玻尔百科在一个日益由复杂网络（从社交媒体到细胞生物学）定义的世界里，从纷繁复杂的连接中辨别有意义模式的能力至关重要。网络聚类（或称社区发现）的任务正是为了应对这一挑战，它旨在识别出那些内部连接比与网络其余部分连接更为密集的节点群组。但我们如何超越简单的直觉，以科学的严谨性来定义和发现这些社区呢？这个问题标志着观察到一个集群与理解其重要性之间的差距。本文为网络聚类的基本概念和强大应用提供了指南。在第一章“原理与机制”中，我们将探讨驱动现代社区发现的核心思想，如模块度的概念、用于发现结构的算法以及分辨率极限等挑战。随后，“应用与跨学科联系”一章将展示这些方法非凡的通用性，揭示它们如何被用于发现蛋白质复合物、绘制大脑网络、细分市场，甚至引发重要的伦理思考。我们的旅程始于一个根本问题：社区，究竟是什么？
想象你走进一个盛大舞会的大厅，派对正如火如荼。数百人正在交际、聊天、走动。你的任务是找出其中的社交圈子。你看到一堆堆的人在交谈，但那是一个真正的朋友圈子，还是仅仅是一次偶然的聚集？角落里的那些人是一个紧密的小团体，还是只是房间里最健谈的人碰巧站在一起？这本质上就是网络聚类的核心挑战：在一个复杂的互动网络中找到真实、有意义的社区，并以科学的严谨性来完成。我们的直觉是一个起点，但我们需要原理和机制，将这种直觉转变为强大的发现透镜。
第一个，也是最根本的问题是：什么是社区？直观上，我们可能会说它是一组节点，其内部连接比与网络其余部分的连接更紧密。这是一个好的开始，但这还不够。一组高度活跃或“受欢迎”的节点可能仅仅因为它们有大量连接可以分配而密集相连，而不是因为它们形成了一个内聚的单元。
改变了这个领域的卓越见解是，定义社区不依据其连接的绝对密度，而是依据其密度相对于我们随机期望的密度。这就是模块度背后的思想，一个由 Mark Newman 和 Michelle Girvan 提出的用于评价网络划分的质量分数。要理解它，我们必须首先想象我们网络的“零模型”版本——一个真实事物的随机影子。一种常见的方法是使用配置模型。想象一下，我们拿起真实的网络，将每条边从中间剪开，形成一堆“半边”。现在，每个节点 都有 个半边，与其原始度数相匹配。然后，我们随机地将这些半边连接起来。最终得到的网络中，每个节点的度数与原始网络完全相同，但连接是完全随机打乱的。
在这个随机世界里，节点 和节点 之间形成一条边的概率与它们度数的乘积 成正比。它们之间预期的边数是 ，其中 是网络中的总边数。
模块度（）是落在社区内部的边所占的比例，减去根据我们的配置模型随机放置边时预期的这一比例。对于一个给定的划分，其模块度为：
这里， 在节点 和 之间有边时为 ，否则为 ；而克罗内克 delta 函数 仅在节点 和 属于同一社区时为 。一个正的 值告诉我们，我们提出的社区比随机预期的内部连接更多。 值越高，社区结构就越显著。
这不仅仅是一个数学抽象。在基因调控网络（GRN）中，一个高模块度的社区代表了一组基因，它们彼此之间紧密地共同调控，并与其他组相分离。这对应于一个发育模块——一个半自主的生物学子电路。这种模块化被认为是演化的基石，它通过将突变的影响限制在单个模块内来增强鲁棒性，并通过允许模块被改变或重新利用，同时减少对整个生物体的负面副作用，来增强可演化性。
以模块度为指引，任务变成了一场寻宝游戏：找到能产生最高 值的网络划分。但是，可能的划分数量是天文数字，所以检查所有可能是行不通的。我们需要巧妙的算法。
一种直观的方法是贪心凝聚法。我们从每个节点自成一个社区开始。然后，我们考察所有可能的社区对，并合并能产生最大 值增量的那一对。我们一步步重复这个过程，直到没有更多的合并可以提高 值。这种方法简单且快速。
但这里隐藏着一个微妙而深刻的陷阱。就像一个总是向上爬山却被困在一座小山丘上，而未能到达最高峰的徒步者一样，贪心算法可能陷入一个并非全局最优解的局部最优解中。一系列局部“最佳”决策并不能保证全局最佳结果。例如，一个假设的算法可能会为一个小型网络产生像 这样的划分，而真正最大化 值的最优划分实际上是 。早期做出的贪心选择——也许是将节点 7 与群组 连接——阻止了算法发现那个更好的、全局最优的结构。
另一种方法是分裂算法，比如 Girvan 和 Newman 最初提出的那种。它不是自下而上构建，而是自上而下分解。它识别出那些最处于社区“之间”的边（即具有高“边介数”的边），并逐一移除它们，使网络分解成其自然的社区。然后，可以计算这个过程中每一步的模块度，并选择得分最高的划分。这揭示了一个深刻的原理：寻找结构是一个复杂的优化问题，不同的策略可能产生截然不同的结果。
是否总存在一个单一的“最佳”划分？想想社会结构：人们属于家庭，家庭是邻里的一部分，邻里构成城市。社区可以存在于多个尺度上。标准模块度存在“分辨率极限”——它可能无法检测到一个小的、非常密集的社区，如果该社区位于一个更大、更稀疏的社区之内，因为将小社区与其周围环境合并可能会增加全局 值。
为了解决这个问题，我们可以在模块度方程中引入一个分辨率参数 ：
这个参数 就像显微镜上的调焦旋钮。它调整了零模型项的相对重要性。
通过扫描一系列 值，我们可以在所有尺度上探索网络的社区结构，从微小的集群到大陆规模的组件。合并两个社区 和 的决定明确依赖于这个参数。只有当它们之间的边数大于按比例缩放的零模型所预测的数值时，合并才是有利的：，其中 和 是被合并社区的总度数。这种多尺度视角在神经科学等领域至关重要，因为大脑功能是按层级组织的。然而，重要的是要记住，用不同 值计算出的 值不能直接比较；它们是不同问题的答案。
真实世界是美妙地纷繁复杂的。网络通常比简单的同质节点和边的集合要复杂得多。我们的原则必须足够灵活以适应这种情况。
二分网络：考虑一个由人及其参加的社交活动组成的网络。边只存在于人与活动之间，绝不会在两个人或两个活动之间。这是一个二分网络。如果我们天真地应用标准模块度，它将彻底失败。标准的零模型期望任何两个节点之间都可能存在边，因此它会严厉惩罚将两个人放在同一个社区中，因为他们之间没有边。算法会人为地“发现”两个社区：一个由所有人组成，另一个由所有活动组成！解决方案是使用一个尊重二分结构的零模型，其中随机边只在两组不同类型的节点之间连接。零模型再次成为英雄。
异构网络：现在想象一个来自系统医学的庞大网络，包含基因、蛋白质、疾病和药物等节点。边可能代表基因-基因共表达、蛋白质-蛋白质相互作用（PPI）或药物-靶点关系。每种类型的边都有不同的含义。简单地将它们全部扔进一个锅里运行标准算法是一个错误——它将调控连接等同于药物相互作用，并使用一个假设任何节点都可以连接到任何其他节点的零模型，这在生物学上是荒谬的。有原则的方法需要更复杂的技巧，例如使用类型化模块度，该方法将其自身特定零模型计算出的每种边类型的贡献相加，或者拟合一个异构随机块模型（HSBM），这是一个生成模型，可以学习不同社区中不同类型节点之间的连接概率。
欧几里得空间中的数据：有时，数据根本不是网络。例如，基因表达谱可以表示为高维特征空间中的点。在这里，目标是相同的——找到群组——但工具不同。我们不使用模块度，而是使用内聚性（一个簇有多紧凑）和分离性（簇之间相距多远）的几何概念。内聚性可以通过最小化簇内平方和（k-均值算法的目标）来衡量，而分离性可以通过轮廓系数等指标来验证，该指标衡量一个点与自己簇的契合度比与次优簇的契合度好多少。为特定任务选择正确的工具至关重要：网络方法用于关系数据，度量空间方法用于基于特征的数据。
除了常常难以预测的贪心法寻找高模块度之外，还有没有其他选择？事实证明是有的，而且它是网络科学中最优美的思想之一：谱聚类。其核心思想是，网络的全局结构被编码在代表该网络的矩阵（称为图拉普拉斯矩阵）的特征向量中。
可以将拉普拉斯矩阵想象成描述了某种东西——如热量或信息——如何在网络上传播。它的特征向量对应于图的基本“振动模式”。特征值非常小的特征向量代表缓慢、大规模的振动。正是这些模式揭示了网络的社区。其中最著名的是Fiedler 向量，即对应于第二小特征值的特征向量。仅仅根据节点在该向量中的值对节点进行排序，通常就可以将网络分成两个最显著的社区。
与模块度一样，这个工具也得到了改进。基本的组合拉普拉斯矩阵 （其中 是度数的对角矩阵， 是邻接矩阵）对某些图效果很好，但可能会被度数非常高的节点所影响。为了纠正这一点，研究人员开发了归一化拉普拉斯矩阵 。这个版本有效地考虑了度的异质性，使其成为分析真实世界网络的一个更强大、更鲁棒的工具。谱聚类将问题从组合搜索转变为线性代数问题，将社区结构揭示为网络本身的一种内在的、共振的属性。
我们已经看到了一系列令人眼花缭乱的方法（贪心法、谱方法）、零模型（单分、二分）和参数（）。不同的算法或不同的随机起点可能导致不同的答案。那么，哪个划分是“真相”呢？
也许这是一个错误的问题。一种更科学的方法是拥抱不确定性，并从噪声中提取出稳健的信号。这就是共识聚类背后的原理。我们不只运行一次分析，而是运行数百或数千次。我们使用不同的算法、不同的参数和不同的随机初始化。我们甚至可以在数据的重采样版本上运行它们（自助法，bootstrapping）以检查稳定性。
从这个划分集合中，我们构建一个协同关联矩阵。这是一个简单但功能强大的对象：对于每对节点 ，我们存储它们在所有运行中最终属于同一社区的次数比例。这个矩阵为我们提供了一张网络社区结构的概率图。 的值意味着节点 和 紧密地联系在一起，而 则意味着它们几乎从未在一起。
这个在多次多样化运行中平均得到的共识矩阵，比任何单一划分都远为稳定和可靠。然后，我们可以对这个矩阵进行最后的聚类步骤——也许是在基于统计零模型对其进行阈值处理之后——以获得一个单一、稳健的网络社区摘要。这最后一步，将单个方法的不稳定性转化为统计强度的来源，证明了现代数据分析核心的实践智慧。它反映了一段旅程，从一个简单、直观的问题，到一个复杂、有原则且稳健的方法论，用以揭示我们周围复杂世界的隐藏架构。
在遍历了网络聚类的原理和机制之后，我们可能会倾向于将其视为一种优雅但抽象的数学。没有什么比这更远离真相了。在连接的网络中寻找内聚群体的探索，是我们理解世界最强大和最普遍的透镜之一。它是一种工具，让我们能在自然界令人眼花缭乱的复杂性中找到秩序，从活细胞的内部运作到广阔、蔓延的人类社会网络。就像物理学家在下落的苹果和绕行的月亮中看到相同的运动定律一样，我们即将看到“社区”这一相同的基本理念在最惊人多样化的环境中出现。
让我们从最私密的景观开始我们的旅程：单个活细胞内的微观宇宙。细胞不仅仅是一个化学物质的袋子；它是一个由分子机器组成的繁华都市，而这些机器中最重要的部分是由蛋白质构成的。蛋白质很少单独行动。它们形成伙伴关系，加入委员会，并组装成复杂的复合物来执行任务。我们如何发现这些细胞间的协作？我们可以构建一张图，一个蛋白质-蛋白质相互作用（PPI）网络，其中每个蛋白质是一个节点，一条边连接两个已知会物理相互作用的蛋白质。
乍一看，我们可能会猜测蛋白质复合物就是一个团（clique）——一个其中每个成员都与其他所有成员相连的群体。但现实更为微妙。一个真正的蛋白质复合物或功能模块不仅仅是一个密集的节点集合；它是网络中一个比我们根据单个蛋白质的相互作用习惯随机预期要显著密集的区域。对一个社区的真正考验是将其内部凝聚力与一个代表随机连接的合理“零模型”进行比较。通过这个统计检验的一组蛋白质，是一个真正的生物机器的有力候选者。此外，就像一个人可以是家庭成员和运动队成员一样，许多蛋白质是多功能的，并参与多个不同的复合物。这意味着，一幅细胞社交生活的现实地图需要重叠的簇，其中一个蛋白质可以属于多个群体，这是先进的聚类算法旨在发现的一个特性。
但这些分子机器不是静态的雕塑；它们是动态的、振动的实体。我们可以构建一个不是静态接触的网络，而是动态耦合的网络，其中一条边代表蛋白质的两个部分协同运动的强度，就像剧团中的舞者。这就是弹性网络模型（ENM）的世界。当我们将社区发现应用于这些动态网络时，我们发现了一些美妙的东西：簇代表了蛋白质中作为刚性块一起运动的部分。这些块之间的界面通常充当“铰链”，并且正是信号（如配体在一个位点结合）被传递到远端位点以触发功能变化的途径。这种被称为变构效应的现象，对药物作用和生物调控至关重要，而网络聚类则为其隐藏的高速公路提供了地图。
从单个蛋白质放大视野，我们可以探究整个基因集是如何协调的。借助单细胞 RNA 测序等现代技术，我们可以测量成千上万个单个细胞中成千上万个基因的活性。为了找到同时开启和关闭的基因，我们可以构建一个基因共表达网络。在这里，节点是基因，两个基因之间的加权边代表它们在所有细胞中活性水平的相关强度。对这个图应用社区发现揭示了“共调控基因模块”——这些基因集可能共享一个共同的调控控制系统，协同作用以驱动特定的生物过程。
我们可以再次放大，从基因到细胞本身。想象你有一袋来自组织样本的混合细胞。你如何将它们分类为不同的细胞类型？我们可以将每个细胞表示为一个节点，并在两个细胞的生物学特征（例如，它们的 DNA 的哪些部分是可及的，这是从 scATAC-seq 测得的指标）非常相似时，在它们之间画一条边。这就创建了一个巨大的细胞-细胞相似性图。当我们将社区发现应用于这个图时，得到的簇以惊人的保真度对应于不同的细胞类型和状态。这个过程非常强大，以至于已成为现代生物学的基石。这些算法通常包含一个“分辨率参数”，它就像显微镜上的变焦镜头：在低分辨率下，我们看到“免疫细胞”和“上皮细胞”等宽泛的类别，而在高分辨率下，我们可以区分细粒度的亚型，如不同种类的 T 细胞。
从分子的精妙舞蹈，我们将目光转向定义我们作为生物体和社会的宏大网络。拥有近 1000 亿个神经元的人类大脑，或许是最终极的复杂网络。虽然绘制每一个连接超出了我们目前的能力，但我们可以使用功能性磁共振成像（fMRI）等技术来绘制其大规模的功能组织。通过测量不同大脑区域随时间的活动相关性，我们可以构建一个功能连接网络。对这个网络进行聚类，使我们能够对大脑进行“功能分区”。发现的社区是大脑的伟大功能网络——比如默认模式网络，在我们的思绪处于休息状态时活跃；或者背侧注意网络，在我们专注于任务时参与。这项工作一个引人入胜的见解是，与政治地图上的省份不同，这些功能性大脑社区在空间上常常是 fragmented 的，大脑皮层的遥远区域以完美的同步性工作，形成一个单一、内聚的功能单元。
绘制大脑的相同原理也可以用来绘制我们的社会结构。考虑一个区域性医疗保健系统。我们可以将其建模为一个患者共享网络，其中医院和诊所是节点，加权边代表它们共同拥有的患者数量。在这个网络中寻找社区揭示了“转诊聚类”——无论是设计使然还是习惯使然，紧密合作的组织群体。这不仅仅是一项学术练习。对于公共卫生机构来说，这张地图就是金矿。它使他们能够超越一刀切的政策，部署有针对性的、中观层面的干预措施。例如，他们可以在一个紧密相连的医院社区内部专门引入一种新的共享护理协议，并专注于改善连接不同社区的“桥梁”处的协调。这是一个清晰的例子，说明了理解网络结构如何能够在现实世界中带来更智能、更有效的策略[@problem-id:4365543]。
这种逻辑直接延伸到商业世界。在线商店如何推荐你可能喜欢的产品？一种方法是构建一个连接顾客与其购买产品的二分网络。由此，我们可以推导出一个顾客-顾客相似性网络，其中一条边连接两个有相似购买习惯的顾客。在这个投影网络中寻找社区是执行市场细分的直接方法：识别具有共同品味和偏好的顾客群体。这些簇是靶向广告和个性化推荐系统背后的引擎[@problem-id:2413962]。
当我们看到网络聚类在抽象领域中组织知识的能力时，它的力量才真正得以彰显。例如，一个生态系统可以表示为一个巨大的相互作用网络。考虑一个二分的植物-传粉者网络。应用专为这种两部分网络设计的社区发现算法，可以揭示模块——植物的亚群以及为它们服务的特定传粉者。这种模块化结构是生态系统架构的一个关键特征，影响其稳定性和对物种丧失的恢复力。重要的是，这不是一个盲目的黑箱过程。科学中的一个关键步骤是验证：我们可以检查计算得出的模块是否与已知的生物学分类相对应，例如功能组（例如，长舌蜂、食蚜蝇）。当算法的社区与生物学家的功能组一致时，它让我们相信我们正在揭示自然设计的一个真实特征[@problem_-id:4146765]。
现实世界很少是简单或统一的；它通常是不同类型实体的混乱、异构的集合。想象一下整合我们关于基因、疾病和药物的知识。这可以建模为一个三分网络。试图用标准的聚类算法来分析它，就像试图阅读一张将道路、地铁线路和航线都用同一种颜色绘制的地图一样。这是一团糟。我们需要专门的方法——比如多部模块度最大化或多部随机块模型——来尊重不同类型的节点。通过使用正确的工具，我们可以发现“疾病模块”：有意义的簇，将一组相关疾病与其背后的基因以及可能治疗它们的药物联系起来。这是系统医学的一个核心目标，利用网络科学来解开人类健康的复杂网络。
我们以一句警示结束，因为强大的力量伴随着巨大的责任。网络聚类是一种极其敏感的模式探测器。但是，当嵌入我们数据中的模式反映了历史上的不公正和社偏见时，会发生什么？考虑一个社交网络，由于长期存在的社会分歧，人们倾向于更多地与来自自己人口群体的其他人互动。一个标准的、“色盲”的社区发现算法，在其纯粹的数学追求中寻找紧密连接的群体，将不可避免地重新发现并突显这些分歧。它这样做并非出于恶意，而仅仅是通过优化其目标函数。
这揭示了“通过无知实现公平”的深刻失败。仅仅忽略受保护的属性（如种族或性别）是不够的，因为该属性的影响已经编织到网络边的结构中。为了负责任地部署这些工具，我们必须更加精明。该领域的研究前沿是创建公平性感知算法。我们不是设定一个单一的目标——找到最好的簇——而是创建一个多目标问题：找到高质量的簇，同时主动惩罚任何对受保护属性的统计依赖。这涉及到一种权衡，一种在忠实于网络结构和实现公平的道德要求之间的平衡。承认并积极管理这种权衡，是一门成熟科学的标志。它表明，我们理解我们的工具不仅是观察世界的仪器，也是能够塑造世界的力量。因此，发现之旅不仅在于找到什么是真实的，也在于决定什么是正确的。