理解传染病、信息扩散和观点形成等传播过程如何在大型异质网络上展开，对预测、控制和干预至关重要。然而，真实网络规模大、异质性强，传统数值模拟虽能复现传播结果，却难以揭示跨尺度机制；解析方法又常依赖均匀混合、弱相关等简化假设。近日，系统科学学院复杂社会系统研究团队提出“迭代结构粗粒化”（Iterative Structural Coarse-Graining, ISCG）框架，在压缩大规模网络的同时保持传播动力学，为多尺度流行病建模提供了新工具。

传播过程天然围绕密集局部结构组织。一旦感染在密集 k-团（k-clique）内饱和，后续传播主要由团与团之间的传递决定，而非单个节点的动力学细节。基于这一观察，ISCG 迭代识别网络中的最大k-团，将其聚合为超节点，团间多条连接聚合为带权超边。研究进一步给出理论阈值：当传播率大于该阈值时，k-团内感染在恢复前几乎必然饱和，团可被视为一个动态相干的传播单元；理论上可以给出超边的有效传播概率，从而精确复现团间传播。这样，ISCG 在“精确保持区”可复现原始网络的最终爆发规模、节点感染风险和时空感染轨迹；在“近似保持区”，则允许在可控精度损失下获得更强结构压缩。

该方法在合作网络、生物、社交、技术、基础设施、交通和人类移动等20余个真实网络上均表现出良好的压缩效果：最终爆发规模、节点级感染概率、平均感染时间、瞬态感染比例和累计爆发轨迹均与原始网络高度一致。在应用层面，ISCG 支持影响最大化、边免疫和哨点监测等干预策略。由于粗粒化网络保留了介观传播单元，这些策略能够优先定位跨尺度传播中的关键结构，在多种实证网络和传播机制下优于基于自适应中心性的方法。

论文于2026年10月9日发表于 Science Advances 杂志（论文链接：https://www.science.org/doi/10.1126/sciadv.adz4710）。系统科学学院已毕业博士生薛乐洋为论文第一作者，曾安教授担任论文最后作者及通讯作者，狄增如教授也参与了论文研究。该研究得到国家自然科学基金项目（T2541030、72274020、12575033）和中央高校基本科研业务费（2233200016）等资助。

图1，ISCG框架示意图。A：最大团迭代合并为超节点，节点权重为组成节点权重之和，边权为聚合边权；B：构造k-团粗粒化网络（CGN）；C：保持传染动力学的两个条件（团内最小传播阈值与超边有效传播概率）。该框架将微观接触、介观组织和宏观传播行为统一到可解释的多尺度网络中。

供稿：曾   安

编辑：郝林青

审核：李   辉