节点与边的定义
节点：分析单元的选择
节点（node）是研究者选定的分析单元。它要求单元内部足够同质、单元之间可以区分，并且在不同个体或样本之间可以对应。
| 数据类型 | 常见节点 | 典型的节点定义问题 |
|---|---|---|
| 结构/功能 MRI | 脑图谱中的脑区（ROI）、体素、皮层顶点 | 图谱分辨率；群体图谱与个体功能边界不一致 |
| 电生理（EEG/MEG） | 电极、源空间脑区 | 容积传导使相邻电极信号混合 |
| 量表与症状评估 | 条目或症状 | 条目内容重叠；条目与潜变量的关系 |
| 转录组 | 基因、转录本、模块特征基因 | 低表达基因噪声大；细胞组成混杂 |
| 相互作用数据库 | 蛋白质、基因、代谢物、药物、疾病 | 同一基因的多个蛋白异构体被合并；命名映射丢失 |
节点定义会直接改变网络指标。Zalesky 等（2010, NeuroImage）用同一批弥散数据、不同分辨率的脑区划分构建结构网络，发现小世界性、度分布等指标随节点尺度系统变化。因此跨研究比较指标的绝对值意义有限，同一流程下的相对比较更可靠。
边：四种不同性质的关系
“边”这个词在不同数据中指代性质完全不同的关系，混用会导致解释错误。
物理连接（physical connection）：两个对象之间存在可直接观察的实体联系，如蛋白质之间的结合、神经元之间的突触、两脑区之间的白质纤维束。
统计关联（statistical association）：两个变量的测量值共同变化，如功能连接中 BOLD 时间序列的相关、共表达网络中的表达相关、症状网络中的偏相关。
功能关联（functional association）：两个对象参与同一生物学过程的证据，可能整合多种来源，例如 STRING 数据库的综合得分同时纳入实验、共表达、基因组邻近和文本挖掘证据（Szklarczyk 等, 2019, Nucleic Acids Research）。
因果或有向关系（causal/directed relation）：一个变量的变化导致另一个变量变化，如转录因子对靶基因的调控、有效连接（effective connectivity）。
这四类边回答不同问题。物理连接网络中的路径可以对应实际的信号或物质传递；统计关联网络中的“最短路径”没有明确的物理含义（Rubinov & Sporns, 2010, NeuroImage）；功能关联网络的边权是证据强度，不是作用强度；有向边需要时间顺序、干预或强结构假设才能识别。
同一个“网络”可能混合了多种边。 很多数据库把酵母双杂交得到的二元结合、亲和纯化–质谱得到的复合物共沉淀、遗传相互作用放在同一张表里。复合物共沉淀并不说明两个蛋白直接接触，常见的做法是把复合物展开为“星形”或“全连接”，两种展开方式给出的度分布差别很大。构建前应按实验类型筛选，并写明展开方式。
有向关系的证据来源
从观测数据推断方向需要额外信息。时间顺序是最常用的线索：Granger（1969, Econometrica）因果检验问“加入 的过去值能否改进对 的预测”；动态因果模型（dynamic causal modelling, DCM; Friston 等, 2003, NeuroImage）则用生成模型显式描述神经活动如何产生观测信号。Smith 等（2011, NeuroImage）在模拟 fMRI 数据上比较了多种连接估计方法，偏相关、正则化逆协方差等方法在检测“是否有直接连接”上表现较好，而基于滞后的方向推断在 fMRI 的时间分辨率与血流动力学延迟下表现很差。基因调控方面，扰动实验（敲除、敲低、CRISPR 筛选）提供的方向证据通常强于纯观测数据，详见 基因调控网络推断。Granger 因果、转移熵与动态因果模型的定义、算法与限制见 从时间序列推断有向边。