生物医学网络科学Biomedical Network Science
Methods & Research PracticeNetwork analysis workflow with NetworkX

网络分析流程与 NetworkX 实践

从提出问题、读入与清洗数据、选择工具，到指标计算、零模型比较、可视化与报告，用 NetworkX 完成一次完整的网络分析

知识页面
16 页
阅读
约 46 分钟
讲解视频
1 段
代码示例
9 个
NetworkX网络分析流程工具选择igraphgraph-toolBCTCytoscapeGephi数据格式稀疏矩阵大规模网络近似算法布局算法力导向布局

网络科学的概念（度、聚集系数、路径长度、社团、中心性）只有落到具体数据上才能检验其价值。本专题处理的是从理论到数据的“最后一公里”：怎样把一个生物医学问题转化为节点与边的定义，怎样选择计算工具，怎样把各种来源的数据正确读入并在不同格式之间转换，怎样计算指标、发现社团、与模型网络和零模型比较，网络大到普通方法算不动时怎么办，怎样画出能回答问题的网络图，以及有哪些看似细小却会悄悄改变结果的计算陷阱。

这里的方法是其他专题的共同基础。指标的定义见网络结构指标与随机图，小世界与无标度的判别见小世界与无标度网络模型，模块度与社团检测算法见社团结构与社区发现；从原始测量构建网络、阈值选择、零模型与统计验证的系统讨论见网络构建与统计验证。把分析做得可复算、并检验结论对分析选择是否稳健，见研究问题、可复现分析与敏感性分析；结果的图表呈现与报告结构见结果呈现与研究前沿。

本专题以 Python 的 NetworkX 为主要工具，同时比较 igraph、graph-tool、Brain Connectivity Toolbox（BCT）、Cytoscape 与 Gephi 的定位，并给出一个从模拟表达矩阵出发、经过质控、建网、模块识别、枢纽筛选、零模型检验到敏感性分析的完整案例。最后整理了生物医学研究中常见的公开网络数据来源与分析方向。所有计算都有对应的可运行代码示例。

Contents知识页面

01网络分析的一般流程无论分析什么生物医学数据，一个网络研究大致都包括以下六步： 1. 提出问题：想用网络回答什么？（例如“阿尔茨海默病相关蛋白在 PPI 网络中是否聚成模块？哪些蛋白处于关键位置？”）…02工具选择网络分析的软件大致分两类：编程库（NetworkX、igraph、graph-tool、NetworKit、BCT）适合可复算的计算与统计；交互式桌面软件（Cytoscape、Ge…03NetworkX 上手NetworkX 是 Python 中最常用的网络分析库，接口友好，适合中小规模网络（数万节点以内）。在本地使用时，建议用 Anaconda 或 pip install netwo…04数据读写与格式转换生物医学网络数据以多种形式出现：数据库导出的边表（STRING、BioGRID、TRRUST）、实验或影像处理流程输出的连接矩阵（脑网络）、桌面软件保存的 GraphML/GEXF…05NetworkX 速查表任务 函数 相关专题 / 说明 --- --- --- 建图 nx.Graph()、nx.DiGraph()、G.addedge(u, v, weight=w) 网络结构指标与随机…06常见计算陷阱很多错误不会让程序报错，只会悄悄改变数值。下面五类问题在生物医学网络中最常见，代码示例“五个常见计算陷阱”给出了每一类的可手算演示。 自环 蛋白质同源二聚化、基因的自调控会在数据中…07大规模网络的计算策略“大规模”是相对于算法复杂度而言的。在一个 2 万节点、6 万条边的稀疏网络上，度、连通分支、PageRank 都很快完成；但所有节点对的最短路径与精确介数的计算量与 成正比，规模…08布局算法网络图的节点坐标不是数据，而是布局算法为了满足某种美学或几何目标计算出来的。理解各类布局优化的是什么，才能判断图中看到的“簇”“中心”有多少来自数据、多少来自算法。 力导向布局 把…09可视化工具与原则工具 适合做什么 提示 --- --- --- NetworkX + Matplotlib 分析过程中快速看图、画度分布等统计图 布局用 springlayout 并固定 seed…10用模型网络与零模型解读真实网络判断小世界和无标度的方法见小世界与无标度网络模型，零模型的系统讨论见零模型与空模型。实际研究中常见的做法是把真实网络的指标与几种模型网络（及零模型）放在一张表里比较： 指标 真实网…11完整案例：从表达矩阵到可检验的结论本节用一个模拟的共表达数据集，把前面各节串成一次完整分析。数据由代码生成，含已知答案（植入的模块与疾病基因），因此可以检查每一步是否把答案找回来了；真实分析的步骤相同，只是没有答案…12常见生物医学网络数据与分析方向下表整理了十类常见的生物医学网络、对应的公开数据来源与典型分析问题。 方向 数据来源 典型分析问题 --- --- --- --- 1 脑网络分析 Human Connectome…13数学推导与算法Brandes 介数算法 节点 的介数 ，其中 是 到 的最短路径条数， 是其中经过 的条数。按定义计算需要先求所有节点对的最短路径并逐对累加，代价为 。Brandes（2001）…14研究前沿与开放问题- 软件实现之间的一致性：同一指标在不同软件中的定义与默认参数存在差异，跨研究比较时可能造成系统偏差。如何在报告中规范地写出“计算定义”（而不仅是指标名称），仍缺乏统一做法；可复算…15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…16适用范围与常见误用1. 误区：先下载数据，再想研究问题。→ 正解：先写出具体问题和假设，再选择能回答它的数据和网络构建方式。 2. 误区：网络构建只是预处理，不重要。→ 正解：节点、边、阈值的定义决…

VIDEO讲解视频

从数据到可检验的结论：网络分析流程6 分 19 秒
文字稿

大家好，这一期我们讨论从理论到数据的最后一公里，一项网络分析该怎样做。度、聚集系数、社团和中心性，只有落到具体数据上，才能检验它们的价值。我们以 Python 的 NetworkX 为主要工具，但这些原则对任何软件都适用。

这是整本手册的知识地图，网络分析流程属于计算方法领域。它是其他专题的共同基础，指标、模型和社团检测都要在这里落到数据上。从测量构建网络、阈值和零模型的系统讨论，见网络构建与统计验证专题。

第一步提出问题，比如阿尔茨海默病相关蛋白在相互作用网络中是否聚成模块。第二步获取并清洗数据，统一标识符，比如基因名与 UniProt 编号的映射。第三步构建网络，规定节点是什么、边是什么，有无方向和权重，阈值怎么定。第四步计算度分布、聚集系数、路径长度和中心性，并从生物学角度解读。第五步做社团划分等算法分析，并与零模型比较，判断性质是否非随机。第六步结合文献解释结果，讨论局限，每一步的选择都要记录下来。一条通用原则是从问题出发，用 STRING 做一个网络，本身还不是研究问题。

NetworkX 是纯 Python 库，接口友好，适合中小规模网络和方法原型。igraph 和 graph-tool 的核心用编译型语言实现，常见算法快得多，适合更大的网络。脑网络常用 BCT，参与系数等指标以它的定义最常被引用。Cytoscape 是生物分子网络的标准平台，Gephi 适合交互式布局和出版级作图。不同软件的同名指标未必相同，报告时要写出软件名、版本和函数名。

开始计算之前，先把数据读成图，最常见的形式是边列表和邻接矩阵。画面中每读入一条边，矩阵里对称的两个位置同时记为1。生物网络大多稀疏，2万节点的网络，稠密矩阵约需3200兆，稀疏格式只要约2兆。一个好习惯是先看数据，再算指标。先打印节点数、边数、自环数和连通分支，再抽查几条具体的边。边全部读完后，每一行的和就是节点的度，显示在矩阵右边。

自环会让节点的度加2，示例小图中节点3的度从3变成了5。把多重图直接转成简单图时，重边只保留其中一条的属性，而不是自动求和。孤立点会拉低平均度和密度，示例中平均度从1.6降到1.0，平均最短路径直接报错。把调控链无向化之后，PageRank 从沿方向递增变成了首尾对称。最隐蔽的是权重，最短路径和介数把权重当距离，而相关系数和置信度是相似度。示例中直接用相关系数作权重，中间节点的介数是0，转换成距离后变为1。

常用的转换有两种，第一种取倒数，脑网络中常用。第二种取负对数，路径长度就对应沿途相似度的乘积。当权重可以解释为置信概率时，负对数变换更自然。模块度、强度和加权聚集系数则把权重当强度，不需要转换。最好在图里分别存储两个属性，每次调用函数时显式指定用哪一个。

算出指标之后，常常要划分社团，这里用空手道俱乐部网络演示。红色的边是当前边介数最大的边，也就是社团之间的桥，把它删掉。随着桥一条条删去，网络分裂成几个社团，右边记录模块度的变化。但随机网络也能得到不小的模块度，所以必须与零模型比较。这种方法要反复计算边介数，只适合小网络，大网络常用 Louvain 或 Leiden。Louvain 有随机性，不能只跑一次，要报告多次运行的稳定性。

我们用一个模拟的共表达数据集，200个基因、60个样本，先去除方差极低的基因。计算 Spearman 相关，用 FDR 控制在0.01，只保留正相关，得到2031条边。Louvain 找到4个模块，模块度约0.75，与植入的模块几乎完全一致。与度匹配的随机基因集比较，疾病基因的内部边数是24，随机期望约10，z约5.1。换 FDR 重建后，内部边数都显著，最大连通分支在 FDR 为0.1时不再显著。原因是网络变稠密后，随机基因集也很容易连成大分支，统计量趋于饱和。所以主要统计量要预先指定，并报告全部敏感性分析的结果。

力导向布局把边当弹簧，簇之间的远近与相对位置往往没有可解释的含义。谱布局用拉普拉斯矩阵的特征向量作坐标，不依赖随机种子，对社团敏感。节点大小要让面积而不是半径与数值成正比，否则枢纽会被视觉放大。布局要固定随机种子并保存坐标，图上看到的簇是否存在，要靠统计量判断。

小结一下，从具体问题出发，而不是从数据库出发。数据版本、标识符映射、阈值、软件版本和随机种子，每一步都要记录。计算前先看数据，留意自环、重边、孤立点、方向和权重含义这些默认行为。结论要与零模型比较，并在合理的分析选择下保持稳健。建议打开代码示例，把完整案例从头跑一遍，再换一个阈值看看结果。

INTERACTIVE交互可视化

CODE计算实现

9 个完整可运行的 Python 示例，每个都给出代码、输出图和解读；可在浏览器中直接运行，或下载 Jupyter Notebook · Python 脚本。

读入边表、按置信度过滤并取最大连通分支基本拓扑指标、度分布与中心性排名社团发现、模块度与结果稳定性与 ER 随机图和保度随机化零模型比较格式互转——边表、邻接矩阵、稀疏矩阵、GraphML 与 JSON 的往返检查五个常见计算陷阱——自环、重边、孤立点、有向性、权重的含义大规模网络的计算策略——稀疏矩阵、近似介数与抽样偏倚布局算法比较与布局质量的定量检查完整案例——从模拟表达矩阵到共表达模块、枢纽基因与“疾病基因是否成团”的检验

Papers论文精读

References核心文献

Hagberg、Schult 与 Swart 2008：Exploring network structure, dynamics, and function using NetworkX

  • 背景：NetworkX 的原始介绍论文，发表于 SciPy 2008 会议论文集，说明了库的设计理念：用 Python 字典表示图，节点可以是任意可哈希对象，边可以携带任意属性。
  • 核心内容：数据结构、算法覆盖、与 NumPy/SciPy 的衔接，以及在流行病学等领域的使用示例。
  • 阅读提示：论文很短，重点理解“图就是字典的字典”这一数据结构，它解释了为什么 NetworkX 灵活但在大规模网络上较慢。在研究中使用 NetworkX 时，应引用这篇论文。
  • 思考题：你所分析的网络有多少节点和边？NetworkX 在哪一步可能成为瓶颈？有什么替代方案？

Barabási、Gulbahce 与 Loscalzo 2011：Network medicine: a network-based approach to human disease（Nature Reviews Genetics）

  • 背景：疾病很少由单一基因决定，网络医学试图在分子相互作用网络中理解疾病。
  • 核心内容：人类相互作用组的构成与不完整性；疾病模块假说；网络中的疾病基因发现、疾病之间的关系与药物作用；网络方法的局限。
  • 阅读提示：可以把这篇综述当作确定研究方向的“地图”——常见生物医学网络数据与分析方向中的方向 2、3、4、8、9 都可以在其中找到对应的问题框架。注意文中关于数据不完整和研究偏倚的讨论。论文精读见 Barabási 2011。
  • 思考题：在你关注的方向中，“疾病模块”可以如何定义和检验？需要什么样的零模型？

DOI：10.1038/nrg2918

Christakis 与 Fowler 2007 及其批评（另见网络上的传播与免疫）

  • 为什么放在这里：这是“网络分析得出强结论、随后受到方法学批评”的典型案例，对设计自己的网络分析很有启发。
  • 阅读提示：对照阅读原文的方法部分与批评文章，列出自己的分析可能面临的同类问题（混杂、同质性、选择偏倚），并在研究设计阶段写出应对办法。
  • 思考题：如果一项分析的结论是“A 与 B 在网络中相邻，因此 A 可能调控 B”，审稿人最可能提出哪些质疑？

DOI：10.1056/NEJMsa066082

Brandes 2001：A faster algorithm for betweenness centrality（Journal of Mathematical Sociology）

  • 核心内容：通过单源依赖值的递推，把介数计算从 O(N3)O(N^3) 降到无权图 O(NM)O(NM)，是 NetworkX、igraph 等软件中介数实现的基础。Brandes 与 Pich（2007, International Journal of Bifurcation and Chaos）进一步研究了只取部分源点的抽样估计及源点的选取策略。
  • 阅读提示：对照数学推导与算法中的递推式，理解为什么要按距离从远到近回传。

DOI：10.1080/0022250X.2001.9990249；Brandes 与 Pich 2007：10.1142/S0218127407018403

Rubinov 与 Sporns 2010：Complex network measures of brain connectivity: uses and interpretations（NeuroImage）

  • 核心内容：系统整理脑网络常用指标在二值、加权、有向网络中的定义与解释，配套 Brain Connectivity Toolbox；讨论了权重与“连接长度”之间的转换。
  • 阅读提示：与本专题“权重是相似度还是距离”一节对照阅读。论文精读见 Rubinov 2010。

DOI：10.1016/j.neuroimage.2009.10.003

软件与方法文献

文献 内容 DOI
Shannon 等 2003, Genome Research Cytoscape：整合生物分子相互作用网络的软件环境 10.1101/gr.1239303
Bastian、Heymann 与 Jacomy 2009, Proceedings of ICWSM Gephi：网络探索与操作的开源软件 10.1609/icwsm.v3i1.13937
Csárdi 与 Nepusz 2006, InterJournal Complex Systems 1695 igraph 软件包的介绍 —
Peixoto 2014, The graph-tool python library（figshare） graph-tool 的引用文献 —
Staudt、Sazonovs 与 Meyerhenke 2016, Network Science NetworKit：大规模网络分析工具集 10.1017/nws.2016.20
Virtanen 等 2020, Nature Methods SciPy 1.0，含稀疏矩阵与 csgraph 模块 10.1038/s41592-019-0686-2
Fruchterman 与 Reingold 1991, Software: Practice and Experience 力导向布局 10.1002/spe.4380211102
Kamada 与 Kawai 1989, Information Processing Letters 基于图距离的弹簧能量布局 10.1016/0020-0190(89)90102-6
Jacomy 等 2014, PLoS ONE ForceAtlas2 布局 10.1371/journal.pone.0098679
Hall 1970, Management Science 二次布局与拉普拉斯特征向量（谱布局的思想来源） 10.1287/mnsc.17.3.219
Sugiyama、Tagawa 与 Toda 1981, IEEE Transactions on Systems, Man, and Cybernetics 层次结构的分层布局 10.1109/TSMC.1981.4308636
Krzywinski 等 2012, Briefings in Bioinformatics Hive plot：基于规则的网络可视化 10.1093/bib/bbr069
Opsahl、Agneessens 与 Skvoretz 2010, Social Networks 加权网络中度与最短路径类中心性的推广 10.1016/j.socnet.2010.03.006
Riondato 与 Kornaropoulos 2016, Data Mining and Knowledge Discovery 带误差保证的介数抽样近似 10.1007/s10618-015-0423-0
Stumpf、Wiuf 与 May 2005, PNAS 无标度网络的子网一般不是无标度的 10.1073/pnas.0501179102
Leskovec 与 Faloutsos 2006, Proceedings of KDD 大图抽样方法的比较 10.1145/1150402.1150479
Menche 等 2015, Science 不完整相互作用组中的疾病模块与 LCC 检验 10.1126/science.1257601
Langfelder 与 Horvath 2008, BMC Bioinformatics WGCNA 软件包：加权共表达网络、模块与模块内连接度 10.1186/1471-2105-9-559
Benjamini 与 Hochberg 1995, Journal of the Royal Statistical Society B 错误发现率（FDR）控制 10.1111/j.2517-6161.1995.tb02031.x
Fieller、Hartley 与 Pearson 1957, Biometrika 秩相关系数的检验，含 Fisher zz 变换后的方差近似 10.1093/biomet/44.3-4.470

Data & tools相关数据与软件

软件/工具包ENIGMA Toolbox提供 ENIGMA 疾病效应量、HCP 组平均连接组与可视化的工具箱。软件/工具包bctpy（Brain Connectivity Toolbox for Python）Brain Connectivity Toolbox 的 Python 移植版。软件/工具包NetworkXPython 中最常用的通用网络创建、分析与可视化库。软件/工具包igraph以 C 为核心、提供 R 与 Python 接口的高效网络分析库。软件/工具包graph-tool以 C++ 实现核心算法的高性能 Python 网络分析库。软件/工具包Cytoscape生物网络可视化与分析的开源桌面平台，有丰富插件生态。软件/工具包Gephi开源交互式网络可视化与探索软件。数据库Netzschleudergraph-tool 作者维护的网络数据目录与仓库。

Further延伸资源

类型 资源 说明
官方教程 NetworkX Tutorial（链接） 建图、属性、读写、绘图的官方入门，约 1 小时
官方文档 NetworkX 后端说明（链接） nx-parallel、nx-cugraph 等后端的启用方式
官方文档 NetworkX 绘图与布局（链接） 全部布局函数；文档建议用专门工具作网络图
官方教程 nx-guides：Facebook 网络探索分析（链接） 加载真实网络→度分布→聚类→社团→可视化的完整流程，可照着改成生物网络；CC0
教材 Menczer、Fortunato 与 Davis，A First Course in Network Science（Cambridge University Press, 2020；DOI 10.1017/9781108653947）；配套 NetworkX 教程（GitHub） 基本元素、小世界、枢纽、方向与权重、模型、社团、动力学七章均配有 Jupyter 实践
教材 Barabási，Network Science（在线版） 网络科学概念的系统参考，可与本专题的计算对照
官方文档 igraph（igraph.org）、graph-tool（graph-tool.skewed.de）、NetworKit（networkit.github.io） 需要更快实现或特定算法（Leiden、SBM 推断）时查阅
官方文档 Brain Connectivity Toolbox（网站）、bctpy（GitHub） 脑网络指标的 MATLAB 与 Python 实现
官方文档 SciPy sparse 与 csgraph（链接） 稀疏矩阵格式、稀疏线性代数与图算法
中文视频 同济子豪兄：图机器学习 NetworkX 代码实战——创建图和可视化（B 站） 29 分钟中文 NetworkX 上手
中文视频 四十分钟掌握 Gephi（B 站） Gephi 导入、布局、统计、导出的中文教程
中文视频 PPI 网络：蛋白互作网络的构建与核心基因的筛选（STRING + Cytoscape + CytoNCA）（B 站） PPI 方向最常用的操作流程；注意本专题“生物医学应用”中关于研究偏倚的提醒
官方教程 Cytoscape Tutorials（链接） 生物网络可视化、STRING 导入、聚类与富集分析
数据 STRING 下载页（链接） 人类 PPI 文件约 83 MB（压缩），CC BY 4.0，下载即可用
数据 ENIGMA Toolbox 内置 HCP 组平均连接组（文档） 一行代码读取结构与功能连接矩阵，免去处理原始影像，适合脑网络分析入门

Open questions开放问题

  1. 用 3 句话写出一个你感兴趣的网络研究问题：（1）生物医学问题是什么；（2）网络的节点和边是什么；（3）希望用哪一个网络指标或算法回答它。其中哪一环最薄弱？
  2. 在常见生物医学网络数据与分析方向中任选一个，列出构建网络时至少 3 个会显著影响结果的选择（如阈值、数据来源、是否加权），并说明怎样做敏感性分析来证明结论稳健。
  3. 你的网络中的边权表示的是相似度、强度还是距离？在你打算使用的每一个指标中，权重分别被当作哪一种？是否需要同时保存两种属性？
  4. 在完整案例中，LCC 与内部边数两种统计量在较稠密的网络中给出不同结论。对你的研究问题，应当预先指定哪一种作为主要统计量？理由是什么？
  5. 如果你的网络有 50 万个节点，需要找出介数最高的 100 个节点，你会依次尝试哪些策略？怎样检验近似结果足够可靠？