Networks robustness: Una rete complessa (complex network) è una struttura matematica composta da nodi e legami (links), capace di rappresentare una vasta gamma di sistemi reali. Un aspetto centrale della ricerca della Networks Unit riguarda lo studio della robustezza delle reti complesse reali rispetto alla rimozione di nodi e legami. La robustezza di una rete rappresenta la sua capacità di mantenere le proprie funzionalità in presenza di guasti, attacchi o rimozioni intenzionali di elementi. Comprendere la robustezza delle reti complesse è essenziale per analizzare e migliorare il funzionamento e la resilienza di sistemi reali. Questo tipo di analisi è utile in molti problemi concreti. Garantire che reti critiche, come quelle energetiche o di trasporto, continuino a operare anche in presenza di guasti o attacchi mirati. Ottimizzare la progettazione delle reti, bilanciando efficienza e robustezza, pur tenendo conto delle risorse limitate disponibili. Mitigare l’impatto di eventi che possono propagarsi attraverso una rete, come interruzioni nella rete elettrica, crisi nei sistemi finanziari, diffusione di epidemie o fake news nei social network. Identificare nodi e legami fondamentali per il corretto funzionamento del sistema. Capire quale strategia di attacco provochi il maggior danno permette di identificare i nodi e i legami cruciali per il sistema.
Riferimenti
Bellingeri, M., Cassi, D. & Vincenzi, S. Efficiency of attack strategies on complex model and real-world networks. Physica A: Statistical Mechanics and its Applications 414, 174–180 (2014).
Bellingeri, M. et al. Link and Node Removal in Real Social Networks : A Review. Front Phys 8, (2020).
Bellingeri, M., Bevacqua, D., Scotognella, F., Alfieri, R. & Cassi, D. A comparative analysis of link removal strategies in real complex weighted networks. Sci Rep 10, (2020).
Bellingeri, M. & Cassi, D. Robustness of weighted networks. Physica A: Statistical Mechanics and its Applications 489, (2018).
Bellingeri, M., Bevacqua, D., Scotognella, F. & Cassi, D. The heterogeneity in link weights may decrease the robustness of real-world complex weighted networks. Sci Rep 9, (2019).
Ecological networks: Le reti trofiche (food webs) sono network ecologici che fungono da rappresentazioni delle relazioni predatore-preda in un ecosistema. Le reti trofiche sono modellate come grafi diretti, in cui i nodi corrispondono alle specie e i link indicano chi mangia cosa. L’estinzione di una specie può essere studiata come la rimozione di un nodo, con effetti a cascata sull’intera rete. Se un nodo chiave, come un superpredatore o una specie primaria, viene eliminato, può causare la scomparsa di altre specie dipendenti, portando a una cascata trofica e all’instabilità dell’ecosistema.
La Networks Unit ha analizzato l’estinzione primaria nelle reti trofiche introducendo un criterio basato su soglie di energia minima necessaria per la sopravvivenza delle specie. Se a seguito della estinzione primaria una o più specie vedono le proprie risorse abbassarsi sotto la soglia critica, vanno anche esse estinte. Le nostre simulazioni mostrano come all’aumentare della soglia di energia richiesta per la sopravvivenza delle specie, la robustezza delle reti trofiche diminuisce significativamente, rendendo l’ecosistema molto vulnerabile alla perdita di risorse. Un lieve aumento della soglia energetica provoca una notevole crescita dell’estinzione secondaria, evidenziando la fragilità delle reti trofiche sotto stress energetico. L’analisi strutturale di queste reti aiuta a identificare le specie più critiche per la resilienza ecologica e a prevedere l’impatto di fattori come i cambiamenti climatici e l’attività umana sulla biodiversità.
Riferimenti
Bellingeri, M. & Vincenzi, S. Robustness of empirical food webs with varying consumer’s sensitivities to loss of resources. J Theor Biol 333, 18–26 (2013).
Bellingeri, M. & Bodini, A. Threshold extinction in food webs. Theor Ecol 6, 143–152 (2013).
Bellingeri, M., Cassi, D. & Vincenzi, S. Increasing the extinction risk of highly connected species causes a sharp robust-to-fragile transition in empirical food webs. Ecol Modell 251, 1–8 (2013).
Biological networks. I network di tipo biologico possono essere di varia natura. I nodi possono rappresentare proteine, geni, cromofori o organismi, mentre i legami indicano interazioni biochimiche, regolazioni genetiche, trasferimenti energetici, o flussi di materia. La loro analisi aiuta a comprendere l’evolvere delle malattie, sviluppare farmaci, spiegare i meccanismi di trasferimento energetico nei vegetali, e studiare processi biologici di varia natura. La Networks Unit ha modellato il trasferimento di energia di eccitazione (Excitation Energy Transfer, EET) nel fotosistema I (Photosystem I, PSI) di Pisum sativum come una rete complessa di interazioni, utilizzando il Förster Resonance Energy Transfer (FRET) per calcolare il trasferimento energetico tra cromofori. In questo network, i nodi rappresentano i cromofori, mentre i links indicano l’entità del FRET tra di essi. L’efficienza del PSI è stata analizzata attraverso indicatori classici della scienza delle reti e una misura specifica sviluppata ad hoc: il numero di cromofori collegati al centro di reazione P700. I risultati indicano che il PSI è un sistema resiliente, in cui l’efficienza diminuisce gradualmente con la rimozione dei links di FRET, mantenendo un trasferimento globale di energia significativo anche dopo la perdita di numerose interazioni tra cromofori.
Riferimenti
Montepietra, D., Bellingeri, M., Ross, A. M., Scotognella, F. & Cassi, D. Modelling photosystem i as a complex interacting network: Modelling the photosynthetic system i as complex interacting network. J R Soc Interface 17, (2020).
Bellingeri, M., Montepietra, D., Cassi, D., Scotognella, F. & Bellingeri, M. The robustness of the photosynthetic system i energy transfer complex network to targeted node attack and random node failure. J Complex Netw 10, (2022).
Gastronomical networks. La scienza dei networks ha affiancato di recente la scienza degli alimenti nella ricerca in materia alimentare. I network gastronomici possono essere modellati in modi differenti, i nodi possono identificare ingredienti, piatti, ricette o nutrienti, con legami che rappresentano combinazioni culinarie, affinità di sapori, similarità di ricette, o connessioni nutrizionali. Studiare queste reti permette di creare nuove ricette, migliorare la nutrizione e analizzare tradizioni culinarie. Il nostro laboratorio, unendo la scienza delle reti e la teoria dei grafi di intersezione, ha analizzato le proprietà strutturali delle reti di ricette nella cucina catalana. Utilizzando tre diversi ricettari, due tradizionali e uno di alta cucina, abbiamo costruito le reti di similarità tra ricette collegandole in base agli ingredienti condivisi, con pesi dei links che riflettono la somiglianza tra ingredienti. La nostra analisi rivela che le reti di ricette presentano differenze strutturali tra le diverse tipologie di cucina, in particolare nell’alta cucina, che presenta ricette più specializzate. Le metriche di centralità dei nodi identificano poi le ricette chiave che definiscono le tradizioni culinarie, come l’”Allioli” nella cucina catalana tradizionale e la “Becada con brioche de su salmis” nell’alta cucina. Questo studio contribuisce al campo della gastronomia computazionale e fornisce una base metodologica che può essere integrata con tecniche di intelligenza artificiale per supportare la personalizzazione delle ricette, le raccomandazioni alimentari e l’innovazione gastronomica.
Riferimenti
Montepietra, D., Bellingeri, M., Ross, A. M., Scotognella, F. & Cassi, D. Modelling photosystem i as a complex interacting network: Modelling the photosynthetic system i as complex interacting network. J R Soc Interface 17, (2020).
Bellingeri M., Bidon-Chanal Badia A., Vila Rigat V. et al. The recipe similarity network: a new powerful algorithm to extract relevant information from cookbooks, 09 January 2025, Biorxiv, PREPRINT (Version 1) available at Research Square [https://doi.org/10.21203/rs.3.rs-5791708/v1]
Social networks. Nella scienza delle reti, i social network sono rappresentati come grafi, in cui i nodi corrispondono agli individui (o entità) e i link rappresentano le connessioni tra loro, come amicizie, collaborazioni o interazioni online. Questi network sono spesso molto complessi, caratterizzati da proprietà come l’alta connettività tra nodi, la struttura modulare (comunità di individui preferenzialmente connesi tra loro) e la distribuzione del numero dei legami a legge di potenza, dove pochi nodi altamente connessi fungono da hub.
Lo studio dei social network permette di analizzare fenomeni come la diffusione delle informazioni, la formazione di opinioni, e l’emergere di fake news e dinamiche sociali collegate a questi fenomeni. L’analisi dei social network trova applicazioni in vari ambiti di prioritaria importanza, tra questi l’epidemiologia, permettendo lo studio e la previsione della diffusione di malattie. In questo campo, la Networks Unit ha analizzato il ruolo della struttura delle reti sociali nella diffusione epidemica e nell’efficacia delle misure di contenimento. I nodi rappresentano gli individui, mentre i link indicano i contatti sociali, considerati potenziali canali di infezione. La rimozione di contatti sociali (links) descrive quindi l’attuazione di distanziamento sociale volte ad abbattere la diffusione epidemica. Abbiamo scoperto che l’eliminazione mirata delle interazioni sociali più centrali, rispetto a una loro rimozione casuale, si è rivelata più efficace nel rallentare la diffusione dell’epidemia. Tuttavia, la tempistica degli interventi è cruciale: ritardi superiori a 20 giorni compromettono la capacità di contenere il picco di infezione.
Abbiamo poi modellato la vaccinazione in reti sociali allo scopo di capire quale strategia di vaccinazione fosse più efficace nel fermare la diffusione epidemica. Abbiamo simulato e confrontato diverse strategie di vaccinazione, da quella casuale, a quella mirata ai nodi più connessi nella rete, mostrando come un approccio semi-adattivo, che ricalcola la centralità dei nodi dopo un certo numero di vaccinazioni, aumenta l’efficacia della strategia di vaccinazione fino all’80%, dimostrando quindi che la scelta ottimale dipende dalla disponibilità di vaccini e dalla struttura della rete.
Riferimenti
Bellingeri, M. et al. Modeling the Consequences of Social Distancing Over Epidemics Spreading in Complex Social Networks: From Link Removal Analysis to SARS-CoV-2 Prevention. Front Phys 9, (2021).
Sartori, F. et al. A comparison of node vaccination strategies to halt SIR epidemic spreading in real-world complex networks. Sci Rep 12, (2022).
Bellingeri, M. et al. Network structure indexes to forecast epidemic spreading in real-world complex networks. Front Phys 10, (2022).
Road networks: Le reti stradali sono rappresentazioni grafiche delle infrastrutture di trasporto su strada, in cui i nodi corrispondono a incroci o punti chiave (come svincoli e rotatorie) e i link rappresentano le strade che li collegano. Le reti stradali hanno molte applicazioni, come l’analisi del flusso veicolare e riduzione della congestione, progettazione di infrastrutture più efficienti, calcolo del percorso più breve o più veloce, simulazione dell’impatto di incidenti o disastri naturali sulla viabilità.
Il nostro laboratorio, in collaborazione con il Prof. Zhe-Ming Lu della School of Aeronautics and Astronautics, Zhejiang University (China), ha studiato la risposta della rete stradale di Pechino alla rimozione di nodi per valutare la robustezza del sistema rispetto a guasti locali. La rete, composta da nodi-incroci e links-strade, è una rete pesata in cui il peso dei links rappresenta il numero di veicoli transitanti settimanalmente. Il danno è stato misurato utilizzando sia metriche topologiche sia metriche pesate. I risultati del nostro studio mostrano che le strategie pesate, che tengono conto del peso dei collegamenti, causano i maggiori danni alla capacità di trasporto del sistema stradale, evidenziando l’importanza degli incroci su cui verte il maggiore traffico. Interessante è il fatto che una frazione significativa di rimozioni casuali di nodi può generare danni paragonabili o superiori a quelli delle strategie mirate. Questo suggerisce che simulazioni estese di guasti casuali potrebbero essere utili per individuare nodi critici e aumentare la robustezza delle infrastrutture di trasporto.
Riferimenti
Bellingeri, M., Lu, Z.-M., Cassi, D. & Scotognella, F. Analyses of the response of a complex weighted network to nodes removal strategies considering links weight: The case of the Beijing urban road system. Modern Physics Letters B 32, (2018).
Bellingeri, M., Bevacqua, D., Scotognella, F., LU, Z.-M. & Cassi, D. Efficacy of local attack strategies on the Beijing road complex weighted network. Physica A: Statistical Mechanics and its Applications 510, (2018).