网络分析流程与 NetworkX 实践01 / 16
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：
- 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？”）
- 数据获取与预处理：选择合适的公开数据集，清洗、过滤、统一标识符（如基因名与 UniProt ID 的映射）。
- 构建网络：明确规定节点是什么、边是什么、边是否有方向和权重、阈值怎么定。这一步的选择往往比后面的算法更影响结论。
- 网络特性分析：度分布、聚集系数、路径长度、密度、中心性，并从生物学角度解读。
- 算法分析：社团划分或节点分类，分析不同类别节点之间的关系，探讨结构与功能的联系；与零模型比较，判断观察到的性质是否“非随机”。
- 解释与报告：结合文献给出生物学解释，讨论局限，撰写论文。
每一步都有应当留下的“记录”，它们既是质量控制，也是写方法部分的素材：
| 步骤 | 应记录或检查的内容 | 常见遗漏 |
|---|---|---|
| 数据获取 | 数据库名称、版本号或下载日期、物种、证据类型、许可 | 只写“来自 STRING”，不写版本与置信度阈值 |
| 预处理 | 标识符映射规则与映射失败的数目、重复记录的合并方式 | 一对多映射被静默丢弃或重复计数 |
| 构建网络 | 有向或无向、加权或无权、阈值与理由、是否去除自环与重边 | 权重究竟是“强度”还是“距离”没有说明 |
| 网络概况 | 节点数、边数、密度、连通分支数、最大连通分支占比、孤立点数 | 只报告最大连通分支上的结果，不说明丢了多少节点 |
| 指标与算法 | 软件与版本、函数与关键参数（权重、归一化、随机种子） | Louvain 只跑一次；默认参数未写明 |
| 统计比较 | 零模型类型、随机网络个数、 分数或经验 值、多重比较校正 | 只与 ER 比较；零模型次数太少 |
| 稳健性 | 换阈值、换数据源、换算法后主要结论是否成立 | 只报告“效果最好”的那个设置 |
零模型（null model）：保留真实网络的某些性质（如节点数、边数，或者每个节点的度）而其余部分随机化得到的参照网络。只有与合适的零模型比较，“聚集系数高”“模块度高”“某些基因彼此靠近”这类结论才有意义。常用两种：（1）ER 随机图，只保留节点数和边数；（2）保度随机化（配置模型或双边交换），保留每个节点的度。后者更严格，因为许多性质（如枢纽的存在）由度序列本身决定。更多零模型（加权、空间约束、相关矩阵、节点标签置换）见零模型与空模型。
网络构建的选择要在报告中明确写出并做敏感性分析：PPI 网络用 STRING 置信度 0.4 还是 0.7？共表达网络用相关系数 0.6 还是 0.8 作为阈值？换一个合理的参数，主要结论是否仍然成立？脑网络中的阈值问题见脑连接组：结构与功能连接，系统的敏感性分析方法见敏感性分析与替代解释。
设计一项网络分析时，有几条通用原则：
- 从问题出发，而不是从数据库出发：“用 STRING 做一个网络”不是研究问题；“阿尔茨海默病风险基因在 PPI 网络中是否比随机基因集更聚集？”是。
- 规模要可控：先用小样本跑通全流程，再扩大；网络规模要与可用的计算资源和分析方法匹配（见大规模网络的计算策略）。
- 至少包含一个对照：零模型、随机基因集、健康与疾病两组网络、不同阈值的结果，都可以作为对照。
- 先看数据，再算指标：在计算任何指标之前，先打印节点数、边数、自环数、连通分支、度的最大值与最小值，并检查几条具体的边是否符合预期。很多错误（标识符错位、权重方向弄反）在这一步就能发现。