研究问题、可复现分析与敏感性分析15 / 16
生物医学应用
可复算和敏感性分析在生物医学网络研究中不是“额外加分”，而是结论能否被采信的前提。
在脑网络领域，阈值和图谱的选择会改变小世界性和枢纽排序（见脑连接组：结构与功能连接），头动会制造虚假的短程连接，不同的网络构建流水线在可靠性和对头动的敏感程度上差异很大（Luppi 等 2024）；在症状网络领域，小样本下的中心性排序常常不稳定（见症状网络与网络精神病学），跨样本的复现争论推动了报告标准的出台（Burger 等 2023）；在基因网络领域，推断出的单条边在真实数据上的准确度很有限（见基因调控网络推断与共表达分析）；在网络医学中，忽视度分布会系统性地高估枢纽靶点（见疾病模块、网络邻近度与药物重定位），参考网络的版本也会改变疾病模块的大小与显著性。这些都不是某个领域的特殊问题，而是同一条原则：网络是构建出来的，构建方式本身就是结论的一部分。
一个完整的稳健性方案（网络医学示例）：研究问题为“某疾病基因在 PPI 网络中是否形成显著的连通模块”。预注册中写明：参考网络为 STRING（版本与下载日期），主分析置信度 0.7，敏感性分析取 0.4 与 0.9，并用另一个实验来源的相互作用组重复；零模型为度匹配随机基因集，，种子事先确定；疾病基因来源及版本；若最大连通分支 分数在所有设定中均 > 2 则视为稳健。所有代码、环境文件与基因列表存入带 DOI 的存储库，受许可限制的数据库只共享下载脚本。
对于计划发表的研究，还应留意各领域的报告规范，例如影像研究的 COBIDAS（Nichols 等 2017）、心理网络的报告标准（Burger 等 2023）以及观察性研究的报告指南。本专题的报告清单可以当作网络构建部分的补充。