CCNI采用了一种跨学科的方法，将信息论、机器智能和网络科学结合起来，研究从分子到生态和社会经济系统等不同规模的复杂交互系统的自适应过程。利用这些知识来创建新型、更高效的人工智能算法，并对隐藏在数据、信号和图像中的模式进行高级分析。我们的理论研究是为了将理论物理学中典型采用的高级数学范式(如拓扑和流形理论)转化为特征化定量生命科学中的多体相互作用。我们应用我们发明的理论框架，为系统和网络生物学、个性化生物医学和组合药物治疗、社会和经济数据科学开发计算工具。

可塑性现象——比如重塑、生长和进化——改变了复杂生命系统的拓扑结构、它们的内部状态以及它们以网络或高维数据集形式的多维表示。我们的理论使命是阐明构成这种结构可塑性的一般规则和机制，这种结构可塑性是生物学习和记忆过程的基础。特别是我们开发了自适应和自组织学习系统的拓扑分析方法，如蛋白质相互作用和分子水平的细菌-代谢物网络，以及细胞水平的大脑网络。

在神经科学中，我们感兴趣的是大脑网络如何在突触和功能水平上连接，以调节学习过程。并且，在分子途径的尺度上，我们试图识别网络模式，这可能表明哪些损坏的功能模块负责神经退行性疾病的记忆畸变。由于发育生物学模型可以显著启发再生和退化的一般范式，我们研究了正常和癌症条件下组织分化的调节模式。

在翻译和网络医学方面，我们的使命是采用先进的机器学习和网络科学方法，整合分子网络和组学图谱，以定义个性化治疗计划和个性化药物治疗。此外，由于心血管系统是一个自适应复杂系统的范例，我们应用我们的模式识别算法来探索心血管患者的正常/病理状态。

最后，由于CCNI的目标是研究生命系统的复杂性及其跨尺度适应机制，我们与生态、社会和经济科学领域的专家合作，将我们的算法应用于他们的数据，并揭示从分子和细胞到微生物和动物(包括人类)的生命物质是否具有自组织的广义规则特征。