研究人员开发了一种名为“双模性”（bimodularity）的新工具，为网络中的社区检测增加了方向性。与仅对节点进行聚类的传统方法不同，这种方法对边进行分组，从而能够区分发送者和接收者，并发现双社区（bicommunities）。应用于交通流、社交网络甚至大脑活动时，它既能揭示哪些节点属于同一群体，也能揭示信息如何流动。在对秀丽隐杆线虫神经网络进行的测试中，该算法不仅与已知的解剖学结构相符，还发现了新的功能分组，预示着在神经科学及其他领域的激动人心的应用前景。该研究发表在《美国国家科学院院刊》上。

该方法真正与众不同的是它识别社区的方式——不是像通常那样对节点进行聚类，而是对边进行聚类。这种基于边的方法使研究人员能够揭示成对的社区：一个发送信息，一个接收信息——他们称之为双社区的新组织结构。现在不仅可以使用传统的社区检测方法获得由红色、蓝色和黄色簇表示的节点社区，还可以检测由绿色、橙色和紫色方向箭头表示的第二种类型的社区。这是一个重要的新信息层，现在可以知道每个社区中谁与谁连接，以及他们是否同样是发送者或接收者、影响者或追随者、通勤者或度假者社区的一部分。

为了测试这一理论，研究人员将其应用于一个著名的来自秀丽隐杆线虫的神经元活动数据集。新算法不仅以与解剖学数据完美匹配的方式组织了神经网络，甚至还揭示了某些新的神经元分组，为神经系统内的功能提供了线索。令人兴奋的是，双模性不仅证实了从感觉输入到运动的已知流动，还揭示了中间的步骤，如从感觉到处理以及从处理到运动。这些可能指向因果通路，为解释信息如何通过神经系统移动开辟了新的可能性。例如，它可以帮助理解中风后大脑可塑性如何重组网络以恢复功能。

参考信息
“Community detection for directed networks revisited using bimodularity” by Dimitri Van De Ville et al. PNAS