| 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.|
| 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 |
| 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. Concretamente, una “tripleta” está formada por un trío de nodos unidos entre sí por al menos dos enlaces. Por otro lado, un “triángulo” se compone de una tripleta de nodos asociados mediante tres enlaces, adquiriendo una conformación triangular.
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:
5.1. Centralidad de intermediación. Determinación de la importancia de un nodo en función de su actuación como “puente” o intermediario.
5.2. Centralidad de cercanía. Evaluación de la importancia de un nodo según su grado de cercanía al resto de nodos de la red.
