生物医学应用
脑网络中的三把尺子。 在脑网络研究中，节点通常是按脑图谱划分的几十到几百个脑区。度高的脑区被称为枢纽脑区，常位于楔前叶、后扣带回、额顶联合皮层等；聚集系数和局部效率刻画局部“功能分离”（segregation），平均路径长度或全局效率刻画全脑“功能整合”（integration）。Achard 等（2006，Journal of Neuroscience）在静息态 fMRI 功能网络中报告了小世界性和位于联合皮层的枢纽。Rubinov 与 Sporns（2010，NeuroImage）系统整理了脑网络常用指标及其神经科学解释，是本专题指标在脑科学中的“使用手册”。需要注意的是，功能网络的边来自相关系数，必须先阈值化或保留权重，而阈值的选择会直接改变度、密度、聚集系数和路径长度（见脑连接组：结构与功能连接中的阈值分析）。
脑网络枢纽的多指标识别。van den Heuvel 与 Sporns（2013, Trends in Cognitive Sciences）综述了人脑枢纽的识别方法与功能角色：单一中心性给出的枢纽集合并不一致，因此常把度、介数、接近等多种中心性与节点的模块角色结合起来判定枢纽；文献中常被报告的结构枢纽包括楔前叶、后扣带回、额上回和岛叶等区域。该综述也讨论了枢纽在多种脑疾病中更易受累的证据。功能网络中“度被模块大小绑架”的问题与参与系数的用法见拓扑指标：小世界、模块、枢纽与富人俱乐部。
分子网络中的度与连通性。 在蛋白质相互作用网络中，研究者常比较疾病基因与非疾病基因的度：疾病相关蛋白的度是否更高？这类分析要警惕“研究偏倚”——热门基因被研究得多，测到的相互作用也多，度自然偏高。另一个常见做法是检验一组疾病基因在网络中是否形成一个连通的子网络，并用随机抽取同样数量（最好度分布相近）的基因作为零模型，判断这种连通性是否超出随机预期——这正是“与零模型比较”思想的直接应用（见疾病模块、网络邻近度与药物重定位）。
分子网络中的中心性：度、介数与核数各有所长。 Jeong 等（2001, Nature）在酵母 PPI 网络中发现高度蛋白更可能是必需基因（论文精读：Jeong 2001；争论见致死性与中心性）。Yu 等（2007, PLoS Computational Biology）进一步比较了度与介数：在无向的蛋白相互作用网络中，度对必需性的预测更强；而在有向的转录调控网络中，高介数的“瓶颈”比高度的枢纽更能预测必需性。Wuchty 与 Almaas（2005）则显示，处在 k 核分解最内层的蛋白更可能必需且进化保守。这些结果说明，同一个“重要性”问题，在不同类型的网络上最有信息量的中心性不同。
PageRank 与基因排序。 GeneRank（Morrison 等 2005, BMC Bioinformatics）把 PageRank 的随机跳转向量换成基因的表达变化，让一个基因的得分同时取决于自身的差异表达和网络邻居的得分，在模拟与真实芯片数据中得到比单纯按倍数变化更好的排序。这类“网络传播”方法如今广泛用于疾病基因优先排序与药物靶点筛选（见疾病模块、网络邻近度与药物重定位）。
随机网络作为零模型。 在流行病学的接触网络、症状网络和分子网络中，ER 网络都常作为“没有结构”的基线：观测到的聚集系数、最大分支比例或中心性集中程度，只有在明显偏离同规模随机网络（更好的做法是偏离保度随机网络）时，才值得给出生物学解释。