网络分析方法学说明
社会网络分析法
第十三章社会网络分析法近几十年来社会网络分析法有了迅速的发展，它已被“泛应用到了社会学、政治学、人类学和社会政策研究等多个领域。
本章我们将侧重介绍社会网络分析法的基本概念、历史、主要分析技术及其应用。
第一节社会网络分析的概念一、什么是社会网络分析网络指的是各种关联，而社会网络(social network)即可简单地称为社会关系所构成的结构。
故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。
构成社会网络的主要要素有：行动者(actor)：这里的行动者不但指具体的个人，还可指一个群体、公司或其他集体性的社会单位。
每个行动者在网络中的位置被称为“结点(node)”。
关系纽带(relational tie)：行动者之间相互的关联即称关系纽带。
人们之间的关系形式是多种多样的，如亲属关系、合作关系、交换关系、对抗关系等，这些都构成了不同的关系纽带。
二人组(dyad)：由两个行动者所构成的关系。
这是社会网络的最简单或最基本的形式，是我们分析各种关系纽带的基础。
二人组(triad)：由三个行动者所构成的关系。
子群(subgroup)：指行动者之间的任何形式关系的子集。
群体(group)：其关系得到测量的所有行动者的集合。
社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。
它又被称结构分析(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。
从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。
因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。
社会网络分析家B·韦尔曼(Barry Wellman)指出：“网络分析探究的是深层结构——隐藏在复杂的社会系统表面之下的一定的网络模式。
”例如，网络分析者特别关注特定网络中的关联模式如何通过提供不同的机会或限制，从而影响到人们的行动。
复杂网络中的动力学模型与分析方法
复杂网络中的动力学模型与分析方法一、引言复杂网络是由大量节点和连接它们的边组成的网络结构，广泛应用于社交网络、生物网络、信息传播等领域。
网络中各个节点之间相互作用、信息传递的过程可以用动力学模型进行描述和研究。
本文将介绍复杂网络中的动力学模型以及常用的分析方法。
二、节点动力学模型1. 节点动力学模型的概念节点动力学模型是描述网络中单个节点状态变化规律的数学模型。
常用的节点动力学模型包括离散时间模型和连续时间模型。
离散时间模型适用于节点状态在离散时间点上更新的情况，连续时间模型适用于节点状态连续变化的情况。
2. 节点动力学模型的类型（1）布尔模型：布尔模型是一种离散时间模型，节点状态只有两种可能值：0和1。
通过定义节点间的布尔运算规则，模拟节点之间的相互作用和状态更新。
（2）Logistic模型：Logistic模型是一种连续时间模型，节点状态在[0,1]之间连续变化。
该模型可以描述节点的演化和趋于稳定的行为。
三、网络动力学模型1. 网络动力学模型的概念网络动力学模型是描述网络中全体节点的状态变化规律的数学模型。
在网络中，节点之间的相互作用和信息传递会影响节点的状态演化，网络动力学模型可以用来描述和预测整个网络的行为。
2. 网络动力学模型的类型（1）随机性网络模型：随机性网络模型假设节点的连接是随机的，节点间的相互作用和信息传递也是随机发生的。
常见的随机性网络模型包括随机图模型、随机循环模型等。
（2）小世界网络模型：小世界网络模型是一种介于规则网络和随机网络之间的网络结构。
它既具有规则性，节点之间的连接具有聚类特性，又具有随机性，节点之间的连接具有短路径特性。
（3）无标度网络模型：无标度网络模型是一种节点度数服从幂律分布的网络结构。
少数节点的度数非常高，大部分节点的度数较低。
这种模型可以很好地描述现实世界中一些复杂网络的结构。
四、网络动力学的分析方法1. 稳定性分析稳定性分析是判断网络在不同初始条件下是否趋于稳定状态的方法。
多任务网络分析与联合学习
多任务网络分析与联合学习随着互联网的快速发展和大数据的普及，网络分析和机器学习成为了研究热点。
多任务网络分析与联合学习是其中一种重要的方法，它能够同时处理多个相关任务，并通过共享信息来提高整体性能。
本文将介绍多任务网络分析与联合学习的基本概念、方法和应用，并探讨其在实际问题中的应用前景。
一、多任务网络分析1.1 基本概念多任务网络分析是指在一个统一框架下同时处理多个相关任务的方法。
这些相关任务可以是分类、回归、聚类等问题，它们之间存在着一定的关联性。
通过同时处理这些相关任务，可以提高整体性能，并且可以共享信息来减少训练数据量。
1.2 方法在多任务网络分析中，常用的方法包括共享参数模型和共享特征模型。
共享参数模型是指将不同任务之间共同使用一个参数矩阵或权重向量来进行训练。
通过这种方式，不同任务之间可以相互影响和提供帮助，从而提高整体性能。
共享特征模型是指将不同任务之间使用相同或类似的特征提取器来提取特征。
通过共享特征提取器，可以将不同任务之间的共同信息进行提取，并将其用于不同任务的训练。
1.3 应用多任务网络分析在许多领域中都有广泛的应用。
例如，在计算机视觉领域，可以通过多任务网络分析来同时进行目标检测、图像分割和图像分类等任务。
在自然语言处理领域，可以通过多任务网络分析来同时进行情感分类、命名实体识别和机器翻译等任务。
二、联合学习2.1 基本概念联合学习是指在多个参与者之间共享数据和模型，并通过协作学习来提高整体性能的方法。
与传统的机器学习方法相比，联合学习能够利用更多的数据和更强大的模型来解决复杂问题。
2.2 方法在联合学习中，常用的方法包括模型聚合、梯度下降和模型融合。
模型聚合是指将不同参与者训练得到的模型进行融合，并得到一个整体性能更好的模型。
常见的融合方法包括投票法、加权法和堆叠法等。
梯度下降是指在联合学习中通过共享梯度信息来进行模型更新。
通过共享梯度信息，可以利用更多的数据进行模型训练，从而提高整体性能。
社会网络分析法.pdf
第十三章社会网络分析法近几十年来社会网络分析法有了迅速的发展，它已被“泛应用到了社会学、政治学、人类学和社会政策研究等多个领域。
本章我们将侧重介绍社会网络分析法的基本概念、历史、主要分析技术及其应用。
第一节社会网络分析的概念一、什么是社会网络分析网络指的是各种关联，而社会网络(social network)即可简单地称为社会关系所构成的结构。
故从这一方面来说，社会网络代表着一种结构关系，它可反映行动者之间的社会关系。
构成社会网络的主要要素有：行动者(actor)：这里的行动者不但指具体的个人，还可指一个群体、公司或其他集体性的社会单位。
每个行动者在网络中的位置被称为“结点(node)”。
关系纽带(relational tie)：行动者之间相互的关联即称关系纽带。
人们之间的关系形式是多种多样的，如亲属关系、合作关系、交换关系、对抗关系等，这些都构成了不同的关系纽带。
二人组(dyad)：由两个行动者所构成的关系。
这是社会网络的最简单或最基本的形式，是我们分析各种关系纽带的基础。
二人组(triad)：由三个行动者所构成的关系。
子群(subgroup)：指行动者之间的任何形式关系的子集。
群体(group)：其关系得到测量的所有行动者的集合。
社会网络分析是对社会网络的关系结构及其属性加以分析的一套规范和方法。
它又被称结构分析(structural analysis)，因为它主要分析的是不同社会单位(个体、群体或社会)所构成的社会关系的结构及其属性。
从这个意义上说，社会网络分析不仅是对关系或结构加以分析的一套技术，还是一种理论方法——结构分析思想。
因为在社会网络分析学者看来，社会学所研究的对象就是社会结构，而这种结构即表现为行动者之间的关系模式。
社会网络分析家B·韦尔曼(Barry Wellman)指出：“网络分析探究的是深层结构——隐藏在复杂的社会系统表面之下的一定的网络模式。
”例如，网络分析者特别关注特定网络中的关联模式如何通过提供不同的机会或限制，从而影响到人们的行动。
网络科学中的复杂网络分析
网络科学中的复杂网络分析网络科学是一个涉及复杂的系统研究领域，复杂网络是这个领域中的重要概念。
复杂网络不仅在自然界和人类社会中广泛存在，也在人工设计的计算机网络中应用广泛。
因此，分析复杂网络的结构和行为具有重要的理论和实践意义。
网络分析是一种理论和方法学，用于研究网络中存在的结构和关系模式，进一步研究网络中不同部分之间的联系和交互。
复杂网络复杂网络是由大量节点和连接组成的网络系统，节点代表网络中的单个实体，连接代表节点之间的关系。
复杂网络具有结构复杂、动态变化、自适应和自组织等特点。
在现实生活和科学研究中，我们可以找到很多应用复杂网络的场景。
例如，社交网络、生物网络、物理网络和工程网络等。
在这些复杂网络中，我们可以研究它们的拓扑结构、时空演化、信息传播以及网络的鲁棒性和稳定性等属性。
网络分析网络分析是通过系统性、数据驱动的方法来研究网络的结构和行为，并发挥重要的理论和实践作用。
网络分析包括四个方面:网络拓扑分析、动力学模拟、信息传播和社会网络分析。
网络拓扑分析网络分析中的拓扑分析主要针对网络中节点之间的连接，通过图论理论分析网络的拓扑结构，从而更好地理解和描述网络的属性。
分析网络拓扑结构的主要目的是寻找网络的节点和连接的特征，例如网络中哪些节点之间有更多的连接、哪些节点具有重要的地位、网络的密度和聚集程度等。
动力学模拟动力学模拟是研究网络系统的动态行为以及这些行为所带来的全局影响的方法。
它涉及到复杂的微观和宏观的过程，并且在实践中被广泛地应用于模拟和预测网络中的信息传播、疾病扩散、地震和金融风险等动态过程。
信息传播通过网络传递信息是最引人注目的网络现象之一。
在社交网络中，我们可以了解量化的信息传播过程，例如通过推特传达意见和思想等。
在应用方面，通过研究和控制信息传播过程，可以帮助企业获得更好的市场营销效果、控制政策和项目达成更好的目标，以及预测和响应突发事件等。
社会网络分析社交网络是由个人和组织创建的，可识别且定义的网络结构，社交网络分析通过解释和研究交际能力和行为模式，并利用与此有关的概念和理论来帮助我们了解和解释社交网络中的现象。
k-壳分解法
k-壳分解法K-壳分解法是一种用于图形分析和网络分析的方法，它可以帮助我们理解和描述复杂系统的结构和性质。
本文将介绍K-壳分解法的原理和应用，并通过一个具体的例子来说明其在实际问题中的作用。
K-壳分解法是一种基于网络拓扑结构的图形分析方法，它通过将网络中的节点按照壳的层次进行分解，揭示了网络的内部结构和特征。
在K-壳分解法中，壳是指由相同的K-核值的节点组成的集合。
K-核值是节点在网络中的重要性度量，表示该节点的邻居节点中至少有K个邻居节点。
K-壳分解法可以帮助我们理解网络中的节点之间的关系和连接模式。
通过对网络进行K-壳分解，我们可以发现网络中的核心节点和边缘节点，并且可以量化它们的重要性。
核心节点通常在网络中具有较高的连接度，起到了传递信息和维持网络稳定性的作用。
而边缘节点则在网络中的连接度较低，它们与核心节点的连接通常较少，因此在网络中的作用相对较小。
K-壳分解法在许多领域中都有广泛的应用。
在社交网络分析中，它可以帮助我们识别网络中的关键人物和社区结构。
在生物信息学中，它可以帮助我们理解蛋白质相互作用网络和基因调控网络的结构和功能。
在金融风险分析中，它可以帮助我们识别系统中的关键节点和脆弱性。
为了说明K-壳分解法的应用，我们以社交网络为例。
假设我们有一个包含100个用户的社交网络，每个用户之间的关系用边连接表示。
我们可以通过K-壳分解法来分析这个网络的结构和特征。
我们选择一个适当的K值，比如K=2。
然后，我们对网络进行K-壳分解，找出所有K值为2的壳。
这些壳中的节点通常是网络中的核心节点，它们在网络中具有较高的连接度。
我们可以进一步分析这些壳中节点的属性，比如年龄、性别、职业等，以揭示网络中的社区结构和关键人物。
通过K-壳分解法，我们可以深入了解网络的内部结构和特征，从而为我们的研究和决策提供有价值的信息。
当然，在实际应用中，我们还需要综合考虑其他因素，如节点的重要性和影响力，以及网络的动态变化等。
fundamentals_of_brain_network_analysis_概述及解释说明
fundamentals of brain network analysis 概述及解释说明1. 引言1.1 概述脑网络分析是研究大脑功能和结构之间相互关系的重要方法。
通过对连接不同区域的神经元或脑区进行分析，可以揭示脑网络在认知、行为以及疾病发展中的作用。
近年来，随着计算能力的增强和数据采集技术的改进，脑网络分析已成为神经科学领域的热门研究方向。
1.2 文章结构本文将围绕脑网络分析展开详细介绍和解释。
首先介绍基础概念，包括什么是脑网络以及相关术语的定义和解释。
然后探讨构成脑网络的要素，涵盖不同类型的连接方式和其在信息传递中的作用。
接下来介绍脑网络分析所使用的方法与工具，包括图论、机器学习等技术，并说明它们在研究中的应用情况和优势。
1.3 目的本文旨在全面了解和解释脑网络分析领域中涉及到的基本概念、要素以及方法与工具，并回顾这些知识对于理解大脑功能和疾病机制的重要性。
此外，我们也将探讨脑网络分析在未来的发展趋势与挑战，以期为该领域的研究者提供参考和启示。
请确保文章内容的流畅性，并尽量使用清晰易懂的语言解释相关概念。
2. 正文:2.1 脑网络分析的基础概念脑网络分析是一种研究大脑连接模式和功能的方法。
它基于图论原理，将大脑视为一个复杂网络，通过分析节点（代表大脑区域）之间的连接以及连接强度来揭示大脑活动的本质。
脑网络分析被广泛应用于神经科学领域，对理解大脑的结构和功能具有重要意义。
2.2 脑网络的构成要素大脑网络主要由两个构成要素组成：节点和边。
在这里，节点代表特定的大脑区域或神经元群落，而边则表示这些节点之间存在的连接关系。
网络中的每个节点都具有一定的功能或特性，并且节点之间的连接可以根据不同的标准进行定义，如结构连接、功能连接等。
2.3 脑网络分析方法与工具在进行脑网络分析时，常用的方法包括静态方法和动态方法。
静态方法侧重于揭示大脑静息状态下的结构和功能连接模式，如静态脑网络分析、全局效能指数等；而动态方法则关注于研究大脑在时间和空间上的变化，如时序网络分析、突触可塑性等。
社会网络分析法2篇
社会网络分析法2篇第一篇：社会网络分析法介绍社会网络分析法，简称SNA，是一种用于分析社会网络结构和关系的研究方法。
它将个体和组织及其之间的关系看作网络，通过对网络的拓扑结构、关系强度和网络特性等方面的分析，揭示了个体和组织间的信息传递、话语权、影响力、集体行动等方面的状态和机理。
SNA开发于20世纪六七十年代，随着社会网络的快速发展和互联网技术的进步，SNA得到了广泛的应用和发展。
其研究领域已经扩展到社会学、心理学、管理学、计算机科学、统计学、政治学等多个学科领域。
社会网络分析法的基本思想是，社会网络是由节点（个体或组织）、连线（节点之间的联系）以及节点和连线的属性共同构成的。
SNA通过分析这些元素之间的相互关系，得出节点和连线在网络中的中心性、连通性、聚合度、弱化度、平衡度、嵌入度等特征，从而揭示社会网络内部的社会结构和动态。
SNA的研究方法主要包括：网络数据收集、网络结构分析、社会网络测量、网络演化分析、社会网络模型建立等。
其中，网络结构分析是SNA的核心内容，它通过度中心性、接近中心性、媒介中心性等指标，揭示节点在网络中的重要程度和影响力，提供了最基本的社会网络数据。
社会网络分析法的应用涉及多个领域。
在企业管理中，SNA可以用于帮助企业领导者了解公司内部的组织结构和员工之间的关系，改善组织运作，提高业绩。
在医疗健康领域，SNA可以用于了解医护人员、患者和家庭之间的关系，辅助医疗决策和治疗方案的制定。
在社会学领域，SNA可以用于了解个体和群体之间的联系与交互，探究社交关系的影响和机制。
需要注意的是，SNA在涉及隐私和伦理等问题时，需要先征得相关方的同意和保密，以确保研究合法合规。
总之，社会网络分析法是一种多领域交叉的研究方法，它的基本原理和研究方法具有普适性和跨学科性。
随着大数据时代的到来，SNA的应用将会更加广泛，对社会网络、群体行为和人类交互等方面的研究都将做出重要贡献。
第二篇：社会网络分析法在企业管理中的应用社会网络分析法（SNA）在企业管理中的应用受到越来越多的关注。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
网络分析方法学说明生物网络体现了基因之间或者基因与其他功能或通路之间的相互联系，通过网络分析可以发现基因影响生物体的协助脉络，并能在复杂的作用链条中，系统地挖掘基因发挥作用的真实线索。
此方法学说明文档包含了6类网络分析方法的详细描述，可参考各标题内容。
一、GeneCoexpressionNetwork分析方法学说明GCBI实验室通过差异基因组成的表达谱数据来构建基因共表达网络。
共表达网络能够层次清晰地展现基因间的相互关系，更深入的发现关键调控基因以及相互作用脉络。
共表达（权值)网络借鉴了海量数据所具有的无标度（scale-free)性质，通过基因间的相互作用（相关系数)来拟合基因的无标度网络关系。
所以，为了得到比较可靠与准确的基因作用关系与功能，共表达网络分析推荐单次分析总样本数不少于30（GCBI实验室可以实现至少6个样本的分析）以及基因总量不少于200（GCBI实验室原则上无基因数量限制，但是不宜过多）。
基于附录一（权值网络分析简介）的讨论，基因共表达网络采用如下的分析方法：对输入的差异表达谱数据，计算出各基因间的相关系数矩阵（ ），依次取β为1到时30间的正整数，分别计算出各个版本（即β的不同取值）的邻接矩阵（ ）与各节点的连接度。
对于计算出的各个版本，对log (p(k))与log (k)作回归分析，找出此两者最接近线性关系，斜率在-1左右，并且保证整体的平均连接度不会太低。
然后可计算出各节点间的不相似度，以不相似度作为距离，使用杂交层次聚类算法（hybrid hierarchical clustering algorithm）做聚类分析，从而得到找出不同的模块以及模块的轴心点。
模块体现了整个网络中具有紧密作用关系的子节点团体，能够更加准确的定位个体作用关系与整体功能。
另外，如果检查各个版本的邻接矩阵后发现均不满足无标度网络的条件，那么我们采用对相关系数矩阵取硬阈值的办法得到一个无权网络的邻接矩阵，其中无权网络的构建综合考虑了基因间的相互关系以及整体连通度等因素。
关于所呈现网络图的展示方法见附录二（权值网络的网络图展示描述），而网络图属性的计算请参考附录三（网络属性的描述与计算）。
二、lncRNAGeneNetwork分析方法学说明GCBI实验室通过联合差异lncRNA组成的表达谱数据与差异基因组成的表达谱数据来构建lncRNA与基因共表达网络关系。
共表达网络能够层次清晰地体现lncRNA与基因间的相互关系与整体作用关系，更深入的发现lncRNA对基因的调控关系以及发掘其可能具有的功能作用。
lncRNA与基因共表达（权值）网络借鉴了海量数据所具有的无标度（scale-free）性质，通过lncRNA与基因间的相互作用（相关系数）来拟合基因的无标度网络关系。
所以，为了得到比较可靠与准确的lncRNA与基因作用关系与功能，lncRNA与基因共表达网络分析推荐单次分析两者交集的总样本数不少于30（GCBI实验室可以实现至少6个共同的样本的分析）以及lncRNA数量不少于200，基因总量不少于300（GCBI实验室原则上无基因数量限制，但是不宜过多或过少，很容易导致结果的偏向性）。
基于附录一（权值网络分析简介）的讨论，lncRNA与基因共表达网络采用如下的分析方法：对输入的差异lncRNA表达谱数据与差异基因表达谱数据，计算出各lncRNA之间、基因之间以及lncRNA与基因之间的相关系数矩阵（ ），依次取β为1到时30间的正整数，分别计算出各个版本（即β的不同取值）的邻接矩阵（ ）与各节点（lncRNA，基因）的连接度。
对于计算出的各个版本，对log (p(k))与log (k)作回归分析，找出此两者最接近线性关系，斜率在-1左右，并且保证整体的平均连接度不会太低。
然后可计算出各节点间的不相似度，以不相似度作为距离，使用杂交层次聚类算法（hybrid hierarchical clustering algorithm）做聚类分析，从而得到找出不同的模块以及模块的轴心点。
模块体现了整个网络中具有紧密作用关系的子节点团体，能够更加准确的定位个体作用关系与整体功能。
另外，如果检查各个版本的邻接矩阵后发现均不满足无标度网络的条件，那么我们采用对相关系数矩阵取硬阈值的办法得到一个无权网络的邻接矩阵，其中无权网络的构建综合考虑了lncRNA与基因间的相互关系以及整体连通度等因素。
关于所呈现网络图的展示方法见附录二（权值网络的网络图展示描述），而网络图属性的计算请参考附录三（网络属性的描述与计算）。
三、GeneSignalNetwork分析方法学说明GeneSignalNetwork解构了KEGG数据库，突破了KEGG-Pathway数据库中基因间相互作用关系局限于某一Pathway的限制。
因此，GeneSignalNetwork在全KEGG-Pathway数据库的范围内筛选某个蛋白的上游或下游蛋白。
构建方法为：1.在数据库中搜索满足筛选条件的基因的上游和下游基因，而该上游和下游基因须同时满足筛选条件；2.根据基因与其上下游相互作用关系画出基因间连接线，基因用圆圈来表示，相互作用用线段表示,其标识为：2.1.结合binding/association——线段标识为b：两个调控蛋白结合为复合物，作用无方向性，线段无箭头；2.2.磷酸化phosphorylation——线段标识为pho：某蛋白A将A TP或GTP的磷酸基团转移给另一蛋白B，从而激活另一蛋白的功能，作用具有方向性，即由蛋白A磷酸化蛋白B，两蛋白间相互作用有方向性，作用线段有箭头；2.3.泛素化ubiquination——线段标识为u：某蛋白A对其靶蛋白B进行特异性修饰的过程，两蛋白间相互作用有方向性，作用线段有箭头；2.4.激活表达expression——线段标识为exp：一个蛋白A可以激活另一个基因DNA的转录，从而增加另一个基因的表达量，作用具有方向性，即由蛋白A激活另一个基因的转录调控表达，两蛋白间相互作用有方向性，作用线段有箭头；2.5.激活activation——线段标识为a：通过蛋白间相互作用，一个蛋白激活另一个蛋白的功能，作用具有方向性，即由蛋白A激活另一个蛋白，两蛋白间相互作用有方向性，作用线段有箭头；2.6.抑制inhibition——线段标识为inh：通过蛋白间相互作用，一个蛋白抑制另一个蛋白的功能，即由蛋白A抑制另一个蛋白，两蛋白间相互作用有方向性，作用线段为平头标识；2.7.间接作用indirect——线段标识为ind：蛋白A可以作用与蛋白B，但相互作用的实现需经其他蛋白质或信号通路作为中介才可实现，作用具有方向性，即由蛋白A间接作用另一个蛋白，两蛋白间相互作用有方向性，作用线段有箭头；2.8.代谢作用compound——线段标识为c：蛋白A和蛋白B作为两个相互临近的代谢酶，蛋白A和蛋白B共同代谢相同的化合物，两蛋白间相互作用无方向性，作用线段无箭头。
GCBI首先会去除mRNA表达谱数据中上下调不一致的基因，另外，对于存在上下调关系的miRNA表达谱数据与mRNA表达谱数据默认会进行负相关关联，而对于多分组差异结果则不会采用负相关关联，直接采取交集处理，最后，网络图属性的计算请参考附录三（网络属性的描述与计算）。
四、PathwayRelationNetwork分析方法学说明Pathway，泛指通路，这里主要指信号通路。
基于图论的方法，以pathway 为研究单元，将显著性pathway基于KEGG数据库中的相互作用关系而构建pathway间相互作用网络。
从网络中可以全局性系统地分析Pathway-Analysis发现的显著性Pathway之间的信号传导关系，可直观发现样本变化时重要Pathway 的协同作用模式，系统理解样本性状变化本质。
PathwayRelationNetwork能够帮助我们发现网络中最上游具有调控作用的信号通路，同时也能发现网络中处于最下游的效应信号通路。
通过对信号通路传导之间关系的理解，就能对信号传递的过程有更深刻的认识。
GCBI会将显著性Pathway中包含的基因的属性（Gene Feature）通过Pathway Feature字段体现，另外网络图属性的计算请参考附录三（网络属性的描述与计算）。
五、miRNAGeneNetwork分析方法学说明我们用差异microRNA与其靶向基因的属性关系来建立microRNA-Gene作用网络。
通过Gene与microRNA的属性关系可以建造Gene与microRNA的邻接矩阵A=[aij]，aij表示基因i与microRNAj的关系权重。
在microRNA与Gene的网络中，Gene用圆圈来表示，microRNA用圆角矩形来表示，相互作用用一条边来表示。
网络的中心用网络的中心度（Degree）来表示。
中心度表示microRNA对周围的Gene的贡献程度，或Gene对周围的microRNA的贡献程度。
Degree最高的表示该microRNA或Gene在网络中处于最核心的位置。
GCBI首先会去除mRNA表达谱数据中上下调不一致的基因，另外，对于存在上下调关系的microRNA表达谱数据与mRNA表达谱数据默认会进行负相关关联，而对于多分组差异结果则不会采用负相关关联，直接采取交集处理。
最后，网络图属性的计算请参考附录三（网络属性的描述与计算）。
六、miRNAGoNetwork分析方法学说明通过Go-analysis，可以得到显著性的GO与Gene的关系，联合microRNA 与Gene的靶向关系，就可以得到microRNA与显著性的GO之间的关系，通过GO与microRNA的关系可以建造GO与microRNA的关系邻接矩阵A=[aij]，aij 表示GOi与microRNAj的关系权重。
在microRNA与GO的网络中，GO用圆圈来表示，microRNA用圆角矩形来表示，microRNA与显著性Go之间用一条边来表示。
核心的microRNA或GO就是在网络图中具有最高的Degree。
GCBI首先会去除mRNA表达谱数据中上下调不一致的基因，另外，对于存在上下调关系的miRNA表达谱数据与GO分析数据默认会进行负相关关联，而对于多分组差异结果则不会采用负相关关联，直接采取交集处理。
最后，网络图属性的计算请参考附录三（网络属性的描述与计算）。
附录1、权值网络分析简介权值网络是一个简单（无环）完全网络图：每个节点表示一个基因，每条边的权值用于度量此边的两端点所对应的基因间相互作用关系的强弱。
设i,j ∈V ，用 =| ( , )|表示两基因i,j 间的相关系数的绝对值，那么节点i 与j 间边的权值可取为：= ，其中β是一个取定的正整数值。