Netzwerkgraphen: Beziehungen und Verbindungen in Forschungsdaten visualisieren

Stellen Sie sich einen Stapel von vierzig thematisch zusammenhängenden Artikeln vor, der zu einem einzigen Bild zusammengefasst wird. Jeder Artikel wird zu einem Punkt, jede Zitation zwischen zwei Artikeln zu einer Linie, und Cluster, deren Beschreibung sonst seitenlange Erläuterungen erfordern würde, werden auf einen Blick sichtbar. Das ist die Grundidee von Netzwerkdiagrammen , einem der anschaulichsten Werkzeuge im Visualisierungsrepertoire von Forschern. Knoten stehen für Entitäten wie Autoren, Gene, Artikel oder Patienten. Kanten repräsentieren eine spezifische Beziehung zwischen zwei dieser Entitäten. Das resultierende Bild macht Strukturen sichtbar, die eine Zahlentabelle vollständig verbergen würde.

Dieser Leitfaden erklärt, was ein Netzwerkdiagramm darstellt, wie man es ohne Statistikkenntnisse liest, wo diese Technik in der veröffentlichten Forschung Anwendung findet, welche Software Forscher aktuell zum Erstellen solcher Diagramme verwenden und wo die Methode am häufigsten zu Fehlern führt. Ein kurzes Beispiel im Text erläutert die manuelle Darstellung eines Netzwerks mit sechs Knoten, da die zugrundeliegende Mathematik verständlicher ist, als es zunächst scheint.

Netzwerkdiagramme verstehen: Knoten, Kanten und Richtung

Jedes Netzwerkdiagramm basiert auf zwei Elementen. Knoten repräsentieren die untersuchten Entitäten, seien es einzelne Forscher, Gene, Krankenhäuser oder Länder. Kanten stellen eine spezifische Beziehung zwischen zwei Knoten dar, und diese Wahl der Beziehung macht aus einem generischen Diagramm ein Forschungsinstrument. Ein Koautorennetzwerk zeichnet eine Kante, wenn zwei Personen eine gemeinsame Autorenzeile haben. Ein Zitationsnetzwerk zeichnet eine Kante, wenn eine Publikation eine andere zitiert. Ein Proteininteraktionsnetzwerk zeichnet eine Kante, wenn zwei Proteine ​​binden oder sich gegenseitig regulieren. Ändert man die Beziehung, können dieselben sechs Punkte eine völlig andere Studie repräsentieren.

Zwei Gestaltungsoptionen bestimmen, was ein Netzwerkdiagramm aussagen kann. Die Richtung ist eine davon. In einem ungerichteten Diagramm ist eine Kante zwischen A und B symmetrisch, was Beziehungen wie Koautorenschaft oder Freundschaften gut beschreibt, bei denen der Einfluss in beide Richtungen wirkt. In einem gerichteten Diagramm zeigen die Kanten nur in eine Richtung und entsprechen Zitationsnetzwerken (Publikation A zitiert Publikation B, nicht umgekehrt) oder Verweispfaden, bei denen der Pfeil selbst eine Bedeutung trägt.

Die Gewichtung ist das andere Merkmal. Eine ungewichtete Kante zeigt lediglich eine bestehende Verbindung an. Eine gewichtete Kante fügt eine Zahl hinzu, beispielsweise die Anzahl gemeinsamer Publikationen zweier Autoren, die Stärke einer Genkorrelation oder die Anzahl der Studien, die zwei Medikamente direkt vergleichen. Die Gewichtung wird üblicherweise durch Linienstärke oder Farbintensität dargestellt, sodass der Leser eine flüchtige Kooperation von einer jahrzehntelangen Partnerschaft auf einen Blick unterscheiden kann. Wer sich noch nicht sicher ist, ob ein Netzwerkdiagramm für einen bestimmten Datensatz besser geeignet ist als ein einfacheres Balken- oder Streudiagramm, sollte vor der Erstellung eines Diagramms unseren Leitfaden zur Auswahl des passenden Diagrammtyps für seine Daten durcharbeiten.

Die meisten Softwareprogramme speichern diese Informationen im Hintergrund als Kantenliste oder Adjazenzmatrix, doch der Leser muss diese Struktur selten direkt sehen. Für die Interpretation ist etwas Einfacheres relevant: Man beachte, wie viele Linien einen bestimmten Knoten berühren, welche Linien dick und welche dünn verlaufen, und prüfe die Pfeilspitzen, bevor man von einer bidirektionalen Beziehung ausgeht.

Ein praktisches Beispiel: Lesen eines kleinen Netzwerkdiagramms

Zahlen veranschaulichen dies schneller als Definitionen. Betrachten wir sechs Forscher, die dasselbe Forschungsprojekt fördern (A bis F) und in den letzten drei Jahren mindestens eine gemeinsame Publikation verfasst haben. Dieses Beispiel dient der Veranschaulichung der Vorgehensweise und basiert nicht auf einer veröffentlichten Studie. Forscher A hat mit jedem der anderen fünf eine Publikation verfasst. B und C haben gemeinsam eine Publikation verfasst. D und E haben gemeinsam eine Publikation verfasst. F hat nur mit A publiziert.

Die Gradzentralität gibt lediglich an, wie viele direkte Verbindungen ein Knoten hat, und die obige Tabelle beantwortet diese Frage bereits. Forscher A hat den Wert 5, den maximal möglichen Wert in einer sechsköpfigen Gruppe, während F den Wert 1 hat. Diese eine Zahl verändert die Interpretation des Bildes. A ist der zentrale Knotenpunkt, über den die gesamte Gruppe läuft. Entfernt man A aus dem Netzwerk, entstehen sofort drei separate Fragmente: B ist mit C verbunden, D mit E und F ist mit niemandem verbunden.

Diese Fragilität hat einen Namen. Die Betweenness-Zentralität misst, wie oft ein Knoten auf dem kürzesten Pfad zwischen zwei anderen Knoten liegt. Knoten A erzielt hier in beiden Messungen hohe Werte, da er sowohl der am besten vernetzte Forscher als auch die einzige Verbindung zwischen dem BC- und dem DE-Paar ist. In einem größeren, komplexeren Netzwerk können Grad und Betweenness auf völlig unterschiedliche Knoten verweisen. Ein Forscher mit nur drei direkten Verbindungen kann dennoch einen hohen Betweenness-Wert aufweisen, wenn diese drei Verbindungen zufällig ansonsten getrennte Teile des Netzwerks verbinden und somit als Vermittler fungieren, selbst wenn er nicht der aktivste Kooperationspartner ist.

Reale Kollaborationsnetzwerke weisen dieselbe Fragmentierung auf, nur in größerem Maßstab. Khalagi und Kollegen kartierten das Koautorennetzwerk iranischer Osteoporoseforscher anhand von 1,328 Dokumenten aus PubMed, Scopus und Web of Science und berichteten von 183 Autoren in 13 separaten Clustern mit geringer Gesamtkohäsion und langsamem Informationsfluss zwischen den Gruppen – eine groß angelegte Version der im obigen Beispiel mit sechs Knoten sichtbaren Aufspaltung.

Zentralität und Cluster: Was die Position innerhalb des Graphen verrät

Grad- und Betweenness-Zentralität sind die beiden Zentralitätsmaße, die Forscher am häufigsten verwenden, doch zwei weitere tauchen regelmäßig in Veröffentlichungen auf. Die Closeness-Zentralität bewertet einen Knoten anhand seiner durchschnittlichen Entfernung zu allen anderen Knoten. Sie ist nützlich, um herauszufinden, wer den Rest eines Netzwerks am schnellsten erreichen kann, was beispielsweise bei der Modellierung der Krankheitsausbreitung oder in Studien zur Informationsdiffusion relevant ist. Die Eigenvektor-Zentralität gewichtet eine Verbindung anhand der Bedeutung des Knotens am anderen Ende. Daher zählt eine einzelne Verbindung von einem stark vernetzten Hub mehr als mehrere Verbindungen von peripheren Knoten. Googles ursprünglicher PageRank-Algorithmus ist eine Variante dieses Prinzips, angewendet auf das Web.

Clustering ist eine weitere wichtige Struktureigenschaft. Ein Cluster, auch Community oder Modul genannt, ist eine Gruppe von Knoten, die eng miteinander und nur schwach mit Knoten außerhalb der Gruppe verbunden sind. Bibliometrische Software gibt typischerweise neben diesen Clustern einen Modularitätswert aus. Dieser Wert erfasst, wie klar ein Netzwerk in distinkte Gruppen unterteilt ist, anstatt eine undifferenzierte Masse zu bilden. Eine bibliometrische Kartierung der Parodontitis- und Systemerkrankungsforschung aus dem Jahr 2026 filterte 6,106 Datensätze und reduzierte die Anzahl der eingeschlossenen Studien auf 1,519. Dabei wurden Koautorenschaftsanalyse, bibliografische Kopplung und Ko-Zitationsanalyse kombiniert. Die Ergebnisse wurden anhand des Silhouette-Scores, der Modularität und der Zentralität bewertet – dem gleichen Instrumentarium, das hier beschrieben wird –, um zu bestätigen, dass die resultierenden Cluster echte Teilgebiete und nicht nur Rauschen widerspiegeln.

Keine dieser Zahlen ersetzt allein ein Urteil. Ein Knoten mit hohem Grad in einem schlecht gefilterten Zitationsnetzwerk könnte lediglich eine Mega-Zeitschrift oder ein Übersichtsartikel sein, der von allen beiläufig zitiert wird, und keine intellektuell zentrale Arbeit. Daher eignen sich Zentralitätswerte am besten als Ausgangspunkt für eine genauere Lektüre und nicht als endgültiges Urteil.

Wo Netzwerkdiagramme in veröffentlichten Forschungsarbeiten vorkommen

Fünf Anwendungsbereiche machen den Großteil der in Fachartikeln vorkommenden Netzwerkdiagramme aus, und jeder dieser Bereiche verändert, was als Knoten und was als Kante zählt.

Koautorenschaft und Kollaborationsnetzwerke

Ein Koautorennetzwerk wandelt die Reihenfolge der Autoren in eine Struktur um, indem es Forschende verbindet, die gemeinsam publiziert haben. Die Bedeutung dieser Verbindung wird oft anhand der Anzahl gemeinsamer Publikationen gewichtet. Ogasawara erstellte ein solches Netzwerk für die Gastroenterologieforschung. Er nutzte dafür 18,855 zwischen 2000 und 2023 veröffentlichte Artikel aus dem Web of Science, um die Entstehung von Kooperationen in diesem Fachgebiet nachzuzeichnen und die zentralen Forschenden zu identifizieren. Dieselbe Logik lässt sich auf einzelne Fachbereiche oder ganze Disziplinen übertragen. Koautorennetzwerke gehören zu den gängigsten Kennzahlen, die erst spät im Überarbeitungsprozess bibliometrischer Arbeiten hinzugefügt werden, wenn Gutachter nach Belegen für Kooperationsmuster fragen.

Gen- und Proteininteraktionsnetzwerke

In der Molekularbiologie entsprechen Knoten Genen oder Proteinen, und Kanten repräsentieren physikalische Bindungen, regulatorische Kontrollen oder Koexpression. Genomische Analyse-Pipelines generieren diese Netzwerke zunehmend als nachgelagerten Schritt nach der Analyse differentieller Genexpression, da eine Rangliste von Genen allein keine Aussage darüber trifft, welche Gene miteinander interagieren. Majeed und Mukhtar beschreiben in ihrem Methodenkapitel von 2023 die Untersuchung von Protein-Protein-Interaktionsdaten speziell in Cytoscape und betrachten die Software als Standardeinstiegspunkt für diese Art von Arbeit in einem Systembiologie-Labor. Hub-Gene, die Knoten mit hohem Grad innerhalb dieser Netzwerke, sind häufig das erste Ziel nachfolgender Experimente im Labor, da die Störung eines Hubs tendenziell einen größeren Teil des Netzwerks beeinflusst als die Störung eines peripheren Gens.

Bibliometrische und Zitationskartierung

Die Ko-Zitationsanalyse stellt eine Verbindung zwischen zwei Publikationen her, sobald eine dritte Publikation diese gemeinsam zitiert. Die Logik dahinter ist, dass Publikationen, die im selben Atemzug zitiert werden, tendenziell ähnliche intellektuelle Grundlagen haben. Huang und Kollegen kombinierten dies mit der Kartierung von Schlüsselwort-Ko-Vorkommen, um die zwischen 2004 und 2021 veröffentlichte neurobildgebende Forschung zur Aphasie zu untersuchen. Sie erstellten ihre Netzwerkdiagramme in CiteSpace und VOSviewer, um die Forschungsschwerpunkte und sich verändernden Grenzen des Fachgebiets aufzuzeigen. Diese Art von Netzwerkdiagramm ist mittlerweile fast schon Standard in Übersichtsartikeln, insbesondere in Bereichen, in denen die Literatur so umfangreich ist, dass eine traditionelle narrative Zusammenfassung sie nicht mehr adäquat abdecken kann.

Soziale Netzwerkanalyse in der klinischen und verhaltenswissenschaftlichen Forschung

Außerhalb der Bibliometrie bilden Netzwerkdiagramme Beziehungen zwischen Personen direkt ab. Kantek und Kollegen nutzten die soziale Netzwerkanalyse, um die Interaktionen von 70 Pflegekräften in einem privaten Krankenhaus nachzuverfolgen , die um Rat fragten. Dabei identifizierten sie Mitarbeiter, die unabhängig von ihrer formalen Position als informelle Wissenszentren fungierten. Ein verwandter, aber eigenständiger Ansatz, die Symptomnetzwerkanalyse, betrachtet einzelne Symptome anstelle von Personen als Knotenpunkte. Rydin und Kollegen wandten diese Methode auf Depressionen an und verknüpften depressive Symptome mit metabolomischen Markern in einer Netzwerkstruktur, anstatt jedes Symptom isoliert mit einem Ergebnis zu vergleichen. Dieser Ansatz gewinnt in der psychiatrischen Forschung zunehmend an Bedeutung, da er aufzeigen kann, welche Symptome zentral für eine Störung sind, anstatt alle Symptome als austauschbar zu behandeln. Leser, die eine Netzwerkstudie mit Personen anstelle von wissenschaftlichen Artikeln durchführen, finden möglicherweise unseren Begleitartikel zur sozialen Netzwerkanalyse und zur Abbildung von Beziehungen in Forschungsdaten hilfreich für die Datenerhebung. Unsere spezielle Betrachtung der Netzwerkanalyse innerhalb von Gesundheitssystemen befasst sich insbesondere mit Überweisungs- und Versorgungskoordinierungsnetzwerken.

Netzwerkdiagramme in der Evidenzsynthese

Netzwerk-Metaanalysen vergleichen drei oder mehr Behandlungen gleichzeitig, indem sie direkte und indirekte Evidenz aus verschiedenen Studien kombinieren. Die Geometrie der Verbindungen zwischen diesen Behandlungen bildet selbst einen Netzwerkgraphen, wobei jede Behandlung einen Knoten und jeder studienbasierte Vergleich eine Kante darstellt. Guerrero de Sousa und Kollegen überprüften 86 Netzwerk-Metaanalysen zu antithrombotischen Therapien, die zwischen 2007 und 2022 veröffentlicht wurden , und bewerteten sie anhand der PRISMA-NMA-Checkliste. Sie stellten fest, dass 61 der 86 Reviews Vergleiche mit direkt wirkenden oralen Antikoagulanzien ausmachten – eine Konzentration, die sofort deutlich wird, sobald das Netzwerkdiagramm erstellt wird, anstatt implizit in einer Tabelle dargestellt zu sein. Der Netzwerk-Metaanalyse-Service von Editverse beinhaltet die Erstellung und Interpretation dieses Diagramms als Teil des Standard-Workflows, da Fachzeitschriften es zunehmend zusammen mit dem Forest-Plot erwarten.

Software, die Forscher zum Erstellen von Netzwerkdiagrammen verwenden

Eine Handvoll Tools deckt die meisten veröffentlichten Netzwerkdiagramme ab, und jedes dieser Tools lieferte auch im Jahr 2026 noch aktive Updates aus – ein Beweis dafür, dass das Ökosystem gepflegt und nicht aufgegeben wird.

Die praktische Wahl hängt meist vom Workflow und weniger von den Funktionen ab. Forschende, die per Drag & Drop Ergebnisse sofort sehen möchten, greifen in der Regel zu Gephi, Cytoscape oder VOSviewer. Forschende, deren Netzwerkanalyse in einen größeren, reproduzierbaren statistischen Workflow eingebettet sein muss, beispielsweise zusammen mit einem Regressionsmodell oder einem bereits in R oder Python geladenen Genomdatensatz, verwenden eher igraph oder NetworkX und exportieren anschließend eine statische Grafik, sobald die Daten vorliegen. Unsere Übersicht über die von Forschenden genutzte Statistiksoftware (SPSS, R, Python und Stata) zeigt, wie sich diese codebasierten Werkzeuge in einen umfassenderen Analyse-Workflow einfügen, der über Netzwerkdiagramme hinausgeht. Unabhängig vom verwendeten Tool sorgt der Export als Vektorformat (SVG oder PDF statt niedrig auflösendem PNG) dafür, dass die Knotenbeschriftungen auch nach der Druckskalierung durch eine Fachzeitschrift lesbar bleiben – ein kleiner Schritt, der unter Zeitdruck leicht übersehen und nachträglich nur schwer korrigiert werden kann, sobald ein Artikel in Produktion ist.

Häufige Fehler, die ein Node-Link-Diagramm in ein unübersichtliches Durcheinander verwandeln

Der häufigste Fehler liegt in der Skalierung. Die Darstellung jedes Knotens und jeder Kante in einem Datensatz mit Tausenden von Entitäten führt zu einem unübersichtlichen Gewirr, in dem keine einzelne Verbindung mehr erkennbar ist. Das Filtern auf die wichtigsten Verbindungen, den größten Cluster oder eine bestimmte Untergruppe vor der Darstellung liefert fast immer eine aussagekräftigere Grafik als die gleichzeitige Anzeige aller Elemente, vorausgesetzt, die Filterkriterien werden in den Methoden oder der Abbildungslegende offengelegt und nicht dem Leser zur Interpretation überlassen.

Einige andere Probleme treten häufig genug auf, um sie direkt anzusprechen.

• Die Position eines Knotens wird als eigenständiges, aussagekräftiges Kriterium betrachtet. Die meisten Layout-Algorithmen, insbesondere kraftbasierte Algorithmen, platzieren Knoten basierend auf einer Optimierung, die Kantenüberschneidungen minimiert, und nicht auf einem zugrunde liegenden Koordinatensystem. Daher sind zwei nahe beieinander liegende Knoten auf der Seite nicht unbedingt miteinander verbunden, es sei denn, eine Kante verbindet sie tatsächlich.
• Hinzufügen einer dritten Dimension für einen visuellen Effekt. Ein rotierendes 3D-Netzwerkdiagramm mag in einer Präsentation beeindruckend aussehen, erschwert aber in der Regel den genauen Vergleich von Kantenlängen und Knotenpositionen, wenn es flach auf Papier gedruckt wird. Unser Leitfaden dazu 3D-Grafiken im wissenschaftlichen Schreiben umfasst die wenigen Fälle, in denen die dritte Dimension ihren Platz verdient.
• Isolierte Knoten werden stillschweigend entfernt. Entitäten ohne Verbindungen werden manchmal vor der Erstellung einer Grafik herausgefiltert, was sinnvoll sein kann, aber dies ohne Angabe im Text zu tun, verändert die scheinbare Größe und Dichte des Netzwerks.
• Die Vermischung einer gewichteten und einer ungewichteten Darstellung derselben Abbildung. Eine Abbildung, die die Stärke der Verknüpfung durch Linienstärke kodiert, benötigt eine Legende, die die Skala erklärt, da der Leser sonst nicht erkennen kann, ob eine dicke Linie zehn oder zwei gemeinsame Arbeiten bedeutet.

Eine gut dokumentierte Fallserie darüber, wie die Wahl des Graphen die Dateninterpretation beeinflusst, behandelt mehrere dieser Fehlerquellen anhand von Beispielen aus veröffentlichten Abbildungen. Die Kombination eines Netzwerkdiagramms mit einem einfacheren unterstützenden Diagramm, beispielsweise einem Boxplot der Gradverteilung , vermittelt die Gesamtstruktur des Netzwerks oft schneller als das Knoten-Link-Diagramm allein. Unser Artikel über die Kombination verschiedener Graphentypen zu komplexen Visualisierungen geht detaillierter auf diese Kombination ein.

Wie Editverse Netzwerkdiagrammprojekte unterstützt

Die Erstellung eines druckfertigen Netzwerkdiagramms erfordert üblicherweise die Anwendung dreier unterschiedlicher Kompetenzbereiche: der zugrundeliegenden Statistik, der Visualisierungssoftware und der spezifischen Abbildungsvorgaben der jeweiligen Fachzeitschrift. Der Datenvisualisierungsdienst von Editverse deckt den mittleren Schritt direkt ab und erstellt aus einem bereinigten Datensatz, einer Kantenliste, einer Korrelationsmatrix und einem bibliometrischen Export ein druckfertiges Diagramm mit einheitlicher Beschriftung, lesbarer Knoten- und Kantenkodierung sowie einem Format, das den Druckprozess einer Fachzeitschrift problemlos übersteht.

Für Manuskripte, die kurz vor der Einreichung stehen, kombiniert das Premium-Paket für wissenschaftliches Lektorat die Überprüfung technischer Abbildungen mit vollständiger Manuskriptbearbeitung und Unterstützung bei der Wiedereinreichung. Dies ist besonders hilfreich, wenn ein Gutachter im Peer-Review-Verfahren eine Netzwerkabbildung als unklar oder unzureichend beschriftet bemängelt. Forschende, die eine Evidenzsynthese anstelle einer Primärstudie durchführen, können zudem den bereits erwähnten Netzwerk-Metaanalyse-Service nutzen. Dieser umfasst sowohl die statistische Modellierung als auch das resultierende Netzwerkdiagramm als ein einziges Ergebnis.

Editverse arbeitet seit 2020 mit Forschern aus den Bereichen Sozialwissenschaften, Biologie und klinische Medizin zusammen, sodass sich die Unterstützung über die Abbildung selbst hinaus auf den umgebenden Methodentext, die Abbildungslegende und alle Fragen der Gutachter zur Konstruktion des zugrunde liegenden Netzwerks erstreckt.