网络邻近度

Guney 等（2016）比较了多种衡量药物靶点集合 $T$ 与疾病基因集合 $S$ 网络距离的方式，其中表现最好的是最近距离（closest）：

$$d_c(S,T) = \frac{1}{|T|} \sum_{t \in T} \min_{s \in S} d(s,t)$$

即每个靶点到最近疾病基因的最短路径长度的平均。同样需要与随机基线比较：

$$z = \frac{d_c - \mu_{\mathrm{rand}}}{\sigma_{\mathrm{rand}}}$$

随机基线由与 $S$、$T$ 度数匹配的随机节点集合给出。$z$ 显著为负（文中常用 $z < -0.15$ 作为“邻近”的界线，并辅以显著性检验）说明药物靶点比随机期望更靠近疾病模块。

除最近距离外，Guney 等比较的距离还包括：所有靶点–疾病基因对的平均最短距离（shortest）、对远距离指数降权的核距离（kernel）、以疾病模块“中心”节点为参照的距离（center）以及分离度（separation）。最近距离表现最好的直观原因是：一个靶点只要接近模块的某一处就可能起作用，而平均所有对的距离会被模块中远离该靶点的部分稀释。

Guney 等用已知的药物–疾病适应症对检验发现：有疗效的药物，其靶点往往不在疾病模块内部，而是在模块的网络邻域；邻近度可以区分已知有效和无效的药物–疾病对，但区分能力有限，因此更适合作为候选排序工具。