔网络的吸引子与最小钉扎控制集（穷举）随机失效与蓄意攻击下的结构鲁棒性

Papers论文精读

经典网络动力学与控制▶ 视频Nature · 2011

复杂网络的可控性

Controllability of complex networks
Liu Y-Y, Slotine J-J, Barabási A-L

把结构可控性转化为最大匹配，算出最少驱动节点数，发现其主要由度分布决定，且驱动节点倾向于避开枢纽。

相关专题：网络可控性与稳定性
经典网络动力学与控制脑网络与连接组Nature · 2017

网络控制原理预测秀丽隐杆线虫连接组中的神经元功能

Network control principles predict neuron function in the Caenorhabditis elegans connectome
Yan G, Vértes PE, Towlson EK, Chew YL, Walker DS, Schafer WR, et al.

用目标可控性分析线虫连接组，预测运动控制所需的神经元，并以单神经元消融实验验证 PDB 与 DD04/DD05。

相关专题：网络可控性与稳定性 脑连接组：结构与功能连接
研究论文网络动力学与控制▶ 视频Scientific Reports · 2016

输入图：控制复杂网络的隐藏几何结构

Input graph: the hidden geometry in controlling complex networks
Zhang X, Lv T, Pu Y

用"控制邻接"构造输入图，证明交换定理并把节点控制类型归结为输入图的连通分支，解释了稠密网络的控制双峰现象。

相关专题：网络可控性与稳定性
研究论文网络动力学与控制▶ 视频Scientific Reports · 2017

寻找控制复杂网络的全部可能输入节点的高效算法

An efficient algorithm for finding all possible input nodes for controlling complex networks
Zhang X, Han J, Zhang W

证明只需一个最大匹配及其交替路径即可找出全部可能输入节点，把复杂度降到与最大匹配相同，并输出每个输入节点的替代节点集。

相关专题：网络可控性与稳定性
研究论文网络动力学与控制分子网络与基因调控▶ 视频iScience · 2023

癌症维持基因作为治疗靶点

Cancer-keeper genes as therapeutic targets
Zhang X, Pan C, Wei X, Yu M, Liu S, An J, et al.

提出在所有控制方案中都处于控制路径中间的控制枢纽，用作癌症维持基因，并在膀胱癌细胞和小鼠模型中检验部分候选。

相关专题：网络可控性与稳定性 生物分子网络与拓扑特征 疾病模块、网络邻近度与药物重定位
研究论文网络动力学与控制▶ 视频IEEE Transactions on Network Science and Engineering · 2026

动态网络的自适应控制

Adaptive Control of Dynamic Networks
Pan C, Zhang X, Zheng H, Zhang Y, Su Z, Zhang C, et al.

在只知道历史拓扑的条件下，为动态网络每个快照实时选取驱动节点，并使前后驱动节点尽量一致以降低切换代价。

相关专题：网络可控性与稳定性
研究论文网络动力学与控制▶ 视频NeurIPS（Main Track，poster） · 2026

语言模型的稀疏内部控制

Sparse Internal Control of Language Models
Zhang X

把目标控制的思想用到冻结语言模型内部：选少数内部站点做推理时干预来驱动目标行为，并用六轴协议区分哪些控制性质成立。

相关专题：网络可控性与稳定性

References核心文献

Liu、Slotine 与 Barabási 2011：Controllability of complex networks（Nature）

  • 背景：控制论的可控性判据难以用于规模大、权重未知的真实网络。
  • 核心发现：把结构可控性问题转化为最大匹配问题，给出最小输入定理；在多类真实网络中，驱动节点比例主要由度分布决定，稀疏和异质网络需要更多驱动节点，驱动节点倾向于避开枢纽。
  • 阅读要点：理解有向图匹配与二分图匹配的对应；注意论文讨论的是线性动力学下“控制到任意状态”，对非线性生物系统的含义要谨慎。重点看图 1（匹配与驱动节点示意）和图 3（nDn_D 与度分布的关系）。
  • 延伸思考：给一个基因调控网络增加若干条“自调控”环（自环），驱动节点数会怎样变化？为什么？

DOI：10.1038/nature10011；精读：Liu 2011

Albert、Jeong 与 Barabási 2000：Error and attack tolerance of complex networks（Nature）

  • 背景：互联网、万维网等系统在大量组件随机故障下仍能工作，原因是什么？
  • 核心发现：无标度网络对随机删点高度鲁棒，对按度攻击极其脆弱；ER 网络对两者表现相近。
  • 阅读要点：区分巨分支比例与平均路径长度两种鲁棒性指标；注意攻击策略中“按初始度排序”与“每删一个节点重新计算度”的差别。
  • 延伸思考：在蛋白相互作用网络中，“随机失效”和“蓄意攻击”分别对应什么生物学过程（突变、药物、病原体）？

DOI：10.1038/35019019；精读：Albert 2000

Yan 等 2017：Network control principles predict neuron function in the Caenorhabditis elegans connectome（Nature）

  • 背景：网络可控性的预测很少在真实生物系统中得到实验检验。
  • 核心发现：基于线虫连接组的结构可控性分析，预测控制运动行为所需的神经元；消融实验验证了部分预测，并发现了此前未知其运动功能的神经元。
  • 阅读要点：作者使用的是“目标可控性”（只控制与运动相关的肌肉），而非控制全部节点——这是把理论用于生物问题时很关键的调整。
  • 延伸思考：如果把这一思路用于一个疾病相关的基因调控网络，“目标节点”应选什么？需要哪些实验来验证？

DOI：10.1038/nature24056；精读：Yan 2017

Liu 与 Barabási 2016：Control principles of complex systems（Reviews of Modern Physics）

  • 背景：2011 年后网络控制研究迅速增长，涉及结构可控性、控制能量、可观测性、非线性控制与集体行为控制，概念与假设各不相同。
  • 核心内容：系统梳理线性系统的可控性（Kalman 判据、结构可控性、最小输入问题、节点与边的角色、控制中心性、边动力学、自身动力学、控制能量）、非线性系统的可控性（可达性、线性化的局限、布尔网络）、可观测性（最少观测节点、目标可观测性、观测器设计、参数辨识与网络重建）、走向期望终态的方法（混沌控制、补偿扰动、反馈顶点集），以及同步与群集等集体行为的控制。
  • 阅读要点：本专题的页面大体对应其第 II（线性）、III（非线性）、IV（可观测性）、V.D（反馈顶点集）节；第 VII 节的展望（稳定性、自适应网络、网络之网络、噪声）适合作为研究选题的起点。
  • 延伸思考：综述中哪些结论依赖“参数相互独立”的结构假设？在你关心的生物网络中，这一假设是否合理？

DOI：10.1103/RevModPhys.88.035006；开放版本：arXiv:1508.05384

Gu 等 2015：Controllability of structural brain networks（Nature Communications）

  • 背景：结构连接组是否决定了不同脑区在驱动脑状态转换中的分工？
  • 核心发现：以弥散成像得到的结构连接为耦合矩阵，提出平均、模态与边界可控性；单个区域理论上可控全脑但能量极大；平均与模态可控性分别与加权度强正相关、强负相关，并分别富集于默认模式系统与认知控制系统。
  • 阅读要点：注意归一化方式与离散时间模型；把结果与 Tu 等（2018）的质疑和 Pasqualetti 等（2019）的回应对照阅读。
  • 延伸思考：如果平均可控性与加权度的相关接近 1，它还提供了哪些度之外的信息？如何设计检验？

DOI：10.1038/ncomms9414；精读：Gu 2015

Gao、Liu、D’Souza 与 Barabási 2014：Target control of complex networks（Nature Communications）

  • 背景：控制整个网络既不可行也不必要，实际问题往往只涉及一部分节点。
  • 核心发现：全控制的驱动节点集合高估了目标控制所需；提出 k-walk 理论（有向树中，到各目标路径长度互不相同时一个节点即可控制它们）和多输入的贪心算法；度异质网络在平均度较大时目标控制效率更高。
  • 阅读要点：区分随机目标与局部目标两种方案；注意贪心算法给出的是近似解。
  • 延伸思考：在一个疾病相关信号通路中，你会把哪些分子设为目标？非目标节点的状态需要约束吗？

DOI：10.1038/ncomms6415

Liu、Slotine 与 Barabási 2013：Observability of complex systems（PNAS）

  • 背景：细胞内变量不可能全部测量，能否从少数可测变量重建整个系统的状态？
  • 核心发现：用推断图与强连通分支分解给出最少观测节点的必要条件（每个根 SCC 至少一个）；在生化反应系统中，这些观测节点不仅必要而且充分；并给出目标可观测性的观测节点选择方法，服务于生物标志物设计。
  • 阅读要点：理解推断图的方向（与影响图相反）；比较线性系统中必要观测集与充分观测集的差异。
  • 延伸思考：一个临床生物标志物面板在网络中应满足什么结构条件，才能推断不可直接测量的致病分子？

DOI：10.1073/pnas.1215508110

Zañudo、Yang 与 Albert 2017：Structure-based control of complex networks with nonlinear dynamics（PNAS）

  • 背景：结构可控性基于线性动力学，而生物网络是非线性、多稳态的。
  • 核心发现：在反馈顶点集控制理论基础上加入源节点，得到不依赖具体函数形式与参数、能把系统引导到任一自然吸引子的控制集合；在多类真实网络上与结构可控性比较，二者所需节点比例呈反向关系（基因调控网络中分别约 1%–18% 与 75%–96%）；在基因调控网络的动力学模型中检验了预测。
  • 阅读要点：理解“控制到任意状态”与“控制到吸引子”的区别；注意 FVS 是对所有满足条件的动力学都充分的集合，具体模型可能需要更少节点。
  • 延伸思考：如果只知道网络结构和两种细胞表型的表达谱，如何用 FVS 控制设计重编程策略？

DOI：10.1073/pnas.1617387114

其他文献（按主题）

  • 精确可控性：Yuan Z, Zhao C, Di Z, Wang WX, Lai YC. Exact controllability of complex networks. Nature Communications 2013;4:2447. DOI
  • 控制中心性：Liu YY, Slotine JJ, Barabási AL. Control centrality and hierarchical structure in complex networks. PLoS ONE 2012;7:e44459. DOI
  • 控制轮廓：Ruths J, Ruths D. Control profiles of complex networks. Science 2014;343:1373–1376. DOI
  • 边动力学：Nepusz T, Vicsek T. Controlling edge dynamics in complex networks. Nature Physics 2012;8:568–573. DOI
  • 控制能量：Yan G 等. Controlling complex networks: how much energy is needed? Physical Review Letters 2012;108:218703. DOI；Yan G 等. Spectrum of controlling and observing complex networks. Nature Physics 2015;11:779–786. DOI
  • Gramian 度量与数值问题：Pasqualetti F, Zampieri S, Bullo F. Controllability metrics, limitations and algorithms for complex networks. IEEE Transactions on Control of Network Systems 2014;1:40–52. DOI；Sun J, Motter AE. Controllability transition and nonlocality in network control. Physical Review Letters 2013;110:208701. DOI
  • 反馈顶点集控制：Fiedler B 等. Dynamics and control at feedback vertex sets. I. Journal of Dynamics and Differential Equations 2013;25:563–604. DOI；Mochizuki A 等. Dynamics and control at feedback vertex sets. II. Journal of Theoretical Biology 2013;335:130–146. DOI
  • 布尔网络与稳定基序：Akutsu T 等. Control of Boolean networks: hardness results and algorithms for tree structured networks. Journal of Theoretical Biology 2007;244:670–679. DOI；Zañudo JGT, Albert R. Cell fate reprogramming by control of intracellular network dynamics. PLoS Computational Biology 2015;11:e1004193. DOI；Murrugarra D 等. Identification of control targets in Boolean molecular network models via computational algebra. BMC Systems Biology 2016;10:94. DOI
  • 生物医学应用：Vinayagam A 等. Controllability analysis of the directed human protein interaction network identifies disease genes and drug targets. PNAS 2016;113:4976–4981. DOI；Kanhaiya K 等. Controlling directed protein interaction networks in cancer. Scientific Reports 2017;7:10327. DOI
  • 脑网络控制及其争议：Tu C 等. Warnings and caveats in brain controllability. NeuroImage 2018;176:83–91. DOI；Pasqualetti F 等. RE: Warnings and caveats in brain controllability. NeuroImage 2019;197:586–588. DOI；Karrer TM 等. A practical guide to methodological considerations in the controllability of structural brain networks. Journal of Neural Engineering 2020;17:026031. DOI；Kim JZ 等. Role of graph architecture in controlling dynamical networks with applications to neural systems. Nature Physics 2018;14:91–98. DOI；Gu S 等. Optimal trajectories of brain state transitions. NeuroImage 2017;148:305–317. DOI

Data & tools相关数据与软件

软件/工具包OpenWorm以秀丽隐杆线虫为对象的开放科学数字生物体建模项目。数据集WormWiring线虫神经连接组数据与可视化网站。

Further延伸资源

类型 资源 说明
教材 Barabási《Network Science》第 8 章 Network Robustness（链接） Molloy–Reed 判据、随机失效与攻击、级联失效、连续度近似；CC BY-NC-SA 2.0
讲义 Liu 与 Barabási, Control principles of complex systems（arXiv 免费版；正式版 Rev Mod Phys 2016，DOI） 网络控制最全面的综述，本专题结构的主要参照：先读第 II 节（线性与结构可控性、控制能量），再读第 IV 节（可观测性）与第 V.D 节（反馈顶点集）
教材说明 Barabási《Network Science》在线版没有单独的网络控制章节；可控性部分以上述综述为准，鲁棒性部分对应第 8 章 结构鲁棒性的系统内容见网络鲁棒性、渗流与级联失效
软件文档 NetworkX 二分图匹配 networkx.algorithms.bipartite.hopcroft_karp_matching；SciPy scipy.linalg.solve_continuous_lyapunov / solve_discrete_lyapunov 最大匹配求驱动节点、Lyapunov 方程求 Gramian 的标准实现，用法见代码示例
中文视频 陈关荣：复杂网络牵制控制及其能控性研究进展（B 站） 中文的网络能控性系统报告，正式报告约在 13:38–1:27:00，以牵制控制为主
中文视频 单哥：复杂网络建模·网络鲁棒性（B 站，P54–P60） 约 45 分钟，从渗流理论到随机与度攻击，含 Python 代码
英文视频 Yang-Yu Liu：Controllability and Observability of Complex Systems（YouTube） 结构可控性原作者之一的讲座，约 1 小时；需境外网络
交互演示 NetLogo Web：Giant Component（链接） 观察巨分支的出现，对应结构鲁棒性中的渗流
论文（生物医学） Yan 等 2017, Network control principles predict neuron function in the C. elegans connectome, Nature（DOI） 见核心文献，可控性预测的实验检验
论文（生物医学） Gu 等 2015, Controllability of structural brain networks, Nature Communications（DOI） 开放获取；平均可控性与模态可控性，衔接脑连接组；精读：Gu 2015
拓展（人工智能） Sparse Internal Control of Language Models（NeurIPS 2026；代码） 把“选少数驱动节点控制系统”的思想用到大语言模型内部：选择少量内部站点施加干预，并从可达、可反转、剂量响应、反馈、保持与复用六方面评价控制效果。见论文精读

提示：Barabási《Network Science》在线版需加载境外脚本，在中国大陆可能无法正常显示；标注“需境外网络”的为 YouTube 资源。

Open questions开放问题

  1. 选择一个你熟悉的生物医学网络（如某信号通路、某疾病的症状网络、某脑区回路）。如果要“控制”它，控制目标是什么——控制全部节点，还是只把少数关键节点推向健康状态？线性结构可控性的哪些假设在这个系统中不成立？
  2. 有研究提出“控制核心点”（在所有控制方案中都必须作为中间节点）可能比“驱动节点”更适合作为药物靶点候选。请从生物学和方法学两方面，各给出一条支持和一条质疑这一观点的理由，并设计一个可以检验它的分析或实验。
  3. 对一个已知动力学方程的代谢通路或信号通路模型，画出它的推断图并找出根强连通分支。临床上实际可测的分子是否覆盖了每个根强连通分支？如果没有，哪些不可测分子在原理上就无法从现有测量中推断？
  4. 同一个基因调控网络，用结构可控性（最大匹配）和反馈顶点集控制分别计算控制节点集合，两者的大小和成员可能相差很大。请说明两种框架在控制目标、动力学假设和控制动作上的差别，并讨论在“把肿瘤细胞推向凋亡表型”这一问题中应优先采用哪一种、还需要什么数据。