La agrupación de redes para la extracción de complejos proteicos a partir de redes de interacción proteína-proteína (PPI) ha surgido como un área de investigación destacada en la minería de datos y bioinformática. Identificar con precisión los complejos desempeña un papel crucial en la comprensión de la organización y funcionalidad celular. Las características de la red suelen ser útiles para mejorar el rendimiento de los métodos de detección de complejos proteicos. Se han propuesto muchos algoritmos de detección de complejos proteicos, centrándose principalmente en métricas de estructura micro-topológica local mientras pasan por alto el potencial característico de distribución de ley de potencia de los tamaños de comunidad a nivel macro global. El uso efectivo de esta información característica de distribución puede ser beneficioso para la extracción de complejos proteicos. Este documento propone un algoritmo de agrupación de redes para la detección de complejos proteicos fusionado con la característica de distribución de ley de potencia. El algoritmo de agrupación construye un modelo de generación de clústeres basado en la distribución de ley de potencia de escala libre para generar un clúster con un centro denso y una periferia relativamente dispersa. Siguiendo el modelo de generación de clústeres, se obtiene un clúster candidato. Desde una perspectiva global, se tiene en cuenta la distribución del número de clústeres de diferentes tamaños. Si el clúster candidato se alinea con las restricciones definidas por la función de distribución de ley de potencia de los tamaños de comunidad, se designa como el clúster final; de lo contrario, se descarta. Para evaluar el rendimiento predictivo del algoritmo propuesto, se emplean los conjuntos de complejos estándar CYC2008 y MIPS como puntos de referencia. El algoritmo se compara con DPClus, IPCA, SEGC, Core, SR-MCL y ELF-DPC en términos de F-measure y Precisión en varias redes de interacción proteína-proteína ampliamente utilizadas. Los resultados experimentales muestran que el algoritmo puede detectar eficazmente complejos proteicos y es superior a otros algoritmos comparativos. Este estudio enriquece aún más la conexión entre el análisis de las características de la topología de la red compleja y la extracción de módulos de función de la red, contribuyendo significativamente a la mejora del rendimiento de la detección de complejos proteicos.