README.md

# Network Science

Scripts de Python y Jupyter Notebooks empleados para aplicar métricas propias del análisis 
de redes (Network Science) a redes bipartitas y proyectadas de enfermedades
relacionadas en función de genes, fármacos y/o síntomas en común.

## Contenido del repositorio

| NOMBRE                 | DESCRIPCIÓN                                                                              | 
|-----------------------|------------------------------------------------------------------------------------------|
| Métricas en redes bipartitas.ipynb | Jupyter Notebook empleado para aplicar métricas de Network Science a redes bipartitas y proyectadas de enfermedades relacionadas en función de genes, fármacos y/o síntomas en común.|   
| funciones_network_science.py      | Script de Python con las funciones implementadas en el Jupyter Notebook                        |

## Métricas implementadas

1. **Grado**. Número de conexiones establecidas por ese nodo con otros nodos de la red.
2. **Average Shortest Path Length (SPL)**. Distancia media entre todos los pares de nodos de la red, entendiendo el término “distancia” como el mínimo número de enlaces necesarios para conectar dos nodos.
3. **Transitividad**. Fracción relativa de triángulos en el grafo en comparación con el número de tripletas.
4. **Largest Connected Component (LCC)**. Indica el mayor conjunto de nodos conectados entre sí en la red.
5. **Medidas de centralidad**. La centralidad hace referencia a la importancia de un nodo. Se han seleccionado dos métodos en concreto para la determinación de la centralidad:
<br>5.1. **Centralidad de intermediación**. Determinación de la importancia de un nodo en función de su actuación como “puente” o intermediario.
<br>5.2. **Centralidad de cercanía**. Evaluación de la importancia de un nodo según su grado de cercanía al resto de nodos de la red.