网络结构指标与随机图17 / 19
研究前沿与开放问题
- 零模型的选择。ER 网络只保持节点数与边数。保持度序列、空间嵌入、模块结构等性质的零模型更严格，但不同零模型可能得出不同结论。对于一个具体的生物网络，什么才是“公平”的比较对象，没有统一答案（见小世界与无标度的统计判别与网络构建与统计验证）。
- 路径类指标的生理含义。在功能连接网络中，两个脑区之间的“最短路径”是否对应真实的信息传递路线并不清楚；Rubinov 与 Sporns（2010）对用路径长度解释“功能整合”持谨慎态度。基于随机游走、扩散或通信模型的替代指标（如扩散效率、导航效率）是活跃方向，怎样为整合类指标建立可检验的生理解释仍是开放问题。
- 中心性的公理化与可比性。不同中心性满足的数学性质不同（Boldi 与 Vigna 2014 的公理），同一网络上不同指标的排名可能大相径庭。哪些性质对生物学问题是必要的、如何把中心性与动力学过程（传播、控制、同步）的真实影响相联系，仍在研究中。
- 测量误差下的稳健性。分子网络的假阳性与假阴性、功能网络的估计误差都会扰动距离与中心性，介数和接近中心性对缺失边尤其敏感。如何为中心性排名给出置信区间、并在缺失数据下做校正，仍缺乏通用方法。
- 阈值与密度依赖。功能网络的度、密度、聚集系数和路径长度都随阈值改变。固定密度、跨阈值积分、保留权重等策略各有利弊（见脑连接组：结构与功能连接）。
- 研究偏倚。分子网络中热门基因的度被系统性高估，如何在比较疾病基因与非疾病基因的拓扑指标时校正这种偏倚，仍需要谨慎的统计设计（见疾病模块、网络邻近度与药物重定位）。
- 超越成对连接。聚集系数只看三角形；高阶相互作用（超图、单纯复形）和多层网络上的路径、效率与中心性定义尚未统一（见动态功能连接与多层脑网络）。