网络分析流程与 NetworkX 实践15 / 16
生物医学应用
网络分析在生物医学研究中最常见的“套路”是：从数据库或实验数据构建网络 → 计算中心性找“关键节点” → 做功能富集 → 用文献“验证”。这个流程上手快，但也最容易得出不可靠的结论。几个值得在研究设计中主动避免的问题：
- 研究偏倚：研究得越多的蛋白，记录的相互作用越多，度就越高。PPI 网络中“疾病基因度高”部分反映的是研究热度，而非生物学重要性。可以用只含高通量实验的数据（如 HuRI）或控制文献数量来检验；在零模型中做度匹配（见完整案例）也是常用的控制办法。
- 循环论证：用已知疾病基因作种子构建网络，再发现网络中心是已知疾病基因，并不能证明方法有效。
- 相关不等于调控：共表达网络的边是统计相关，不是调控关系（详见基因调控网络推断与共表达分析）。
- “验证”要独立：用于发现的数据和用于验证的数据应当不同；富集分析要选择合适的背景基因集（例如以网络中的全部基因而非全基因组为背景）。
- 网络不完整：现有相互作用组只覆盖真实相互作用的一部分，且覆盖并不均匀。子网络的性质不等于全网络的性质（Stumpf 等 2005），“某基因没有连接”可能只是数据缺失。
工具与生物医学研究的结合。Cytoscape 最初就是为整合生物分子相互作用网络与表达谱等高通量数据而设计的（Shannon 等 2003, Genome Research），至今仍是 PPI 与通路分析的常用平台。脑网络研究中，Rubinov 与 Sporns（2010, NeuroImage）系统整理了脑连接指标的定义与解释，并以 Brain Connectivity Toolbox 提供实现，成为该领域最常引用的指标参考之一（见 Rubinov 2010）。两者都说明：工具的选择不仅关乎速度，还决定了研究者默认使用哪一套指标定义。
网络可控性与稳定性专题中介绍的控制核心点研究、症状网络模块控制研究，都在方法中包含了富集分析、方法对比或自举稳定性检验，可以作为研究设计的参照。