生物医学应用
脑网络的组间比较。 静息态功能连接研究中，常见的流程是：每名被试按图谱提取时间序列，计算 Fisher 相关矩阵，再在边层面用 NBS 或 FDR 做组间比较，在全局层面在一段密度范围内比较效率、模块度等。Fornito、Zalesky 与 Breakspear（2013, NeuroImage）系统讨论了这一流程中节点定义、阈值、零模型与组间比较的陷阱。可信的结论通常同时满足：密度或整体连接强度被控制，头动被匹配或作为协变量，结果在阈值范围内方向一致。详见 脑连接组。
症状网络的稳定性检验。 心理网络研究普遍采用 EBICglasso 估计正则化偏相关网络，再用 bootstrap 报告边权区间、用病例删除计算中心性的 CS 系数、用 NCT 比较不同人群的网络（Epskamp, Borsboom & Fried, 2018；论文精读）。中心性指标本身的解释局限见 Bringmann 等（2019, Journal of Abnormal Psychology）与 症状网络。
共表达网络。 WGCNA（Langfelder & Horvath, 2008, BMC Bioinformatics）用软阈值把相关转为连续的邻接权重，避免硬阈值；模块与性状的关联需要在独立数据集中复现。去除批次和细胞组成等混杂会显著改变网络结构（Parsana 等, 2019）。推断方法的整体评估见 Marbach 等（2012, Nature Methods；论文精读）。
定向脑网络。 在时间分辨率高的电生理数据（EEG/MEG、颅内脑电）中，Granger 因果与转移熵被用来估计脑区之间的定向交互；在 fMRI 中，方向推断受血流动力学延迟、降采样与噪声限制，基于生成模型的 DCM 更常用于少数脑区的假设检验（Seth, Barrett & Barnett, 2015；Friston, Harrison & Penny, 2003）。无论哪种方法，有向边都应与“对称连接 + 零模型”的结果并列报告，并说明方向结论依赖的假设。见 从时间序列推断有向边。
部分相互作用组的拓扑。 Han 等（2005）与 Stumpf 等（2005）的采样分析说明，部分采样既可能掩盖、也可能“制造”幂律外观，对覆盖率有限的图谱做拓扑外推需要按采样过程建模（见 采样网络与不完整观测）。
相互作用网络与疾病模块。 网络医学研究把疾病基因映射到相互作用组上，检验它们是否形成连通的模块，常用的零模型是随机抽取同样数量、度分布相近的基因（Barabási, Gulbahce & Loscalzo, 2011, Nature Reviews Genetics）。由于研究偏倚，度匹配的抽样是必需的；用系统筛选的二元相互作用数据复核结论，可以检验结论是否依赖文献热度（Menche 等, 2015；论文精读）。