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仍能维持基本功能的能力。细胞中蛋白错误折叠、反应缺失时时发生，大多数单基因敲除并不致死；脑卒中可以毁掉一片皮层，病人却可能只出现局限的缺损；而另一些时候，一个小小的初始故障会沿着网络放大，演变为大面积停电、多器官衰竭或细胞死亡。系统能承受什么样的损伤、在哪里会突然崩溃，在很大程度上由连接结构决定。

本专题从统计物理的渗流理论出发，回答四组问题：（1）随机删除节点或连边时，网络何时碎裂，临界阈值怎样由度分布决定，为什么无标度网络“耐随机失效、怕蓄意攻击”；（2）攻击者掌握的信息越多（度、介数、每一步重新计算），网络瓦解得有多快；（3）当失效会传递——负载重分配、阈值触发、相互依存——级联何时出现，规模服从什么分布；（4）怎样量化和提高鲁棒性，以及这些思想在蛋白必需性、代谢网络基因敲除、脑损伤和癌症合成致死中的用法与限度。

基础概念见连通分支与巨连通分支和ER 随机网络；网络可控性与稳定性中的结构鲁棒性给出了随机失效阈值 $f_c$ 的最短推导，本专题在此基础上系统展开。渗流也是网络上的传播与免疫的数学核心：SIR 最终规模等价于边渗流，目标免疫就是对传播网络的“攻击”。结构鲁棒性与动力学稳定性、韧性的区别见动力学稳定性。

Links关联知识

• 结构鲁棒性：$f_c$ 的二项稀释推导与 Newman–Ziff 算法，本专题的起点。
• 连通分支与巨连通分支、ER 随机网络：巨分支与渗流相变的基础。
• 幂律度分布与无标度网络：决定 $\langle k^2\rangle$ 与“耐随机、怕攻击”的度分布。
• 网络上的传播与免疫：SIR 最终规模等价于边渗流，目标免疫就是攻击；阈值模型与本专题的级联模型相同。
• 度相关性与网络结构的高阶统计：同配性改变渗流阈值，洋葱结构与同配性相关但不等同。
• 致死性与中心性：蛋白必需性与度的关系及其竞争性解释。
• 拓扑指标：小世界、模块、枢纽与富人俱乐部：脑网络枢纽、富人俱乐部与虚拟损伤分析的背景。
• 动力学稳定性：结构鲁棒性之外，平衡态稳定性与韧性的分析框架。

References核心文献

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，其结构原因是什么？
• 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 网络对两种删除的反应相近。
• 阅读要点：区分直径与最大分支两种鲁棒性指标；注意攻击使用的是初始度还是重新计算的度。
• 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（自发突变、药物、病原体效应蛋白）？

DOI：10.1038/35019019；精读：Albert 2000

Callaway、Newman、Strogatz 与 Watts 2000：Network robustness and fragility: percolation on random graphs（PRL）

• 背景：此前的随机图渗流结果多限于泊松度分布，与真实网络的偏态度分布相去甚远。
• 核心发现：用生成函数给出任意度分布网络上点渗流、边渗流以及“占据概率依赖于度”的渗流的精确解，统一处理随机失效与按度删除。
• 阅读要点：掌握 $u=1-\phi+\phi G_1(u)$ 一类自洽方程的推导和图解；对照同期 Cohen 等（2000）的 Molloy–Reed 路线。
• 延伸思考：如果占据概率依赖于节点的某个生物学属性（如表达量）而不是度，方程应怎样修改？

DOI：10.1103/PhysRevLett.85.5468

Cohen、Erez、ben-Avraham 与 Havlin 2000/2001：Resilience of the Internet to random breakdowns；Breakdown of the Internet under intentional attack（PRL）

• 背景：Albert 等（2000）的模拟结论需要解析理论支撑。
• 核心发现：2000 年的论文由 Molloy–Reed 判据得到随机删除阈值，证明 $\gamma\le3$ 时无限网络不会因随机删除而碎裂；2001 年的论文推导按度攻击的阈值方程，表明攻击阈值很小。
• 阅读要点：注意有限规模下 $f_c$ 随 $N$ 的变化，以及攻击推导中“把删枢纽转化为随机删边”的技巧。
• 延伸思考：若网络存在度相关（枢纽彼此相连），攻击推导的哪一步不再成立？

DOI：10.1103/PhysRevLett.85.4626；10.1103/PhysRevLett.86.3682

Motter 与 Lai 2002：Cascade-based attacks on complex networks（Physical Review E）

• 背景：静态删点忽略了失效后负载的重新分配。
• 核心发现：在负载可重分配的网络中，负载高度异质使网络特别脆弱：移除单个关键节点就可能引发覆盖大部分网络的过载级联。
• 阅读要点：理解容量 $(1+\alpha)L_i$ 的设定和 $G$ 随 $\alpha$ 的变化；比较按负载、按度和随机触发。
• 延伸思考：代谢网络或血管网络中，“负载”与“容量”分别可以对应什么物理量？

DOI：10.1103/PhysRevE.66.065102

Buldyrev 等 2010：Catastrophic cascade of failures in interdependent networks（Nature）

• 背景：基础设施相互依存，单一网络的鲁棒性理论不足以描述其失效。
• 核心发现：相互依存使渗流转变成为一级相变，阈值大幅提高；度分布越宽，系统越脆弱。
• 阅读要点：重点理解 $x=p\,g_A(p\,g_B(x))$ 的图解与切点条件。
• 延伸思考：在细胞中，哪些网络对之间存在严格意义上的“依赖”？

DOI：10.1038/nature08932；精读：Buldyrev 2010

Schneider 等 2011：Mitigation of malicious attacks on networks（PNAS）

• 背景：单一渗流阈值无法反映网络在崩溃之前承受的损伤。
• 核心发现：提出 R 指标；保度换边可以在几乎不改变功能的前提下显著提高 R；最鲁棒的网络呈洋葱结构。
• 阅读要点：注意 R 用的是自适应度攻击；比较 R 与渗流阈值 $q_c$ 对同一改造的反应。
• 延伸思考：如果把“换边”的成本设为生物学约束（如脑网络中的连线长度），优化结果会怎样？

DOI：10.1073/pnas.1009440108

Alstott 等 2009：Modeling the impact of lesions in the human brain（PLoS Computational Biology）

• 背景：局灶脑损伤的功能后果高度依赖部位，且常难以预测。
• 核心发现：在人脑结构连接组上用动力学模型模拟损伤，损伤会改变远处脑区的功能连接；中线和颞顶联合区附近的损伤影响广泛，初级感觉运动区损伤影响局限。
• 阅读要点：区分“结构删点后的拓扑变化”与“动力学模型中的功能连接变化”两类评估。
• 延伸思考：如何用卒中病人的纵向数据检验模型预测？

DOI：10.1371/journal.pcbi.1000408

Lord 与 Ashworth 2017：PARP inhibitors: synthetic lethality in the clinic（Science）

• 背景：合成致死在酵母遗传学中早已熟知，如何变成癌症疗法？
• 核心发现：综述 PARP 抑制剂从 BRCA 缺陷细胞的合成致死（Farmer 2005；Bryant 2005）到临床获批的过程，以及耐药与联合用药的挑战。
• 阅读要点：把“肿瘤失去一条修复通路”理解为网络冗余的丧失。
• 延伸思考：网络方法能否预测哪些肿瘤会对 PARP 抑制剂产生耐药？

DOI：10.1126/science.aam7344

其他引用文献

• Molloy M, Reed B (1995) A critical point for random graphs with a given degree sequence. Random Structures & Algorithms. 10.1002/rsa.3240060204
• Newman MEJ, Ziff RM (2000) Efficient Monte Carlo algorithm and high-precision results for percolation. PRL. 10.1103/PhysRevLett.85.4104
• Newman MEJ, Strogatz SH, Watts DJ (2001) Random graphs with arbitrary degree distributions and their applications. PRE. 10.1103/PhysRevE.64.026118
• Cohen R, ben-Avraham D, Havlin S (2002) Percolation critical exponents in scale-free networks. PRE. 10.1103/PhysRevE.66.036113
• Holme P, Kim BJ, Yoon CN, Han SK (2002) Attack vulnerability of complex networks. PRE. 10.1103/PhysRevE.65.056109
• Newman MEJ (2002) Assortative mixing in networks. PRL. 10.1103/PhysRevLett.89.208701
• Watts DJ (2002) A simple model of global cascades on random networks. PNAS. 10.1073/pnas.082090499
• Goh K-I, Lee D-S, Kahng B, Kim D (2003) Sandpile on scale-free networks. PRL. 10.1103/PhysRevLett.91.148701
• Crucitti P, Latora V, Marchiori M (2004) Model for cascading failures in complex networks. PRE. 10.1103/PhysRevE.69.045104
• Motter AE (2004) Cascade control and defense in complex networks. PRL. 10.1103/PhysRevLett.93.098701
• Paul G, Tanizawa T, Havlin S, Stanley HE (2004) Optimization of robustness of complex networks. European Physical Journal B. 10.1140/epjb/e2004-00112-3
• Valente AXCN, Sarkar A, Stone HA (2004) Two-peak and three-peak optimal complex networks. PRL. 10.1103/PhysRevLett.92.118702
• Tanizawa T, Paul G, Cohen R, Havlin S, Stanley HE (2005) Optimization of network robustness to waves of targeted and random attacks. PRE. 10.1103/PhysRevE.71.047101
• Parshani R, Buldyrev SV, Havlin S (2010) Interdependent networks: reducing the coupling strength leads to a change from a first to second order percolation transition. PRL. 10.1103/PhysRevLett.105.048701
• Gao J, Buldyrev SV, Stanley HE, Havlin S (2012) Networks formed from interdependent networks. Nature Physics. 10.1038/nphys2180
• Bashan A, Berezin Y, Buldyrev SV, Havlin S (2013) The extreme vulnerability of interdependent spatially embedded networks. Nature Physics. 10.1038/nphys2727
• Morone F, Makse HA (2015) Influence maximization in complex networks through optimal percolation. Nature. 10.1038/nature14604
• Braunstein A, Dall’Asta L, Semerjian G, Zdeborová L (2016) Network dismantling. PNAS. 10.1073/pnas.1605083113
• Zhong Q 等 (2009) Edgetic perturbation models of human inherited disorders. Molecular Systems Biology. 10.1038/msb.2009.80
• Kitano H (2004) Biological robustness. Nature Reviews Genetics. 10.1038/nrg1471
• Wagner A (2000) Robustness against mutations in genetic networks of yeast. Nature Genetics. 10.1038/74174
• Giaever G 等 (2002) Functional profiling of the Saccharomyces cerevisiae genome. Nature. 10.1038/nature00935
• Gu Z 等 (2003) Role of duplicate genes in genetic robustness against null mutations. Nature. 10.1038/nature01198
• Jeong H, Mason SP, Barabási A-L, Oltvai ZN (2001) Lethality and centrality in protein networks. Nature. 10.1038/35075138
• He X, Zhang J (2006) Why do hubs tend to be essential in protein networks? PLoS Genetics. 10.1371/journal.pgen.0020088
• Zotenko E 等 (2008) Why do hubs in the yeast protein interaction network tend to be essential. PLoS Computational Biology. 10.1371/journal.pcbi.1000140
• Edwards JS, Palsson BO (2000) The Escherichia coli MG1655 in silico metabolic genotype. PNAS. 10.1073/pnas.97.10.5528
• Segrè D, Vitkup D, Church GM (2002) Analysis of optimality in natural and perturbed metabolic networks. PNAS. 10.1073/pnas.232349399
• Lemke N 等 (2004) Essentiality and damage in metabolic networks. Bioinformatics. 10.1093/bioinformatics/btg386
• Smart AG, Amaral LAN, Ottino JM (2008) Cascading failure and robustness in metabolic networks. PNAS. 10.1073/pnas.0803571105
• Motter AE, Gulbahce N, Almaas E, Barabási A-L (2008) Predicting synthetic rescues in metabolic networks. Molecular Systems Biology. 10.1038/msb.2008.1
• Orth JD, Thiele I, Palsson BØ (2010) What is flux balance analysis? Nature Biotechnology. 10.1038/nbt.1614
• Achard S 等 (2006) A resilient, low-frequency, small-world human brain functional network with highly connected association cortical hubs. Journal of Neuroscience. 10.1523/JNEUROSCI.3874-05.2006
• Honey CJ, Sporns O (2008) Dynamical consequences of lesions in cortical networks. Human Brain Mapping. 10.1002/hbm.20579
• Gratton C, Nomura EM, Pérez F, D’Esposito M (2012) Focal brain lesions to critical locations cause widespread disruption of the modular organization of the brain. Journal of Cognitive Neuroscience. 10.1162/jocn_a_00222
• Warren DE 等 (2014) Network measures predict neuropsychological outcome after brain injury. PNAS. 10.1073/pnas.1322173111
• Crossley NA 等 (2014) The hubs of the human connectome are generally implicated in the anatomy of brain disorders. Brain. 10.1093/brain/awu132
• Fornito A, Zalesky A, Breakspear M (2015) The connectomics of brain disorders. Nature Reviews Neuroscience. 10.1038/nrn3901
• Kaelin WG (2005) The concept of synthetic lethality in the context of anticancer therapy. Nature Reviews Cancer. 10.1038/nrc1691
• Farmer H 等 (2005) Targeting the DNA repair defect in BRCA mutant cells as a therapeutic strategy. Nature. 10.1038/nature03445
• Bryant HE 等 (2005) Specific killing of BRCA2-deficient tumours with inhibitors of poly(ADP-ribose) polymerase. Nature. 10.1038/nature03443
• Tong AHY 等 (2004) Global mapping of the yeast genetic interaction network. Science. 10.1126/science.1091317
• Costanzo M 等 (2010) The genetic landscape of a cell. Science. 10.1126/science.1180823
• Kelley R, Ideker T (2005) Systematic interpretation of genetic interactions using protein networks. Nature Biotechnology. 10.1038/nbt1096
• Jerby-Arnon L 等 (2014) Predicting cancer-specific vulnerability via data-driven detection of synthetic lethality. Cell. 10.1016/j.cell.2014.07.027
• Kivelä M 等 (2014) Multilayer networks. Journal of Complex Networks. 10.1093/comnet/cnu016
• Gao J, Barzel B, Barabási A-L (2016) Universal resilience patterns in complex networks. Nature. 10.1038/nature16948
• Artime O 等 (2024) Robustness and resilience of complex networks. Nature Reviews Physics. 10.1038/s42254-023-00676-y

Further延伸资源

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。

Open questions开放问题

1. 选择一个你熟悉的生物医学网络（如某病原体的蛋白相互作用网络、某代谢通路、某个体的结构连接组）。“随机失效”和“蓄意攻击”在这个系统中分别对应什么真实过程？你会用哪种鲁棒性指标（$f_c$、$R$、全局效率还是功能指标），为什么？
2. 合成致死揭示了冗余的“背面”：冗余使单个扰动无害，也制造了成对的弱点。设计一个分析流程：从人类蛋白相互作用网络或代谢模型出发，预测某种抑癌基因缺失肿瘤的合成致死候选靶点，并说明需要哪些独立数据（如 CRISPR 筛选、患者生存数据）来验证。
3. 两个网络之间何时可以被视为“相互依存”？以脑的结构连接与功能连接、或细胞的信号网络与代谢网络为例，讨论依赖边的生物学含义，以及一级相变的预测在该系统中是否可信。