网络图：可视化研究数据中的关系和连接

发布日期：2026年6月20日|最后更新日期：2026年8月10日

想象一下，将四十篇相关的论文堆叠成一张图。每篇论文都变成一个点，两篇论文之间的每条引用都变成一条线，原本需要用大量文字描述的信息集群，现在一目了然。这就是网络图的基本原理，它是研究人员可视化工具中最直观易懂的工具之一。节点代表作者、基因、论文或患者等实体。边代表这两个实体之间的特定关系。最终生成的图像能够清晰地展现数字表格完全无法呈现的结构。

本指南涵盖了网络图的实际含义、如何在没有统计学背景的情况下解读网络图、该技术在已发表的研究中的应用、研究人员目前用于构建网络图的软件，以及该方法最常出错的地方。指南中途提供了一个简短的示例，通过手动绘制一个六节点网络来演示其工作原理，因为其背后的数学原理比表面看起来更容易理解。

理解网络图：节点、边和方向

每个网络图都由两个要素构成。节点代表研究对象，可以是研究人员、基因、医院或国家。边代表两个节点之间的特定关系，正是这种关系的选择，使得一个通用的图表能够成为研究工具。例如，在合作论文网络中，当两个人共同署名时，就绘制一条边。在引用网络中，当一篇论文引用另一篇论文时，就绘制一条边。在蛋白质相互作用网络中，当两个蛋白质相互结合或调控时，就绘制一条边。交换一下这种关系，同样的六个点就可以代表完全不同的研究。

网络图能够表达的信息主要受两种设计选择的影响。方向是其中之一。在无向图中，A 和 B 之间的边是对称的，这适用于合作或友谊等双向影响的关系。在有向图中，边指向一个方向，对应于引用网络（论文 A 引用论文 B，反之则不然）或转介路径，其中箭头本身就承载着意义。

权重是另一个关键因素。无权重边仅表示存在连接。加权边则添加了一个数值，例如两位作者共同发表论文的数量、基因相关性的强度，或者直接比较两种药物的试验数量。权重通常以线条粗细或颜色深浅来表示，使读者能够一眼区分短暂的合作和长达十年的伙伴关系。如果您仍在犹豫是否应该为特定数据集选择网络图，而不是更简单的条形图或散点图，建议您在构建任何图表之前，先阅读我们关于如何为您的数据选择合适图表类型的指南。

大多数软件在后台将这些信息存储为边列表或邻接矩阵，但读者很少需要直接查看这种结构。对理解而言，关键在于更简单的信息。只需注意有多少条线与给定节点相连，哪些线是粗线哪些线是细线，并在假定关系是双向的之前检查箭头即可。

一个实际示例：读取小型网络图

比起定义，数字能更快地使问题具体化。假设有六位研究人员共同参与同一项研究项目，分别标记为A至F，他们在过去三年中至少合作发表过一篇论文。这是一个为了说明机制而构建的例子，并非任何已发表研究的结论。研究人员A分别与其他五位研究人员合作发表过论文。B和C合作发表过一篇论文。D和E合作发表过一篇论文。F只与A合作发表过论文。

度中心性仅仅是指一个节点拥有的直接连接数，上表已经回答了这个问题。研究员 A 的度中心性为 5，这是六人小组中的最大可能值，而 F 的度中心性为 1。这一个数字就足以改变读者对整个图景的理解。A 是整个小组的枢纽。如果从网络中移除 A，则会立即出现三个独立的片段：B 与 C 配对，D 与 E 配对，而 F 则与任何人都没有连接。

这种脆弱性是有名称的。介数中心性衡量的是一个节点位于另外两个节点之间最短路径上的频率，而A在这两项指标上都得分很高，因为它既是连接度最高的研究人员，又是BC节点对和DE节点对之间唯一的桥梁。在一个更大、更复杂的网络中，度中心性和介数中心性可能指向完全不同的节点。即使研究人员只有三个直接连接，但如果这三个连接恰好连接了网络中原本独立的部分，那么他仍然可以获得很高的介数中心性得分，即使他并非最活跃的合作者，也能起到中间人的作用。

真实的合作网络也呈现出同样的碎片化现象，只是规模更大。Khalagi及其同事绘制了伊朗骨质疏松症研究人员的合作网络图，数据来源于PubMed、Scopus和Web of Science数据库的1,328篇文献。他们发现，183位作者分散在13个不同的集群中，这些集群整体凝聚力较低，集群间的信息流动缓慢。这种大规模的分裂现象与上文六节点示例中的分裂现象类似。

中心性和聚类：图中位置揭示了什么

度中心性和介数中心性是研究人员最常用的两种中心性指标，但还有另外两种指标也经常出现在已发表的文献中。接近中心性根据节点到其他所有节点的平均距离来衡量节点，可用于找出能够最快到达网络中其他节点的节点，这在疾病传播建模或信息扩散研究中具有重要意义。特征向量中心性则根据连接另一端节点的重要性来衡量连接，因此来自高连接度中心节点的单个链接比来自外围节点的多个链接权重更高。谷歌最初的PageRank算法就是将这一思想应用于网络的一种变体。

聚类是另一个值得了解的结构属性。聚类，有时也称为社群或模块，是由一组节点组成，这些节点彼此之间连接紧密，而与组外所有节点的连接则较为稀疏。文献计量软件通常会在这些聚类旁边报告模块度得分，该数值反映了网络如何清晰地划分成不同的组，而不是形成一个未分化的整体。一项针对牙周炎和系统性疾病研究的文献计量分析（2026 年）筛选了 6,106 条记录，最终纳入1,519 项研究。该分析结合了作者关系映射、文献耦合和共引分析，并使用轮廓系数、模块度和中心性（与本文所述相同的工具包）来评估结果，以确认最终的聚类反映的是真实的子领域，而不是噪声。

这些数字本身都不能替代客观判断。在过滤不充分的引文网络中，高度节点可能只是一篇被广泛引用的大型期刊或综述文章，而非一篇具有核心学术价值的论文。因此，中心性评分更适合作为深入阅读的起点，而非最终的评判依据。

网络图在已发表的研究中出现的位置

期刊文章中出现的网络图大多属于五种用途，每一种用途都会改变节点和边的定义。

合作撰写与协作网络

合作作者网络将署名顺序转化为结构，连接曾共同发表论文的研究人员，并通常根据他们共同发表的论文数量来衡量这种联系的权重。小笠原构建了一个针对胃肠病学研究的合作作者网络，该网络利用了2000年至2023年间发表于Web of Science的18,855篇论文，追踪了该领域合作关系的形成过程，并识别了处于合作关系核心的研究人员。同样的逻辑可以扩展到单个部门，也可以扩展到整个学科。在文献计量学论文的后期修改过程中，当审稿人要求提供合作模式的证据时，合作作者网络通常被添加进来。

基因和蛋白质相互作用网络

在分子生物学中，节点代表基因或蛋白质，边代表物理结合、调控或共表达。基因组分析流程越来越多地在差异表达测试之后生成这些网络，因为单独的基因排序列表无法说明哪些基因之间相互作用。Majeed 和 Mukhtar 在 2023 年的方法章节中详细介绍了如何在 Cytoscape 中探索蛋白质-蛋白质相互作用数据，并将该软件视为系统生物学实验室开展此类工作的标准入口。枢纽基因（这些网络中的高连接度节点）通常是后续湿实验的首要目标，因为破坏枢纽基因往往比破坏外围基因对整个网络的影响更大。

文献计量学和引文映射

共引分析会在第三篇论文同时引用两篇论文时，在它们之间建立一条关联，其逻辑在于，被同时引用的论文往往具有共同的学术基础。Huang及其同事将这种方法与关键词共现映射相结合，研究了2004年至2021年间发表的失语症神经影像学研究，并在CiteSpace和VOSviewer中构建了网络图，以揭示该领域的研究热点和不断变化的前沿。这种网络图现在几乎已成为综述文章中的标准图表，尤其是在文献数量庞大、传统叙述性总结难以全面涵盖的领域。

社会网络分析在临床和行为研究中的应用

在文献计量学之外，网络图直接描绘人与人之间的关系。Kantek及其同事运用社交网络分析追踪了一家私立医院70名护士之间的咨询互动，识别出哪些员工扮演着非正式知识中心的角色，而与他们的正式职称无关。一种相关但又不同的方法是症状网络分析，它将个体症状而非人作为节点。Rydin及其同事将这种方法应用于抑郁症研究，将抑郁症状与网络结构中的代谢组学标记物联系起来，而不是孤立地检验每个症状与结果之间的关系。这种方法在精神病学研究中越来越受欢迎，正是因为它能够揭示哪些症状在疾病中处于核心地位，而不是将所有症状视为可以互换的。如果读者正在构建以人而非论文为中心的网络研究，他们可能会发现我们关于社交网络分析和研究数据中关系映射的姊妹篇对数据收集方面有所帮助；而我们专门探讨医疗保健系统内部网络分析的文章则着重介绍了转诊和护理协调网络。

证据综合中的网络图

网络荟萃分析通过整合一系列试验中的直接和间接证据，同时比较三种或三种以上的治疗方法。连接这些治疗方法的几何结构本身就是一个网络图，其中每种治疗方法作为一个节点，每次基于试验的比较作为一个边。Guerrero de Sousa 及其同事回顾了2007 年至 2022 年间发表的 86 项抗血栓疗法网络荟萃分析，并根据 PRISMA-NMA 报告清单对其进行了评估。他们发现，涉及直接口服抗凝剂的比较研究占 86 项综述中的 61 项。这种集中度在绘制网络图时显而易见，而表格则无法清晰地呈现。Editverse 的网络荟萃分析服务将构建和解读网络图作为标准工作流程的一部分，因为期刊越来越希望在森林图之外看到网络图。

研究人员用于构建网络图的软件

少数几个工具涵盖了大多数已发布的网络图，而且截至 2026 年，每个工具仍在积极更新，这证明该生态系统得到了维护，而不是被放弃。

实际选择通常取决于工作流程而非功能。希望通过点击、拖拽立即查看结果的研究人员往往会选择 Gephi、Cytoscape 或 VOSviewer。而需要将网络分析融入到更大型、可复现的统计流程中，并与已加载到 R 或 Python 中的回归模型或基因组数据集配合使用的研究人员，则倾向于选择 igraph 或 NetworkX，并在数据确定后导出静态图形。我们对研究人员使用的统计软件（包括 SPSS、R、Python 和 Stata）的概述涵盖了这些基于代码的工具如何融入更广泛的分析工作流程，而不仅仅是网络图的绘制。无论使用哪种工具生成图形，将其导出为矢量格式（SVG 或 PDF，而不是低分辨率的 PNG）都能确保节点标签在期刊调整尺寸以用于印刷后仍然清晰可辨。在截稿日期临近时，这个小步骤很容易被忽略，而一旦论文进入制作阶段，就很难再进行修正。

导致节点链接图变成一团乱麻的常见错误

最常见的错误是简单的规模问题。对于包含数千个实体的数据集，如果绘制每个节点和每条边，就会产生所谓的“毛球”——一种密集缠绕的图形，其中任何单个连接都难以辨认。在绘制图形之前，筛选出最重要的连接、最大的簇或特定的子组，几乎总是比一次性显示所有内容更能有效地生成有用的图形，前提是筛选标准在方法或图例中明确说明，而不是让读者自行猜测。

还有一些问题经常出现，需要直接指出。

• 将节点位置本身视为有意义的因素。大多数布局，特别是力导向布局算法，都是基于最小化边交叉点的优化策略来放置节点，而不是基于任何底层坐标系。因此，页面上彼此靠近的两个节点并不一定相关，除非它们之间确实存在连接边。
• 为了增强视觉效果，可以添加第三个维度。旋转的 3D 网络图在幻灯片中看起来很棒，但打印到纸上后，通常会使边长和节点位置之间的精确比较变得更加困难。我们的指南将对此进行详细说明。 学术写作中的3D图表 涵盖了第三维度能够发挥作用的少数情况。
• 悄无声息地删除孤立节点。连接数为零的实体有时会在构建图形之前被过滤掉，这或许情有可原，但如果文本中没有明确说明，就会改变网络的表观规模和密度。
• 同一图表同时采用加权和非加权解读。如果图表通过线条粗细来表示联系强度，则需要图例解释比例尺，否则读者无法判断粗线代表的是十篇共同发表的论文还是两篇。

一系列详实的案例分析了图的选择如何影响数据解读，其中涵盖了多种失效模式，并引用了已发表的图表作为示例。例如，将网络图与更简单的辅助图表（如度分布箱线图）结合使用，通常比单独使用节点链接图更能快速地展现网络的整体形状。我们关于将不同图类型组合成复合可视化图表的文章更深入地探讨了这种组合方式。

Editverse 如何支持网络图项目

构建可用于发表的网络图通常需要掌握三项不同的技能：基础统计知识、可视化软件以及期刊特定的图表要求。Editverse 的数据可视化服务直接涵盖了中间步骤，它从清洗后的数据集、边列表、相关矩阵、文献计量导出文件，最终生成一张符合发表要求的图表，该图表具有一致的标签、清晰易读的节点和边编码，并且格式能够满足期刊的印刷制作流程。

对于已接近投稿的稿件，高级科学编辑服务套餐将技术图表审核与完整的稿件编辑和重新投稿支持相结合，尤其适用于审稿人在同行评审过程中明确指出网络图不清晰或标注不足的情况。此外，进行证据综合而非原始研究的研究人员也可以使用本指南前文提及的网络荟萃分析服务，该服务将统计建模和最终的网络图作为单一交付成果。

自 2020 年以来，Editverse 一直与社会科学、生物学和临床医学领域的研究人员合作，因此其支持不仅限于图表本身，还包括周围的方法文本、图例以及审稿人提出的关于底层网络构建方式的任何问题。