基于归纳式链接预测(ILP)的生态网络跨群落互作推断及数据缺口填补研究

【编辑推荐】生态网络研究长期受数据稀疏性制约，传统转导式模型难以实现跨网络预测。研究人员创新性结合归纳式链接预测(ILP)与迁移学习技术，在538个植物-种子传播者/传粉者/寄生虫/食草动物网络中验证，其预测精度(F1 分数)显著优于传统方法，并开发可直接应用的预训练模型，为生态互作预测提供通用框架。

　　

生态网络研究中，物种互作(links)预测对理解生态系统功能及环境响应至关重要。传统转导式链接预测模型受限于数据稀疏性且仅适用于单一网络。本研究突破性地采用归纳式链接预测(Inductive Link Prediction, ILP)方法，通过跨群落数据整合与迁移学习技术，成功实现生态网络内及网络间的互作预测。

研究团队在四大类群落网络(植物-种子传播者、植物-传粉者、宿主-寄生虫、植物-食草动物)共计538个网络中验证发现：ILP模型在精度(precision)和F₁
分数上均显著超越传统模型。有趣的是，跨群落预测效果存在差异——当以植物-种子传播者和宿主-寄生虫网络作为训练集时表现更优，而涉及植物-传粉者和植物-食草动物网络时稍逊。

基于ILP的泛化能力，团队进一步开发了开箱即用的预训练模型，使生态学家能快速获得新网络的互作预测。该研究不仅为生态互作预测建立了通用框架，更通过跨网络知识迁移有效填补了关键数据缺口，为复杂生态系统的量化研究开辟了新途径。