科学报告的结构与要点 · 生物医学网络科学

一篇网络分析研究报告通常包含以下部分：

部分	要回答的问题
摘要	问题、数据、方法、主要发现、意义，各一两句
引言	生物医学背景是什么？为什么要用网络？研究问题和假设是什么？
方法	数据来源与版本、预处理、节点和边的定义、网络构建步骤、指标与算法、零模型、敏感性分析、软件与 AI 使用说明
结果	按研究问题组织；每个结果配图表，说明与什么比较
讨论	生物学解释、与文献比较、局限、替代解释、未来工作
结论	回答引言提出的问题
参考文献	每条可通过 DOI 或数据库核对

“方法可复现”标准：一位具备相关背景的研究者，只看你的方法部分（加上你提供的代码），就能从原始数据重新构建出同一个网络、算出同样的数值。数据库版本、阈值、随机种子、软件版本缺一不可。

环节	需要写清的内容	相关页面
数据	来源数据库与版本号（如 STRING 版本、置信度阈值）、样本量、纳入排除标准	节点与边的定义
节点	节点代表什么（基因、蛋白、脑区、症状），图谱或基因标识符体系	脑图谱与节点定义
边	边的含义（物理相互作用、相关、偏相关、因果），有向/无向，加权/二值，估计方法	连接强度的估计
稀疏化	阈值类型（绝对、比例、统计显著性）与取值，是否在一个范围内重复分析	阈值、加权与稀疏化
指标与算法	指标的确切定义（加权还是二值版本）、算法与参数（如 Louvain 的 $\gamma$ 、随机种子、重复次数）	网络结构指标与随机图
零模型	零模型类型（ER、度保持、空间约束、度匹配抽样）、随机网络数目、检验统计量	零模型与空模型
统计	多重比较校正方法、效应量、置信区间	统计推断与多重比较
稳健性	改变阈值、图谱、数据库版本、算法后结论是否改变	敏感性分析与替代解释
机器学习	训练/验证/测试划分方式（按节点、按边、按药物、按时间、按站点）、超参数选择、基线方法	图神经网络
可复现	代码与数据的公开位置、软件版本、运行环境	可复算的分析

维度	自查问题
数据处理与分析的完整性	节点和边的定义有生物学依据吗？有零模型和敏感性分析吗？
结果呈现的准确性	每张图都有对照吗？数值与图表一致吗？
生物学解释的深度	解释有文献支持吗？考虑过替代解释吗？
写作的逻辑性和语言表达	每节都在回答引言的问题吗？术语前后一致吗？
创新性	与已有文献相比，新在哪里？

方法的新颖性不能替代分析的扎实。一个问题朴素但方法扎实、对照完整、解释审慎的研究，通常比一个方法花哨却缺乏零模型和验证的研究更有说服力。

以 12 分钟的报告为例：

审阅他人的网络分析（例如作为期刊审稿人）时，一份好的审阅意见包括：

审阅网络分析时最值得追问的几件事：节点和边的定义是否与研究问题匹配；比较的两个网络密度是否相同；零模型是否保留了应保留的性质（度、空间嵌入、数据库的研究偏倚）；结论是否依赖某个特定阈值或参数；机器学习研究的测试集是否与训练集独立。

区分“结论错了”与“证据不足”：审阅时最常见的有效意见不是“你的结论是错的”，而是“现有分析还不足以支持这个结论，需要补充某项对照或检验”。前者需要你有反证，后者只需要指出逻辑缺口。

有依据的审阅意见：指出问题时说明理由，并尽量提出可检验的改进办法；评价分析和论证，而不是评价人。“这个结果不可信”不是有用的意见；“该结论可能受两组网络密度不同的影响，建议在相同密度下重新比较”是。

作为作者回应审阅意见时，通常附一份修改说明：逐条列出收到的意见、你的回应（采纳、部分采纳或不采纳及理由）以及对应修改在文中的位置。

继续阅读