症状网络的模块控制

Pan 等（2024）把网络可控性理论用于症状网络（Pan 2024）。思路是：症状网络中多个量表条目往往形成症状模块，以往研究多关注单个节点之间的关系（中心性、桥中心性），而较少从全局出发研究模块之间的控制关系。

• 方法：针对无向网络，采用基于最小支配集（minimum dominating set, MDSet）的控制框架，支配集中的节点作为驱动节点。由于最小支配集往往不唯一，在多个最小支配集上计算模块之间的平均模块控制强度（AMCS），以模块为节点、AMCS 为边权构成有向的模块控制网络（MCN）。每个模块有对外控制力、被控制力和对内控制力三个指标。
• 数据：某高校 2773 名大一新生（经伦理委员会批准），使用 PHQ-9（抑郁）、GAD-7（焦虑）、ISI（失眠严重度）和 PSS-14（感知压力）共 37 个条目。用图形 LASSO 估计得到 37 个节点、254 条边的症状网络，Louvain 算法划分出 6 个症状模块，并把模块区分为直接描述情绪感受的“情绪模块”和不直接描述情绪的“非情绪模块”。
• 发现：非情绪模块的对外控制强度高于情绪模块，情绪模块更容易受其他模块控制；从非情绪模块到情绪模块的平均控制强度最高。失眠量表第 4 条目和压力量表第 2、7 条目在非情绪模块中控制作用最强，被视为主要控制症状。以 80% 子样本重复 1000 次的 bootstrap 显示，边权、驱动节点集和模块数都较稳定。

与其他方法的关系

• 与桥中心性相比：桥中心性按节点统计跨社团连接的强度，是“局部、对称”的量；模块控制网络是在全网驱动节点集合上统计的“有向”模块间关系，回答“哪个模块更能影响哪个模块”。
• 与网络干预分析相比：模块控制从网络结构推导潜在的控制关系，NIA 用随机化干预数据检验实际的直接作用点。前者提出假说，后者可以检验假说，例如“以失眠和压力模块为靶点的干预，是否比以情绪模块为靶点的干预带来更大的整体改善”。
• 与时间网络、面板网络相比：在有向的滞后网络上，也可以用结构可控性的方法（如最大匹配）分析驱动节点，这时“控制”的方向来自时间顺序，而不是从无向网络中推断。

这一工作提供了一个“从模块尺度看症状网络”的视角。阅读时要注意它与症状中心性相同的前提：网络来自截面数据和无向偏相关，“控制”是网络结构意义上的可控性，不等于已证实的临床因果效应，需要纵向或干预研究进一步检验。