生物医学应用
蛋白复合物与功能模块。 Hartwell、Hopfield、Leibler 与 Murray（1999，Nature）提出“功能模块”是细胞生物学的基本组织单位：一组相互作用的分子共同完成一项相对独立的功能。在蛋白质相互作用网络中，蛋白复合物和信号通路通常表现为密集连接的子网络。Spirin 与 Mirny（2003，PNAS）在酵母蛋白质网络中系统搜索高密度子图，找到的模块大多对应已知的蛋白复合物或功能通路。这类分析的意义在于：一个功能未知的蛋白如果落在某个功能明确的模块中，就可以推测它参与相同的过程（“近朱者赤”的功能预测）。由于一个蛋白常参与多个复合物，重叠社团方法（团渗流、连边社团）在 PPI 网络中尤为常用。
代谢网络的功能制图。 Guimerà 与 Amaral（2005，Nature）用模拟退火最大化模块度，划分了三个生物界共 12 种生物的代谢网络，再用模块内度 与参与系数 把代谢物分为 7 种角色（见验证与解读）。他们发现，连接不同模块的低度代谢物（非枢纽连接者）在物种间比主要连接本模块内部的枢纽更保守——提示“连接者”的角色可能比“度高”更能反映结构上的重要性。
脑网络的功能系统。 Power 等（2011，Neuron）在静息态 fMRI 功能网络上，用 Infomap 在一系列连边密度阈值下划分社团，得到的模块与视觉、躯体运动、听觉、默认模式、额顶控制、背侧注意等已知功能系统高度对应，而且这种划分在不同密度阈值下相当稳定。这一划分此后被大量研究用作脑区的“系统标签”，Power 等（2013）又在此基础上用参与系数识别跨系统的连接枢纽。脑网络的模块化程度在发育、衰老和多种精神疾病中会发生改变，但这些结论对网络构建方式和算法参数相当敏感，跨研究比较时要特别留意方法是否一致（Sporns 与 Betzel 2016 的综述）。
学习与认知中的动态模块。 Bassett 等（2011，PNAS）把被试在数天运动学习过程中的功能网络按时间窗组织成多层网络，用多层模块度追踪模块的变化，发现模块组成随学习发生动态重组，且某一阶段脑区的灵活性可以预测之后的学习表现。这类研究的统计检验依赖于与连接、节点、时间三类零模型的比较（见多层与时变网络的社团）。
疾病模块。 网络医学的核心假设是：同一种疾病的相关基因在相互作用组中聚集成一个连通的局部区域。需要区分两个概念：拓扑模块（社团发现算法找到的密集子网络）与疾病模块（疾病基因所在的网络区域），两者有重叠但并不相同——疾病模块不一定恰好对应某一个算法输出的社团（见疾病模块、网络邻近度与药物重定位）。DREAM 模块识别挑战（Choobdar 等 2019）提示，不同类别的模块方法找到的疾病相关模块彼此互补，单一方法的结果不宜作为唯一依据。
共表达模块与细胞类型。 WGCNA 用拓扑重叠和层次聚类识别共表达模块（见基因调控网络推断与共表达分析）。单细胞转录组分析中，常见流程是在细胞的 近邻图上运行 Louvain 或 Leiden 来定义细胞簇，这里分辨率参数直接决定“细胞类型”划分的粗细，同样需要多分辨率与稳定性分析的支持。