Свойства малого мира научных организаций определяют динамику публикационной активности в области миРНК

Многие научные статьи стали доступны в цифровом виде, что позволяет запрашивать данные статей и, в частности, автоматически собирать метаданные, включая данные об аффилиации. Это, в свою очередь, можно использовать для количественных оценок научной области, например для идентификации организаций и анализа графа соавторства этих организаций для извлечения базовой структуры науки. В настоящей работе рассмотрена область исследования микроРНК, а именно граф соавторства организаций и анализ его эволюции. 

Чтобы решить проблему вариативности написания названия организаций, был предложен алгоритм сортировки логических векторов признаков k-mer/n-gram. В нем используется тот факт, что содержание аффилиации довольно консистентно для одной и той же организации. Для учета ошибок написания и других артефактов названия организации в поле метаданных аффилиации наш подход преобразует упоминание организации внутри аффилиации в K-Mer (n-gram) булевый вектор присутствия. Далее векторы всех аффилиаций из набора данных лексикографически сортируются, образуя группы упоминаний организаций. Таким подходом был кластеризован набор данных аффилиаций в области исследования микроРНК и определены названия уникальных организаций, что позволило построить граф соавторства на уровне научных организаций. С помощью этого графа показано, что рост области исследования микроРНК контролируется архитектурой малого мира сети научных организаций и испытывает степенной рост с показателем степени 2.64 ± 0.23 для числа организаций в соответствии с диаметром сети, предлагая модель роста новых научных направлений. Скорость публикации первой статьи по микроРНК у организации при ее взаимодействии с другой организацией, уже публиковавшейся в этой области, аппроксимируется как 0.184 ± 0.002 год–1.

1. Goffman W., Newill V.A. Generalization of epidemic theory. An application to the transmission of ideas. Nature. 1964;204(4955):225228. DOI 10.1038/204225a0.

2. Humphries M.D., Gurney K. Network ‘small-world-ness’: a quantitative method for determining canonical network equivalence. PLoS One. 2008;3(4):e0002051. DOI 10.1371/journal.pone.0002051.

3. Leydesdorff L., Wagner C., Park H., Adams J. International collaboration in science: the global map and the network. Prof. Inf. 2013; 22(1):1-18. DOI 10.3145/epi.2013.ene.12.

4. Liu M., Li D., Qin P., Liu C., Wang H., Wang F. Epidemics in interconnected small-world networks. PLoS One. 2015;10(3):e0120701. DOI 10.1371/journal.pone.0120701.

5. Muldoon S., Bridgeford E., Bassett D. Small-world propensity and weighted brain networks. Sci. Rep. 2016;6:22057. DOI 10.1038/srep22057.

6. Newman M.E.J., Moore C., Watts D.J. Mean-field solution of the smallworld network model. Phys. Rev. Lett. 2000;84(14):3201-3204. DOI 10.1103/PhysRevLett.84.3201.

7. Ribeiro L., Rapini M., Silva L., Albuquerque E.M. Growth patterns of the network of international collaboration in science. Scientometrics. 2018;114:159-179. DOI 10.1007/s11192-017-2573-x.

8. Shi Y., Guan J. Small-world network effects on innovation: evidences from nanotechnology patenting. J. Nanopart. Res. 2016;18:329. DOI 10.1007/s11051-016-3637-1.

9. Vazquez A. Spreading dynamics on small-world networks with connectivity fluctuations and correlations. Phys. Rev. E. Stat. Nonlin. Soft Matter Phys. 2006;74:056101. DOI 10.1103/PhysRevE.74.056101.

10. Wagner C., Leydesdorff L. Network structure, self-organization and the growth of international collaboration in science. Res. Policy. 2005; 34(10):1608-1618. DOI 10.1016/j.respol.2005.08.002.

11. Watts D.J., Strogatz S.H. Collective dynamics of ‘small-world’ networks. Nature. 1998;393(6684):440-442. DOI 10.1038/30918.