结果呈现与研究前沿

一项网络分析最终要以图表和文字的形式被他人阅读、检验和使用。本专题的前半部分讨论结果呈现：怎样让每张图回答一个问题并带上对照与不确定性，网络图本身怎样画才不误导，一篇网络分析报告应包含哪些部分、方法部分怎样写才能被复现，口头报告怎样组织，以及怎样审阅他人的网络分析研究。

后半部分把各专题串联起来：先概括贯穿网络科学的五条主线——度与枢纽、模块、网络上的过程、网络是构建出来的、与什么比较；再分页介绍超越“静态、单层、两两相互作用”这一经典网络表示的几个前沿方向：

• 高阶相互作用：用超图和单纯复形描述三个及以上元素的群体作用，并以拓扑数据分析（持续同调）刻画加权网络的“形状”；
• 时间网络：边只在特定时刻存在时，传播必须沿时间一致的路径进行；
• 多层与相互依赖网络：多种关系、多种组学或多个模态放在同一个数学对象里；
• 网络表示学习与图神经网络：把节点、边或整张图映射为向量，用于预测药物–靶点关系、蛋白质功能和脑网络分类；
• 可解释性与因果：预测性能好的模型是否告诉我们机制，统计依赖的网络能否回答干预问题。

每个方向都给出定义、可手算的小例子、代表性文献与开放问题，研究前沿与开放问题一页把它们汇总成表。几个方向的共同教训是：表示方法越复杂，“节点和边怎样定义、与什么比较、结论对分析选择是否稳健”这些老问题就越重要。

本专题与网络分析流程与 NetworkX 实践、研究问题、可复现分析与敏感性分析共同构成“计算方法与研究规范”领域：前两者讨论怎样做出可信的分析，本专题讨论怎样把它可信地呈现出来，以及方法还可以向哪里发展。

Links关联知识

• 研究问题、可复现分析与敏感性分析：报告中方法、敏感性分析与 AI 使用说明的来源。
• 网络分析流程与 NetworkX 实践：零模型比较与可视化工具。
• 网络构建与统计验证：节点与边的定义、阈值、零模型和统计推断，是报告方法部分的主要内容。
• 网络结构指标与随机图、小世界与无标度网络模型：五条主线中“度与枢纽”“与什么比较”的理论基础。
• 同步与协同动力学、网络上的传播与免疫：高阶相互作用与时间结构改变同步与传播行为的背景。
• 网络鲁棒性、渗流与级联失效：相互依赖网络级联失效的渗流理论基础。
• 动态功能连接与多层脑网络：多层网络、多层模块度与时变网络在脑科学中的应用。
• 疾病模块、网络邻近度与药物重定位：异质网络、知识图谱与图学习方法的应用场景及数据泄漏问题。
• 基因调控网络推断与共表达分析、症状网络与网络精神病学：统计依赖网络与因果解释的界限。

References核心文献

Bassett & Sporns 2017：Network neuroscience

• 背景：网络科学进入神经科学后，需要一个统一的视角来整合从分子到行为的多尺度网络。Nature Neuroscience 20:353–364，DOI 10.1038/nn.4502。
• 核心内容：综述网络神经科学的核心概念（模块、枢纽、动态、控制）及其跨尺度应用，讨论多层网络和网络控制等方向。
• 阅读提示：读的时候对照贯穿网络科学的五条主线，标出文中对应的段落；这篇文章几乎覆盖了网络结构指标、网络模型、社团结构、传播、同步、可控性与脑网络等专题的概念。
• 思考题：文中提到的哪一个方向与你的研究最接近？若把你的研究推进一步，会用到哪个专题的方法？

Battiston 等 2020：Networks beyond pairwise interactions: structure and dynamics

• 背景：两两相互作用的网络框架能否描述群体相互作用？Physics Reports 874:1–92，DOI 10.1016/j.physrep.2020.05.004。
• 核心内容：系统介绍超图、单纯复形等高阶表示，高阶网络上的随机游走、传播、同步等动力学，以及在脑、生态、社会系统中的应用。
• 阅读提示：篇幅很长，建议只读引言和与网络上的传播与免疫、同步与协同动力学相关的传播、同步章节；数学细节可以跳过。对照高阶相互作用：超图与单纯复形中的定义与算例。
• 思考题：在你的研究对象中，有哪些“三个以上元素同时作用”的现象被两两网络遗漏了？

Holme & Saramäki 2012：Temporal networks

• 背景：接触、通信与神经活动都发生在特定时刻，静态网络无法表示时间顺序。Physics Reports 519(3):97–125，DOI 10.1016/j.physrep.2012.03.001。
• 核心内容：时间网络的表示（接触序列、区间图）、时间一致路径与可达性、时间网络上的中心性与基序、随机化参照模型，以及传播等动力学过程。
• 阅读提示：重点读时间一致路径和随机化参照模型两部分，对照时间网络中的算例与代码。
• 思考题：你的数据如果有时间戳，聚合成静态网络时丢失了什么？用哪种随机化可以检验这些信息是否重要？

Kivelä 等 2014：Multilayer networks

• 背景：多重网络、时间网络、相互依赖网络等概念在不同文献中名称和定义各异。Journal of Complex Networks 2(3):203–271，DOI 10.1093/comnet/cnu016。
• 核心内容：提出以节点–层二元组为基础的统一框架与术语，整理了多层网络的结构指标、动力学与各类特例之间的对应关系，是多组学网络的理论基础。
• 阅读提示：先读一般定义与特例分类部分，再对照多层与相互依赖网络与多层网络。
• 思考题：你的多组学或多模态数据中，哪些层共享同一组节点（多重网络），哪些层是不同类型的实体（需要层间依赖边）？

Grover & Leskovec 2016：node2vec: Scalable feature learning for networks

• 背景：怎样从网络结构中自动学习节点特征，同时兼顾社团（同质性）与结构角色？Proceedings of the 22nd ACM SIGKDD，855–864，DOI 10.1145/2939672.2939754。
• 核心内容：用参数 $p$、$q$ 控制的二阶有偏随机游走生成节点序列，再用 skip-gram 学习嵌入，在节点分类与链接预测上与 DeepWalk 等方法比较。
• 阅读提示：对照网络表示学习中的转移概率算例；注意链接预测实验中测试边如何从网络中移除、负样本如何选取。
• 思考题：在 PPI 网络上，你希望嵌入捕捉的是“同一复合物”（社团）还是“同为枢纽”（结构角色）？$q$ 应如何选择？

Zitnik、Agrawal 与 Leskovec 2018：Modeling polypharmacy side effects with graph convolutional networks

• 背景：多药联用的副作用难以通过临床试验穷尽。Bioinformatics 34(13):i457–i466，DOI 10.1093/bioinformatics/bty294。
• 核心内容：构建蛋白–蛋白、药物–蛋白、药物–药物（按副作用类型区分）的多关系图，用图卷积网络预测药物组合的特定副作用。
• 阅读提示：对照疾病模块、网络邻近度与药物重定位中的异质网络与网络药理学；注意作者怎样划分训练和测试数据，思考是否存在泄漏风险。
• 思考题：与网络邻近度方法相比，这类深度学习方法的优势和代价各是什么？

Krzywinski 等 2012：Hive plots—rational approach to visualizing networks

• 背景：力导向布局的“毛线团”图难以解读、难以比较。Briefings in Bioinformatics 13(5):627–644，DOI 10.1093/bib/bbr069。
• 核心内容：提出把节点按规则放到放射状轴上的布局方法，使网络图的形状由节点属性决定，可重复、可比较。
• 阅读提示：对照网络可视化：原则与常见错误，思考“规则布局”与“力导向布局”各自适合回答什么问题。
• 思考题：如果要比较患者组与对照组的脑网络，你会用什么规则安排节点的位置？

Further延伸资源

本专题正文引用的其他文献：Belkin 与 Niyogi 2003（10.1162/089976603321780317）；Perozzi 等 2014，DeepWalk（10.1145/2623330.2623732）；Qiu 等 2018（10.1145/3159652.3159706）；Yue 等 2020（10.1093/bioinformatics/btz718）；Kipf 与 Welling 2017（ICLR，arXiv:1609.02907）；Hamilton、Ying 与 Leskovec 2017，GraphSAGE（NeurIPS）；Veličković 等 2018，GAT（ICLR）；Xu 等 2019，GIN（ICLR）；Gilmer 等 2017，MPNN（ICML）；Ying 等 2019，GNNExplainer（NeurIPS）；Li、Han 与 Wu 2018（10.1609/aaai.v32i1.11604）；Stokes 等 2020（10.1016/j.cell.2020.01.021）；Gligorijević 等 2021，DeepFRI（10.1038/s41467-021-23303-9）；Jumper 等 2021，AlphaFold（10.1038/s41586-021-03819-2）；Kawahara 等 2017，BrainNetCNN（10.1016/j.neuroimage.2016.09.046）；Li 等 2021，BrainGNN（10.1016/j.media.2021.102233）；Rudin 2019（10.1038/s42256-019-0048-x）；Schölkopf 等 2021（10.1109/JPROC.2021.3058954）；Klamt 等 2009（10.1371/journal.pcbi.1000385）；Iacopini 等 2019（10.1038/s41467-019-10431-6）；Skardal 与 Arenas 2019（10.1103/PhysRevLett.122.248301）；Benson、Gleich 与 Leskovec 2016（10.1126/science.aad9029）；Giusti 等 2015（10.1073/pnas.1506407112）；Petri 等 2014（10.1098/rsif.2014.0873）；Sizemore 等 2018（10.1007/s10827-017-0672-6）；Goh 与 Barabási 2008（10.1209/0295-5075/81/48002）；Scholtes 等 2014（10.1038/ncomms6024）；Lambiotte、Rosvall 与 Scholtes 2019（10.1038/s41567-019-0459-y）；Vanhems 等 2013（10.1371/journal.pone.0073970）；De Domenico 等 2013（10.1103/PhysRevX.3.041022）；Gómez 等 2013（10.1103/PhysRevLett.110.028701）；Battiston、Nicosia 与 Latora 2014（10.1103/PhysRevE.89.032804）；Mucha 等 2010（10.1126/science.1184819）；Halu 等 2019（10.1038/s41540-019-0092-5）；Valdeolivas 等 2019（10.1093/bioinformatics/bty637）；De Domenico 2017（10.1093/gigascience/gix004）；Pratapa 等 2020（10.1038/s41592-019-0690-6）；Gysi 等 2021（10.1073/pnas.2025581118）；Lex 等 2014，UpSet（10.1109/TVCG.2014.2346248）；Holten 2006（10.1109/TVCG.2006.147）；Behrisch 等 2016（10.1111/cgf.12935）；Krzywinski 等 2009，Circos（10.1101/gr.092759.109）。

Open questions开放问题

1. 用五条主线中的任意两条，为你正在进行的一项网络研究画一张“知识来源图”：每一步分别用到了哪些专题的概念？哪一步还需要补充其他领域的方法？
2. 在高阶网络、图神经网络、多组学网络三个方向中，选一个与你的研究最相关的，设想一个具体的生物医学问题，并说明它为什么不能用普通的两两网络很好地回答。
3. 找一张你或他人论文中的网络图，按网络可视化：原则与常见错误中的清单逐条检查：它支持的结论是什么？换成矩阵图或统计图是否更清楚？
4. 对一个带时间戳的生物医学数据集（如医院接触、电子病历中的诊断序列），聚合网络与时间网络的结论在什么条件下会不同？你会用哪种随机化来检验？
5. 设计一个药物–靶点链接预测的评估方案：训练/测试怎样划分才能模拟“为一个全新药物预测靶点”的真实场景？应该与哪些简单基线比较？
6. 统计依赖网络中的“枢纽”在什么条件下可以被解释为干预靶点？需要补充哪些数据或实验？