网络鲁棒性、渗流与级联失效15 / 17
研究前沿与开放问题
- 从结构鲁棒到动力学韧性。连通性只是功能的前提。Gao、Barzel 与 Barabási（2016，Nature）把多维网络动力学约化为一维有效方程，预测系统何时从健康态跃迁到崩溃态；Artime 等（2024，Nature Reviews Physics）的综述系统比较了结构鲁棒性、动力学韧性与恢复能力的各种定义。如何把二者结合到生物网络（如基因调控网络的多稳态）上，仍缺乏实验检验。
- 高阶与时序结构中的渗流。超图、单纯复形、时序网络中的渗流可能出现不连续转变与多重转变；在蛋白复合物（天然是高阶相互作用）和时变脑网络上，传统点/边渗流是否足够，尚无定论。
- 不完整网络上的鲁棒性推断。生物网络观测有大量缺失边和研究偏倚，鲁棒性指标对缺失边高度敏感。如何在“网络本身不确定”的条件下给出带置信区间的 或 ，是方法学空白。
- 合成致死的网络预测。人类细胞的遗传相互作用远未测全，计算预测（网络、代谢模型、基因组数据、深度学习）与 CRISPR 组合筛选结果的一致性有限，且合成致死关系高度依赖细胞背景。
- 脑损伤后果的个体化预测。病灶网络映射（lesion network mapping）、个体结构连接组与动力学模型相结合，能否在卒中或手术前预测个体的认知结局，需要大样本、前瞻性研究验证。