空间网络与随机几何图 · 生物医学网络科学

神经元、血管、蛋白质复合体、细胞–细胞接触网络都嵌入在物理空间中。连一条长边需要付出代价（轴突的体积与代谢、信号延迟），所以连边概率随距离下降。空间约束本身就能产生高聚类、模块性，甚至是看起来像“小世界”的结构，在把这些结构归因于功能优化之前，应该先问：单靠空间约束能解释多少？

随机几何图

随机几何图（random geometric graph，RGG）：在 $d$ 维空间（常取单位正方形或立方体）中均匀随机放置 $N$ 个点，两点距离小于半径 $r$ 时相连。

二维情形（忽略边界）的基本性质：

度分布：期望度 $\langle k\rangle\approx N\pi r^2$ ，度近似服从泊松分布——没有枢纽。
聚集系数高且与 $N$ 无关：两个邻居都落在以 $i$ 为圆心、半径 $r$ 的圆内，它们彼此相距小于 $r$ 的概率是一个纯几何常数。二维时 $C=1-\dfrac{3\sqrt3}{4\pi}\approx0.587$ （Dall 与 Christensen 2002），远高于同密度 ER 网络。
路径长：每步最多前进距离 $r$ ，两点间跳数约为欧氏距离除以 $r$ ，平均路径随 $1/r$ 即 $\sqrt{N/\langle k\rangle}$ 增长——是“大世界”而非小世界。
连通阈值：保证全图连通需要 $N\pi r^2$ 约为 $\ln N$ 的量级（Penrose 的经典结果）。

随机几何图正好是“规则网格”的随机版本：它有 WS 模型初始网格的高聚类，也有网格的长路径。在它上面加入少量随机长程边，就得到空间版的小世界——这是生物网络中小世界性最自然的来源之一（见代码示例）。

距离依赖的连边概率

硬阈值 $r$ 可以换成随距离平滑衰减的连边概率。Waxman（1988）模型取 $P(u,v)\propto e^{-d_{uv}/(\lambda L)}$ ， $L$ 为最大距离；脑网络中常用指数或幂律衰减 $P\propto e^{-d/\lambda}$ 、 $P\propto d^{-\eta}$ 。Kaiser 与 Hilgetag（2004）的空间生长模型让新节点按距离衰减的概率连到已有节点，可以得到同时具有高聚类、较短路径和一定模块性的网络。更一般地，Barthélemy（2011）的综述系统讨论了空间嵌入对度分布、路径与社团的影响。

脑网络：布线代价与拓扑收益

脑网络是空间网络研究最活跃的领域。Bullmore 与 Sporns（2012, Nat. Rev. Neurosci.）把脑网络的组织概括为“经济性”的权衡：大脑倾向于减少布线代价（多数连接短），但又保留少量昂贵的长程连接和枢纽，以获得高效的全局整合。几项代表性的模型研究：

指数距离规则：Ercsey-Ravasz 等（2013, Neuron）基于猕猴皮层的逆行示踪数据发现，轴突投射长度近似呈指数衰减；仅用这一“指数距离规则”构造的空间模型，就能预测皮层间连接的许多统计特征，包括高密度核心与基序分布。
生成网络模型：Betzel 等（2016, NeuroImage）比较了多种“空间代价 × 拓扑规则”的生成模型（形式如 $P_{ij}\propto d_{ij}^{-\eta}\,K_{ij}^{\gamma}$ ， $K_{ij}$ 为度、聚类或邻居重叠等拓扑项），发现同时包含几何约束与“同质性”（倾向连接邻居相似的区域）的模型最能再现人脑结构连接组。Vértes 等（2012, PNAS）在功能网络上得到相似结论。Akarca 等（2021, Nat. Commun.）把这一框架用于儿童的结构连接组，发现生成参数的细微差别可以引导网络发展出不同的组织形态，并与神经发育多样性相关联。

空间约束与“小世界”结论：许多脑网络研究报告“患者组的小世界性降低”。但节点在空间中的分布、图谱分辨率与连接长度的偏倚都会影响 $C$ 与 $L$ 。只保留空间结构的零模型（例如保持连接长度分布的随机化，或基于距离的生成模型）给出的 $C_{\text{rand}}$ 远高于 ER 网络，用它作参照时，部分“高聚类”可能只是空间嵌入的结果（见脑连接组：结构与功能连接与网络构建与统计验证中的空间零模型）。

分子网络的几何模型

蛋白质并不在物理空间中“按距离”结合，但可以设想一个抽象的“生物化学空间”：每个蛋白的结合特性对应其中一个点，特性相近的蛋白才会相互作用。Pržulj 等（2004）发现随机几何图在小子图频率上比无标度模型更接近酵母和果蝇的 PPI 网络；Higham、Rašajski 与 Pržulj（2008, Bioinformatics）进一步给出了把 PPI 网络嵌入低维几何空间的方法，可用于预测缺失或虚假的相互作用。

双曲几何：把枢纽与聚类统一起来

随机几何图没有枢纽，无标度模型聚类太低。Krioukov 等（2010, Phys. Rev. E）提出，如果节点嵌在双曲空间中按距离连边，就能同时得到幂律度分布与高聚类。Papadopoulos 等（2012, Nature）的“流行度–相似度”模型给出一个直观解释：新节点连接的对象，同时权衡对方的“流行度”（早到、度大，对应径向坐标）与“相似度”（角度坐标接近）。优先连接在其中成为一种涌现结果，而不是基本假设。双曲嵌入已被用于互联网、代谢网络与脑网络的分析。