生物医学应用
网络推断在疾病研究中的价值，主要体现在把高维表达数据变成可解释的单元。WGCNA 是生物医学文献中应用最多的网络方法之一：在阿尔茨海默病、自闭症、精神分裂症的脑组织表达谱中，研究者用共表达模块把成百上千个差异基因归纳为突触功能、小胶质细胞免疫、少突胶质细胞髓鞘等少数几条生物学“轴”，再与遗传风险位点作富集对照，判断哪些模块可能处于因果链上游。
自闭症脑组织的共表达模块：Voineagu 等（2011, Nature）比较自闭症患者与对照的大脑皮层转录组，用共表达网络找到两个与疾病相关的模块：一个富集神经元与突触功能基因、在患者中下调，并富集自闭症遗传关联信号；另一个富集免疫与小胶质细胞相关基因、在患者中上调，但缺乏遗传关联富集。作者据此提出：前者更可能处于因果链上游，后者可能是继发反应。这个例子展示了“模块 + 遗传证据”判断方向的思路。
从网络到可验证的主调控因子：Basso 等（2005, Nature Genetics）把 ARACNe 用于人类 B 细胞表达谱，推断的 MYC 靶基因得到了实验支持。Carro 等（2010, Nature）在胶质瘤中用 ARACNe 重建转录网络，识别出 C/EBPβ 与 STAT3 是间充质表型的协同主调控因子，并在实验中证明二者共同沉默会削弱间充质特征与肿瘤侵袭性。这类研究的共同点是：网络只用来排序候选，结论来自后续的扰动实验。
单细胞时代，SCENIC 一类方法让“细胞状态由哪些转录因子程序维持”变得可以系统地研究，例如在肿瘤微环境中区分不同 T 细胞耗竭状态的调控子。推断出的关键转录因子可以进一步作为扰动实验（CRISPR 敲除、过表达）的候选。差异共表达与模块保守性分析则常用于回答“疾病中哪些调控程序被重布线”“动物模型中的模块是否在人类组织中保留”这类问题。推断得到的模块与关键基因进一步进入疾病模块与网络邻近度分析时，应记住它们是统计推断的产物，而不是实验测得的相互作用。
需要警惕的是两类常见失误：其一，把 WGCNA hub 直接称作“关键调控因子”或“治疗靶点”，却没有任何方向性证据；其二，在小样本（如每组 5 例）数据上跑完整流程，模块和 hub 难以重复。研究问题、可复现分析与敏感性分析中的敏感性分析正是为了应对这些问题。