研究前沿与开放问题

前沿方向一览

高阶网络

普通网络只表示两两关系，而许多生物过程涉及三个以上元素同时作用：蛋白复合物、多个脑区的协同激活、多个基因共同调控。高阶网络用超图（hypergraph）或单纯复形（simplicial complex）表示这种群体相互作用。Battiston 等（2020）的综述系统总结了高阶相互作用的表示方法和动力学后果，例如高阶耦合可以让同步或传播出现突变式转变。详见高阶相互作用：超图与单纯复形。

图神经网络

图神经网络（GNN）通过在邻居之间反复“传递消息”学习节点和图的表示，可用于节点分类、链接预测和图分类。图卷积网络（Kipf 与 Welling，2017）是常见的入门模型。生物医学中，GNN 被用于预测药物–靶点相互作用、药物组合副作用（如 Decagon，Zitnik 等，2018）、分子性质，以及基于脑网络的疾病分类。需要注意：GNN 的性能高度依赖输入图的质量和数据划分方式，疾病模块、网络邻近度与药物重定位中讨论的数据泄漏与研究偏倚问题同样存在；可解释性也仍是挑战。详见图神经网络。

多组学与多层网络

单一组学只看到系统的一个切面。多层网络（multilayer network）把基因组、转录组、蛋白组、代谢组以及临床表型放在不同层中，用层间边连接对应的实体（Kivelä 等，2014 给出了多层网络的统一数学框架）。动态功能连接与多层脑网络中的结构–功能多层脑网络、网络医学中的异质知识图谱，都是这一方向的例子。单细胞多组学使“细胞类型特异的调控网络”成为可能，也让基因调控网络推断中的推断可靠性问题变得更突出：Pratapa 等（2020）的基准比较显示，单细胞数据上的调控网络推断算法整体准确度有限。详见多层与相互依赖网络。

跨方向的共同问题

1. 表示的选择：同一个系统可以表示为两两网络、超图、时间网络或多层网络。Torres 等（2021）提出，表示的选择应由研究问题和数据决定，并讨论了不同表示之间信息的得失。“用更复杂的表示”本身不是贡献，要说明它回答了简单表示回答不了的问题。
2. 零模型的推广：每种新表示都需要相应的随机化基线——随机超图、打乱时间戳、层内重连与层间置换、保持度的随机图上的嵌入性能。
3. 基准与评估：机器学习方法需要公开的、划分合理的基准数据集，以及统一的报告标准。
4. 从关联到干预：网络方法最终要服务于干预（选择药物、靶点、刺激部位），这需要因果层面的证据。