编辑推荐：
本研究聚焦于复杂网络中节点与边缘关系的量化难题，首次提出了一种多尺度节点-边缘相互作用（MNEI）分析方法，并以阿尔茨海默病、轻度认知障碍及健康对照的脑网络为例进行验证。研究人员通过将顶点域属性分解至图频域获得九个MNEI成分，进而转换回顶点域进行特征提取与分类。结果表明，大多数MNEI特征在组间存在显著差异，其分类性能超越传统脑网络分析方法。这项工作不仅首次实现了对复杂网络内MNEI信息的捕捉，也为在非欧几里得网络拓扑约束下融合节点与边缘属性提供了新的信息融合技术，同时作为一种新型多尺度复杂网络分解方法，为未来多领域应用提供了全新科学见解。
在我们周围，从社交关系到神经网络，再到全球交通，复杂网络无处不在，构成了理解许多复杂系统的骨架。然而，传统的网络分析常常将焦点放在“节点”（如社交网络中的个人、脑网络中的脑区）或“边”（节点之间的连接）的独立属性上。这就好比试图通过只观察一个个独立的火车站，或者只看铁轨本身，来理解整个铁路系统的运行效率——显然是片面的。在现实中，节点的重要性与其连接模式（边）是密不可分的，两者在多个尺度上动态交互，共同决定了网络的功能。尤其是在人脑这样的精密系统中，不同脑区（节点）自身的活动特性与其之间的连接强度（边）如何协同工作，是理解大脑认知功能乃至神经系统疾病（如阿尔茨海默病，Alzheimer’s disease, AD）机制的关键。然而，一个核心的科学难题长期存在：如何在数学上有效地刻画并量化这种节点与边之间复杂的、多尺度的相互作用（Multiscale Node-Edge Interactions, MNEI）信息？此前的研究尚未涉足这一领域。
为了破解这一难题，一篇发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究进行了开创性的探索。研究人员瞄准了大脑这一典型的复杂网络，选取了阿尔茨海默病（AD）患者、轻度认知障碍（Mild Cognitive Impairment, MCI）患者以及健康对照（Healthy Controls, HC）的脑网络数据作为研究案例。他们的目标很明确：首次提出并验证一种能够从复杂网络中提取多尺度节点-边缘相互作用信息的方法，并评估其在识别不同大脑状态（如疾病与健康）中的价值。
研究者们发展了一套新颖的分析流程。首先，他们利用来自AD、MCI和HC被试的脑网络数据作为基础。关键的技术方法在于对网络信息的变换与分解：研究将原始脑网络中节点和边的属性（通常存在于“顶点域”，vertex domain）转换到“图频域”（graph frequency domain）。在图频域中，网络的全局和局部模式可以像信号的不同频率成分一样被分离。通过这种变换，研究者成功地将节点和边的联合信息分解成了九个不同的多尺度节点-边缘相互作用（MNEI）成分。每一个MNEI成分都融合了节点属性的某一频带（高、中、低）与边属性的任一频带的信息。随后，这些在图频域中得到的MNEI成分被重新转换回顶点域，从而得到可以直接用于后续统计分析的特征。最终，研究人员同时利用来自顶点域和图频域的MNEI特征，构建分类模型，以区分AD、MCI和HC三组被试。
MNEI特征的组间差异显著
研究表明，大多数提取出的多尺度节点-边缘相互作用（MNEI）特征在三组被试（AD、MCI、HC）之间表现出显著的统计学差异。这意味着，健康大脑、早期认知衰退大脑（MCI）和典型痴呆大脑（AD）在节点与边相互作用的模式上存在本质的不同，这为利用此类特征进行疾病鉴别提供了基础。
基于MNEI特征的分类性能优越
研究人员利用这些MNEI特征对被试进行分类。结果验证了MNEI特征的有效性：基于MNEI特征构建的分类模型，其性能（准确区分AD、MCI和HC的能力）超越了传统的脑网络分析方法。这证明，相比于只考虑节点或只考虑边的传统特征，融合了二者多尺度交互信息的MNEI特征能更敏感、更特异地捕捉到与疾病相关的大脑网络拓扑改变。
这项研究得出了几个重要的结论。首先，也是最重要的一点，它首次在实证层面证明，从复杂网络中捕获多尺度节点-边缘相互作用（MNEI）信息是可行的。这为复杂网络分析打开了一扇新的大门，将分析维度从节点或边的单一层面，提升到了二者协同互作的整合层面。其次，从方法论角度看，这项工作可被视为一种创新的信息融合技术。它在非欧几里得（non-Euclidean）的网络拓扑结构约束下（即网络连接不是规则网格），巧妙地融合了节点属性和边缘属性，提供了一种处理复杂网络异构信息的新思路。再者，整个分析方法本身也可以被定义为一类新的多尺度复杂网络分解方法，能够将网络在不同尺度上的节点-边耦合模式解构出来。
总体而言，这项研究的突破性意义在于显著扩展了复杂网络分析的范畴。它所提出的MNEI框架不仅为理解大脑疾病提供了全新的科学视角，揭示了疾病状态下脑网络节点与连接协同模式的异常，更重要的是，这套方法论具有普适性。未来，它有望被广泛应用于社交网络、交通网络、生物分子网络等诸多领域，为从海量、复杂的网络数据中提取更深层、更本质的规律提供强大的分析工具。
