Investigadores de la EPFL y la Universidad de Ginebra han desarrollado un nuevo algoritmo que resuelve un desafío crucial en la ciencia de redes: el manejo de la direccionalidad para detectar comunidades. Desde la neurociencia hasta las redes sociales y los patrones de tráfico, este avance revela no solo quién está conectado, sino quién lidera el grupo.
Con el final del verano, muchos de nosotros en la Europa continental volvemos al norte. Los largos viajes de regreso desde las playas del sur de Francia, España e Italia vuelven a colapsar los túneles alpinos y las rutas costeras del Mediterráneo durante los infames cuellos de botella del Sábado Negro. Esta migración anual, como muchos sistemas en nuestro mundo, forma una red: no solo de conexiones, sino de comunidades moldeadas por patrones compartidos de origen y destino.
Aquí es donde entra en juego la ciencia de redes, y en particular la detección de comunidades. Durante décadas, los investigadores han desarrollado herramientas poderosas para descubrir comunidades en redes: grupos de nodos estrechamente interconectados. Sin embargo, estas herramientas funcionan mejor en redes no dirigidas, donde las conexiones son mutuas. Gráficamente, se asemeja a estos mapas de nodos que la mayoría ya hemos visto:
Estos clústeres pueden significar que un grupo de personas son amigos en Facebook, siguen diferentes cuentas deportivas en X o viven en la misma ciudad. Mediante un algoritmo de modularidad estándar, podemos encontrar conexiones entre diferentes comunidades y empezar a extraer conclusiones útiles. Quizás los usuarios de la comunidad de pesca con mosca también aparezcan como seguidores de aficionados a la cerveza sin alcohol en Ginebra. Este tipo de extracción de información, imposible sin el análisis de la comunidad, constituye una capa de significado que puede aprovecharse para vender cerveza o incluso influir maliciosamente en las elecciones.
Cuando se trata de redes dirigidas —donde la influencia, la información o el tráfico fluyen de un punto a otro—, el concepto de «comunidad» se vuelve mucho más difícil de definir. Los métodos existentes a menudo ignoran la dirección o la utilizan de forma inconsistente. Un nuevo trabajo de la EPFL y la Universidad de Ginebra redefine el significado de una comunidad en un grafo dirigido, capturando tanto quiénes pertenecen a un grupo como cómo fluye la información entre ellos.
La bimodularidad se presenta. Mediante una ingeniosa maniobra matemática, investigadores del Laboratorio de Procesamiento y Análisis de Imágenes Médicas de Dimitri Van De Ville han descifrado el código. Con un elegante algoritmo, han añadido la siempre esquiva direccionalidad al análisis de redes. En otras palabras, ahora pueden detectar no solo qué ciudades se vacían en verano, sino también adónde suelen acudir estas comunidades para buscar playa y sombrilla.
“Con la bimodularidad, por fin podemos distinguir entre emisores y receptores en una red. Esto implica un mayor nivel de detalle en la interacción entre las comunidades: quién envía y quién recibe”, afirma Van de Ville. Y al detectar quién envía y quién recibe, podemos descubrir adónde va alguien, o quién sigue y a quién sigue.
La bimodularidad permite la detección de bicomunidades
“Lo que realmente distingue a este método es cómo identifica las comunidades, no agrupando nodos, como se suele hacer, sino agrupando bordes”, afirma Van De Ville. En otras palabras, en lugar de preguntar qué individuos pertenecen juntos, el algoritmo pregunta qué interacciones se comportan de forma similar en términos de direccionalidad. Este enfoque basado en bordes permite a los investigadores revelar pares de comunidades: una que envía información y otra que la recibe, una nueva estructura organizativa que denominan bicomunidades.
El resultado final es un gráfico que se ve así:
Ahora no solo contamos con la comunidad de nodos representada por clústeres rojos, azules y amarillos con detección de comunidad convencional, sino que también podemos detectar un segundo tipo de comunidad representado por las flechas direccionales verde, naranja y morada. Esta es una importante capa de información, ya que ahora podemos saber quién está conectado en cada comunidad, así como si pertenecen a otra comunidad de emisores o receptores, influencers o seguidores, viajeros o turistas.
Y aunque este nuevo descubrimiento no ha llegado a tiempo para salvarnos de los atascos de verano, los investigadores se muestran optimistas sobre su inminente implementación en el análisis de redes para una amplia gama de aplicaciones. Para probar la teoría, la aplicaron a un conjunto de datos bien conocido sobre la actividad neuronal del nematodo C. elegans . El nuevo algoritmo no solo organizó la red neuronal de forma que se alinea perfectamente con los datos anatómicos, sino que incluso reveló nuevas agrupaciones de neuronas que arrojan luz sobre la funcionalidad del sistema nervioso.
Lo emocionante es que la bimodularidad no solo confirma el flujo conocido de la información sensorial al movimiento, sino que también revela los pasos intermedios, como la interacción sensorial con el procesamiento y del procesamiento con el movimiento. Estos podrían indicar vías causales, lo que abre nuevas posibilidades para interpretar cómo se transmite la información a través del sistema nervioso. Podría, por ejemplo, ayudarnos a comprender cómo la plasticidad cerebral reorganiza la red para restaurar la función después de un accidente cerebrovascular, afirma el primer autor y estudiante de doctorado Alexandre Cionca.
Fondos
Financiación: Proyecto Sinergia del SNSF “Mapeo de Precisión” ( 209470 )
Referencias
Cionca, A., Chan, CHM y Van De Ville, D. (2025). Detección de comunidades para redes dirigidas: revisión mediante bimodularidad. Actas de la Academia Nacional de Ciencias (PNAS). www.pnas.org/doi/10.1073/pnas.2500571122
EPFL News. M. D. M. Traducido al español
