网络数据格式与数据来源

把网络交给软件、与他人共享或存档，需要约定文件格式。格式的选择决定了哪些信息（方向、权重、节点属性、多种边类型）能被保存下来。

常见文件格式

几条实用经验：

• 纯边列表会丢掉孤立节点：没有任何边的节点在边列表中不出现。若孤立节点有意义（例如没有检测到相互作用的疾病基因），要另外保存节点表。
• 方向和权重要显式声明：同一个边列表文件，用 nx.read_edgelist 读成 Graph 还是 DiGraph，结果完全不同；重复出现的同一对节点在 Graph 中会被合并，只保留最后一个权重。
• 邻接矩阵要配节点标签表：矩阵本身不携带“第 $i$ 行是哪个脑区”的信息，脑图谱版本或排序一旦不一致，所有比较都失去意义。
• 长期存档优先用开放、自描述的格式（GraphML、带表头的 TSV），避免只用某个软件的私有二进制格式。

这几种情况（孤立节点丢失、属性丢失、重复边被合并）在代码示例“网络文件格式”中都可以直接复现。

标识符与名称映射

生物网络的节点名称是数据质量的高发问题区。同一个基因可能有基因符号（如 TP53）、Entrez ID、Ensembl 基因 ID、UniProt 蛋白 ID 等多种标识，STRING 使用带物种前缀的 Ensembl 蛋白 ID（如 9606.ENSP…）。整合多个数据库时，ID 映射中的一对多、多对一和过时符号会悄悄地增删节点和边。电子表格软件还会把某些基因符号自动转换成日期或数字，Ziemann 等（2016，Genome Biology）发现这类错误在已发表论文的补充材料中广泛存在。建议：全程使用稳定 ID（如 Ensembl 或 UniProt），在最后一步才映射为基因符号；报告映射工具与版本；用纯文本工具而非电子表格处理基因列表。

常见数据来源

更完整的生物医学数据清单与分析方向见网络分析流程与 NetworkX 实践。任何下载数据都应记录版本号、下载日期、过滤条件（如 STRING 的分数阈值、只保留物理相互作用），否则他人无法重建同一张网络（见研究问题、可复现分析与敏感性分析）。