生物医学网络科学Biomedical Network Science
研究论文难度：进阶

精神病理学网络分析中的模块控制

Module control of network analysis in psychopathology

Pan C, Zhang Q, Zhu Y, Kong S, Liu J, Zhang C, et al. · iScience 2024 · DOI: 10.1016/j.isci.2024.110302

症状网络最小支配集模块控制网络控制频率图形LASSOLouvain

一句话

用最小支配集在模块尺度分析症状网络的控制关系，发现 2773 名大学新生中睡眠、压力模块结构上控制情绪模块。

相关专题：症状网络与网络精神病学、网络可控性与稳定性、社团结构与社区发现

VIDEO讲解视频

精神病理学网络分析中的模块控制3 分 19 秒
文字稿

大家好，这次我们精读一篇2024年发表在iScience上的论文。它把网络控制理论用到症状网络上，而且是在症状群的尺度上来分析。

在症状网络专题里我们讲过，症状之间相互作用，而且会自然聚成症状群。以往研究多用中心性找关键症状，但中心性描述位置，并不等于控制力。所以这篇论文问：在结构上，哪一个症状群在控制其他症状群？

这是一个示意的症状网络，边代表正则化偏相关，边越粗关联越强。论文的真实网络有37个条目，来自抑郁、焦虑、失眠和压力四个量表。数据是2773名大学新生的横断面问卷，用图形LASSO估计网络。得到的网络有254条边，密度0.40，相当稠密。再用Louvain算法，把37个条目划分成6个症状模块。

在结构可控性里，有向网络用最大匹配寻找驱动节点，就是画面里这种做法。症状网络是无向的，我们改用最小支配集作为控制模型。支配集要求每个节点要么自己被选中，要么和一个被选中的节点相邻。被选中的驱动节点，可以控制自己和它的全部邻居。最小支配集往往不唯一，网络小，我们就用暴力搜索把它们全部找了出来。

模块控制强度，就是模块m的驱动节点能覆盖模块m撇多大比例的节点。因为模块大小和驱动节点分布不同，两个方向的控制强度一般不相等。把它在全部最小支配集上取平均，就得到平均模块控制强度。以模块为节点、平均控制强度为边权，就构成了有向的模块控制网络。

这个症状网络一共有27个最小支配集。控制强度最高的边，是睡眠模块指向正性压力模块，达到0.586。睡眠和压力这类非情绪模块，对外控制强度和控制频率都更高。抑郁和焦虑这类情绪模块，入强度更高，更容易被其他模块控制。失眠第4条和压力第2、第7条，是非情绪模块里的主要控制症状。

第一，这是横断面、组水平的数据，不能说明个体体内的因果方向。第二，结构上的控制关系，不等于先治睡眠就一定能改善情绪。第三，支配集只看有没有边，权重很弱的边也会影响结果。论文用80%子样本重复1000次检验了稳定性，模块数和支配集数都比较稳定。

总结一下，这篇论文把症状网络分析从节点提升到了模块尺度。它用最小支配集刻画无向网络的控制，构建了模块控制网络。结果提示睡眠和压力模块在结构上处于更强的控制位置。这个推论还需要纵向数据和干预研究来检验，请大家读完原文再做思考题。

一句话看懂

症状网络里的症状会自然聚成”症状群”。这篇论文问的是：哪一个症状群在结构上”控制”着其他症状群？ 作者用最小支配集枚举所有控制方案，统计每个模块的驱动节点能覆盖其他模块多少节点，构建了一个以模块为节点的有向”模块控制网络”，发现睡眠和压力相关的非情绪模块在结构上更多地控制抑郁、焦虑这些情绪模块。

研究背景与问题

网络精神病学的基本观点是：症状不是某个潜在疾病的被动表现，而是相互作用、彼此维持的系统。主流的症状网络分析主要做两件事：估计偏相关网络，再用中心性找”中心症状”。论文指出两点不足：

  1. 只看单个节点。临床干预通常针对一类问题（睡眠、压力、焦虑），而不是一个量表条目，症状群之间的关系反而缺少刻画；
  2. 中心性不是控制。度、介数等指标描述的是拓扑位置，回答不了”从哪里施加干预最能带动整个网络”。另外，症状网络的边是统计关联而非物理连接，基于”路径”的指标（介数、接近度）在这类网络里已被认为不稳定。

于是作者把网络可控性引入症状网络，并且把分析单位从节点提升到模块。

核心思想与方法

第一步：估计症状网络。 用图形 LASSO（graphical LASSO）估计稀疏的逆协方差矩阵：

K̂=arg⁡minK(tr(SK)−logdetK+α∥K∥1)\hat K = \arg\min_K \left( \mathrm{tr}(SK) - \log\det K + \alpha \|K\|_1 \right)

其中 SS 是样本协方差矩阵，正则化参数 α=0.05\alpha=0.05。作者把矩阵元素取绝对值、对角线置零，非零元素即为边，元素值为边权。这意味着正向和负向关联被同等看待。

第二步：划分模块。 用 Louvain 算法最大化模块度 QQ（见模块度），得到数据驱动的症状模块，而不是直接用”一个量表一个模块”。

第三步：最小支配集控制模型。 对无向网络，作者采用支配集控制框架：

支配集与最小支配集（MDSet）：节点子集 DD 中，若网络中每个节点要么属于 DD，要么至少与 DD 中一个节点相邻，则 DD 是支配集。规模最小的支配集称为最小支配集。把 MDSet 中的节点作为驱动节点，每个驱动节点可通过各条连边分别控制它的全部邻居。

驱动节点 nn 的控制区域 AnA_n 是它自己加上全部邻居。求 MDSet 是 NP 难问题，且通常不唯一。由于症状网络只有 37 个节点，作者用暴力搜索枚举了全部 MDSet：先试 1 个节点能否覆盖全网，不行再试所有 2 节点组合，依此类推。

第四步：模块控制指标。 对一个给定的 MDSet，模块 mm 的控制区域 ACmAC_m 是 mm 内驱动节点控制区域的并集。

模块控制强度（MCS）：MCSm,m′=|ACm∩Vm′||Vm′|MCS_{m,m'} = \dfrac{|AC_m \cap V_{m'}|}{|V_{m'}|}，即模块 m′m' 的节点中有多大比例落在模块 mm 的控制区域内。 平均模块控制强度（AMCS）：在全部 MDSet 集合 𝒟\mathcal D 上取平均，AMCSm,m′=1|𝒟|∑MDS∈𝒟MCSm,m′MDS∈[0,1]AMCS_{m,m'}=\frac{1}{|\mathcal D|}\sum_{MDS\in\mathcal D} MCS^{MDS}_{m,m'}\in[0,1]。 模块控制网络（MCN）：以模块为节点、AMCS 为边权的有向网络。

因为各模块的大小和所含驱动节点数不同，MCSm,m′MCS_{m,m'} 与 MCSm′,mMCS_{m',m} 一般不相等，所以原本无向的症状网络会生成一个有向的模块网络。节点层面还定义了控制频率（CF，节点在全部 MDSet 中作为驱动节点出现的比例）和模块的平均控制频率（ACF，模块内节点 CF 的均值）。

第五步：稳定性检验。 随机抽取 80% 样本重估网络，重复 1000 次，看边权、MDSet 数量与大小、模块数是否稳定；再做逐步减少样本（90% 到 50%）的病例删除 bootstrap，计算 AMCS 和 ACF 与全样本结果的平均相关。

主要发现

  1. 数据与网络：某高校 2773 名大一新生在 2022 年 9 月 24–28 日在线填写 PHQ-9、GAD-7、ISI、PSS-14 共 37 个条目（横断面调查）。网络有 37 个节点、254 条边，平均度 13.73，直径 3，密度 0.40，模块度 0.27。传统中心性中，PSS3 的度最高，ISI1 的平均强度最高，PSS7 的接近度和介数最高。
  2. 6 个模块：抑郁模块 DRM（7 个 PHQ 条目）、睡眠模块 SRM（ISI 条目加 PHQ3 睡眠条目，共 8 个）、只含 PHQ9 自杀条目的 SUM、焦虑模块 ARM（GAD 全部 7 条）、负性压力模块 NSM 和正性压力模块 PSM（PSS 条目分成两组）。SRM、NSM、PSM 被归为非情绪模块，DRM、ARM 为情绪模块。
  3. 27 个 MDSet：网络共有 27 个最小支配集，37 个节点中 24 个至少在一个 MDSet 中当过驱动节点。CF 最高的是 PHQ9（1.000）、ISI4（0.778）、PSS2（0.444）、PSS7（0.370）和 GAD6（0.222），分属 5 个不同模块。
  4. 控制方向：MCN 中权重最高的三条边是 SRM→PSM（0.586）、PSM→ARM（0.497）、SRM→DRM（0.444）；最低的包括 DRM→NSM（0.019）。非情绪模块的出强度和 ACF 更高，情绪模块的入强度更高；“非情绪→情绪”的平均 AMCS 最高，“情绪→非情绪”最低。
  5. 稳定性：全样本网络的边数、MDSet 数量都落在 bootstrap 的 95% 区间内，多数 bootstrap 网络也是 6 个模块，MDSet 大小约为 4。仅用 10% 样本时节点强度的平均相关仍超过 0.8；但样本少于 50% 时 ACF 的平均相关会低于 0.5，作者归因于 MDSet 数量的长尾分布。

怎样读这篇论文

  • 先看图 1 和图 2：图 1 讲支配集控制模型和 MDSet 不唯一；图 2 用小例子说明 MCS 为什么不对称、MCN 怎样由多个 MDSet 平均而来。看懂这两张图，方法就掌握了大半。
  • 再看 STAR Methods 中的公式：MCS、AMCS、CF、ACF 的定义都在那里，正文只给出直观说明。
  • 图 3 是常规症状网络分析（建网、模块、中心性），熟悉症状网络分析的读者可以快速浏览；图 4 是核心结果；图 5 是稳定性，建议对照抽样不确定性：边权准确性与中心性稳定性中的 bootstrap 方法读。
  • 讨论部分关于支配集为什么适合症状网络的论证值得细读：它只依赖节点与直接邻居的关系，避开了不稳定的”路径”概念。

局限与后续工作

  • 横断面、组水平数据。网络描述的是人群中条目之间的条件关联，“非情绪模块控制情绪模块”是网络结构上的可控性，不是被试体内的因果方向，更不等于”先治睡眠就能改善情绪”的临床结论。作者自己也指出需要纵向数据，并计划结合动态网络自适应控制方法（Pan 等 2026）研究控制力随时间的转移。
  • 支配集只看有没有边。MDSet 的求解不使用边权：权重 1.568 的边和 0.0002 的边作用相同。在密度 0.40 的网络中，很弱的边也会决定控制区域。作者把”各 MDSet 权重相近”（均值 11.91，标准差 1.134）作为方法假设，并在局限中承认。
  • 取绝对值丢失了符号信息，正性和负性压力条目被一并处理。
  • 控制频率高不等于临床重要。PHQ9 在全部 27 个 MDSet 中都出现，而它所在模块在各中心性指标上都最低。读者可以思考：连接少的节点为什么反而必须当驱动节点？
  • 样本特征：医学院新生、疫情背景下的快速筛查，量表选择也会改变网络。
  • 原文中性别比例在正文写作 47.3%/52.7%，方法部分写作 47.7%/52.3%，阅读时以正文为准并留意。

代码已在 GitHub 公开（network-control-lab/module-control）。与相关研究的关系：MDSet 控制模型与结构可控性与最大匹配中基于最大匹配的有向网络控制互补；同一控制视角也被用于脑网络（见 pan2024_mddcontrol）。

关联知识

延伸思考

  1. 如果改用”一个量表一个模块”的划分，你预计 MCN 的结论会怎样变化？数据驱动的模块划分有哪些利弊？
  2. 支配集模型不考虑边权。请设计一个考虑边权的模块控制强度，并说明它会如何影响 PHQ9 这类弱连接节点的控制频率。
  3. 要检验”改善睡眠能减轻抑郁焦虑”这一推论，需要什么样的研究设计？经验取样数据加时间网络能回答到什么程度？
  4. 把模块控制用到你熟悉的生物网络（如蛋白互作网络的功能模块）上时，“模块控制模块”的生物学含义是什么？