网络构建与统计验证14 / 16
研究前沿与开放问题
- 把网络当作待估计的未知量。贝叶斯网络重建把观测、测量误差与网络结构放进同一生成模型（Newman, 2018；Peixoto, 2018；Peixoto, 2019, Physical Review Letters 从动力学同时重建网络与社团），网络后验使后续指标自带不确定性；如何扩展到上万节点的脑与组学数据仍待解决。
- 从观测到干预。GC、TE 受采样、噪声与未观测变量限制；单细胞大规模扰动筛选（如 Perturb-seq; Dixit 等, 2016, Cell）为调控网络提供干预数据。如何在有限扰动预算下结合干预与观测数据识别方向，是活跃问题。
- 个体网络与精密测量。组水平的脑–表型效应很小；对少数个体长时间反复采集可得到高信度的个体网络。两种设计各能回答什么、个体网络的结论如何推广，尚无共识。
- 超越成对关系。许多生物过程涉及多个分子或脑区同时参与（Battiston 等, 2020, Physics Reports）；从数据推断高阶相互作用需要多得多的数据，相应的零模型与检验刚刚起步。
- 网络比较的统计理论。图距离与图核大多是描述性的，缺少在生成模型下的分布理论；Hartle 等（2020）的集合内图距离提供了基准，但“距离显著”对应何种结构差异仍难解释。
- 零模型的组合。同时保持度、强度、空间与相关结构等多种约束的抽样往往困难，不同零模型还可能给出矛盾结论；如何预先规定零模型层级，仍未标准化（Váša & Mišić, 2022）。