無尺度網路理論是網路科學的基石之一，但其在生物學中的適用性近年受到嚴格統計檢驗的挑戰，需要更精確的數學框架。
冪次律的嚴格統計檢驗
Clauset, Shalizi & Newman（SIAM Review, 2009）提出標準檢驗流程：
- 用 MLE 估計 γ 和下界 x_min（即 power-law 只適用於 k ≥ x_min 的部分）。
- KS 距離 + bootstrap 生成 p-value。p < 0.1 拒絕冪次律。
- 比較替代模型（log-normal, exponential, stretched exponential）的 likelihood ratio test。
Broido & Clauset（2019）用此方法重新分析 ~1,000 個網路，發現僅 ~4% 在嚴格意義下為無尺度。多數生物網路更適合 truncated power-law P(k) ~ k^(−γ)·e^(−k/κ) 或 log-normal，但仍保有「heavy-tailed with hubs」的關鍵特徵。
結構特性的數學推導
BA 模型中：
- 平均路徑長度 L ~ ln(N)/ln(ln(N))，比隨機圖的 ln(N)/ln(
) 更短（超小世界）。 - Clustering coefficient C ~ (ln N)²/N，比隨機圖高但仍隨 N 衰減。真實 PPI 的 C 遠高於 BA 模型預測，需引入 hierarchical network model（Ravasz & Barabási, PRE, 2003）：C(k) ~ k^(−1) 表示高度節點的聚類係數較低。
Duplication-Divergence 模型
比 BA 模型更生物學相關的網路演化模型：新蛋白質由基因複製產生，繼承母蛋白的部分互動夥伴，然後隨突變逐漸分歧（diverge）。Ispolatov et al.（PRE, 2005）證明此模型在特定參數下也產生 heavy-tailed degree distribution，且更好地重現 PPI 的群聚結構。
Attack Tolerance 的理論分析
Albert et al.（Nature, 2000）以 percolation theory 分析：
- 隨機移除（random failure）：無尺度網路極其健壯，需移除 >95% 節點才使 giant component 崩解（因為隨機移除幾乎不會命中 hub）。
- 目標攻擊（targeted attack on highest-degree nodes）：只需移除 ~15% 的 hub 即可使網路碎裂。臨界閾值 f_c 與 γ 有關：γ < 3 時 f_c 隨機移除 → 1（幾乎永不崩潰），γ ≤ 3 時目標攻擊的 f_c 極低。
生物學意義：病原體演化策略可能傾向靶向 hub 蛋白質（如病毒蛋白質 preferentially interact with host hubs; Dyer et al., PLoS Pathog, 2008），而宿主防禦則需保護這些 hub。
精準醫學啟示：網路中心性分析指導藥物靶點選擇——直接攻擊 hub（如 oncogenic kinase）或利用 synthetic lethality 攻擊 hub 的冗餘夥伴。
文獻：Barabási & Albert (1999) Science 286:509-512 / Clauset et al. (2009) SIAM Review 51:661-703 / Albert et al. (2000) Nature 406:378-382.