结果呈现与研究前沿02 / 15
网络可视化：原则与常见错误
网络图（节点–链接图）是网络研究中最醒目也最容易误导的图。它的价值在于展示局部结构——一条通路、一个模块、一个候选基因的邻居、一组枢纽之间的连接——而不是证明全局性质。全局性质（度分布、模块度、小世界性）应该用统计图呈现。
三类表示及其适用范围
| 表示 | 适合 | 局限 |
|---|---|---|
| 节点–链接图（力导向布局） | 稀疏、中小规模（约数十到数百节点）的网络；展示路径、邻居、局部模块 | 稠密时成为“毛线团”；位置依赖布局算法和随机初值 |
| 邻接矩阵图（按社团或聚类排序） | 稠密网络、加权网络、模块结构、组间差异矩阵 | 路径难以追踪；排序方法会影响观感（Behrisch 等，2016） |
| 基于规则的布局（hive plot、环形图、分层布局） | 按节点属性（类型、度、染色体位置、脑叶）比较多个网络 | 需要先选定有意义的轴与排序规则 |
力导向布局（Fruchterman–Reingold、ForceAtlas2 等）把边当作弹簧、把节点之间当作斥力，寻找能量较低的位置。它的结果有两个经常被忽视的性质：第一，布局是随机初值上的局部最优，不同种子会给出不同的图；第二，两个节点在图上的距离只是近似反映图距离，不能把“看起来靠得近”当作结论。
Hive plot（Krzywinski 等，2012）针对这些问题提出“有规则的布局”：把节点按类别分配到若干条放射状的轴上，沿轴的位置由一个定量属性（如度）决定，边画成轴之间的曲线。同样的规则作用于两个网络，得到的图可以直接比较。层次边捆绑（Holten，2006）则把具有层次结构的连接沿层次树捆绑在一起，减少交叉，常用于环形的脑连接图（connectogram）。
视觉映射
- 位置最精确，长度次之，面积、颜色饱和度较差。最重要的变量用位置编码，其次才是节点大小或颜色。
- 节点大小映射面积而不是半径：若半径与度成正比，度增加一倍，面积增加三倍，视觉上夸大了枢纽。
- 边的粗细与透明度：加权网络中，粗细只适合少数几档；边很多时用透明度弱化弱边，并在图注中说明是否省略了某些边。
- 标注：只标注与结论相关的节点（候选基因、枢纽脑区），其余用颜色或图例概括。
常见错误
网络可视化中的常见错误
- 毛线团图当结论：全网节点–链接图无法支持“存在模块”“存在枢纽”这类结论，结论应来自定量分析。
- 为了好看而阈值化：为了让图清楚，只画最强的 5% 的边，却在正文中把图上的结构当作发现。展示用的阈值应与分析用的阈值区分并在图注说明。
- 组间比较使用不同布局：患者组和对照组各自做一次力导向布局，位置不同，读者无法对照。应固定节点坐标（同一布局或解剖坐标）。
- 布局不可复现：未固定随机种子、未保存坐标。应保存节点坐标文件，或在代码中固定种子（如
nx.spring_layout(G, seed=1)）。 - 把空间距离读成网络距离：布局中两个模块靠得近，并不意味着它们之间连接多。
- 颜色负担过重：一张图里同时用颜色编码社团、组别、显著性。每种视觉通道只编码一个变量。
- 3D 图与玻璃脑图过度使用：三维图存在遮挡和透视变形；脑网络通常配合二维投影或矩阵图一起给出。
生物医学中的常见图式
- 分子网络：Cytoscape 是分子网络可视化的标准工具，可把表达量、突变频率等数据映射到节点属性；Merico 等（2009）总结了用网络解读组学数据时的布局与视觉映射要点。Gehlenborg 等（2010）与 O’Donoghue 等（2018）综述了组学和生物医学数据可视化的工具与原则。
- 基因组尺度关系：Circos 环形图（Krzywinski 等，2009）适合展示染色体位置之间的关系（如结构变异、Hi-C 接触），但边过多时同样会退化为难以阅读的图。
- 脑网络：常见做法是把节点放在解剖坐标上（玻璃脑投影）、按脑叶或功能系统排列的环形图，以及按功能系统排序的连接矩阵。比较组间差异时，矩阵图配合 NBS 等统计方法筛选出的子网络比全连接图更有信息量（见组间比较与统计验证）。
同一网络，两种画法：代码示例用种植分割模型生成 4 个社团、120 个节点的网络，并排画出力导向节点–链接图、随机排序的邻接矩阵和按 Louvain 社团排序的邻接矩阵。排序后的矩阵呈现清晰的对角块，块外的点就是社团间的边；随机排序的矩阵看不出任何结构；节点–链接图虽然也能看出团块，但团块的位置和形状随布局种子变化。这说明“能否看出结构”取决于呈现方式，而结构是否存在要靠模块度和零模型来判断（见社团结构与社区发现）。
工具选择（NetworkX + Matplotlib、Gephi、Cytoscape）见可视化工具。