介绍
在当今数据驱动的世界中，关系与数据点本身同样重要。无论您是在绘制社交联系图，还是探索药物与事件之间的相互作用，可视化这些关系都能揭示隐藏在表格或汇总统计数据中的洞见。网络图通过将实体表示为节点，将其关系表示为边，提供了一种直观的方式来探索此类互联数据。它可用于查找社交媒体中的中心参与者、检测金融欺诈、优化物流路线，甚至探索蛋白质相互作用和疾病途径。这些应用的共同点在于，它们都需要将复杂的关系结构简化为实用且清晰的视觉叙述。
我们可以根据频率和统计关系（例如相关性和偏相关性）对边进行加权。此外，不同的布局选择使我们能够探索不同的关系，识别聚类，并桥接可能暗示传统图表或电子表格中可能隐藏的有影响力的参与者或瓶颈关系的元素。
在介绍网络图的一般原理和技巧之后，我将分析一个关于不良事件 (AE) 共现的药物警戒案例研究，该案例研究展示了网络图如何阐明药物安全信号。最后，我将探讨 JMP 网络图插件如何支持交互式探索、数据过滤和组级洞察。
网络图插件
网络图将数据建模为关系。每个节点代表一个实体，例如人、产品、基因或药物，而边则表示两个节点之间定义的交互、共现或关系。边可以带有权重，以反映一系列共享属性，例如成对频率、重叠持续时间、相关性或条件依赖性。节点大小或颜色可以编码诸如边际频率或群体特征之类的属性。
交互式网络图可增强模式检测和假设生成。常见的布局包括特征向量或圆形排列，用于突出结构模式或比较概览。过滤器、边缘捆绑和阈值设置可减少混乱，并将注意力集中在有意义的连接上。
我们开发了网络图插件，适用于 JMP 17 及更高版本。如图 1 所示，工作流程首先从用户选定的数据集中选择列：受试者标识符、感兴趣的术语（例如事件或药物术语），以及可选的分组变量，用于将感兴趣的术语组织成互斥的类别。
在对话框界面中，用户可以自定义图表的外观。如果节点对在同一主题中同时出现，则会在它们之间绘制边，节点和边的大小（默认）反映了事件的频率和事件的共现程度。对于颜色选项，可以根据频率和统计关联（例如相关性或偏相关系数）为边着色，这可以突出显示任意两个事件之间的联系强度。
Figure 1. Dialog window displayed upon launching the add-inFigure 1. Dialog window displayed upon launching the add-in图 1. 启动插件时显示的对话框窗口
该插件使用两种主要布局选项构建网络，其中每个感兴趣的唯一术语都表示为一个节点：
- 默认的圆形布局（如图 2 所示）将所有节点围绕一个圆圈排列，使每个连接更清晰可见，并提供网络连接的概览。需要注意的是：这是一种动态布局。它会在筛选过程中自动重新计算并重新排列节点位置，以确保最大程度的可见性。
- 或者，基于特征向量的布局根据共现偏相关或相关（当偏相关不是满秩时）矩阵的前两个特征向量排列节点，如图 3 所示。这种方法将具有相似重叠模式的节点聚集在一起，从而更容易发现数据中的自然分组或模块。
该图具有完全交互性；用户可以使用左侧面板“数据过滤器”中的选项动态过滤底层数据，即时更新网络以聚焦特定的子组、频率或相关性范围。选择图中的节点或边会突出显示 JMP 数据表中的相应记录，方便快速深入查看详细信息。
Figure 2. Interactive Data Filter of Network Plot add-inFigure 2. Interactive Data Filter of Network Plot add-in图 2. Network Plot 插件的交互式数据过滤器
Figure 3. Layout options of Network Plot add-inFigure 3. Layout options of Network Plot add-in图 3. Network Plot 插件的布局选项
案例研究：重叠用药和不良事件
为了展示网络图的实际影响，我们使用交互式网络图插件将其应用于肌肉骨骼不良事件 (AE) 数据集。网络中的每个节点代表一种不同的 AE，例如关节痛、关节肿胀或肌肉骨骼疼痛。边缘表示这些事件在患者记录中至少同时出现过一次的情况，而这恰好是此数据中的所有事件。节点大小反映每个事件出现的频率，而边缘厚度和颜色编码事件对之间同时出现的频率或统计强度。分析师可以过滤低于阈值的边缘、应用分组过滤器并立即探索特定的子群体。网络图还可以补充其他方法，例如枚举离散集交集的翻转图（如文章中所述）。
发现
在两种网络布局（基于特征向量和圆形）中，一些模式显现出来。关节痛作为中心枢纽节点尤为突出，其特点是节点较大且边缘较粗，将其与其他几个AE连接起来——最显著的是关节肿胀和肢体疼痛。这些连接的突出表明，关节痛患者也经常报告关节肿胀和肢体疼痛，从而形成一个紧密相关的症状簇。这种视觉三联征不仅反映了临床上合理的关联，还突出了可能受益于关节监测或进一步研究的潜在综合征分组。
右侧的颜色图例和不同的边缘粗细表示哪些AE对最常同时出现。例如，关节痛和关节肿胀之间的粗深蓝色线表示共现频率较高，而连接银屑病关节病和其他节点的较浅、较细的线则表示重叠较弱或较少见。
按组着色的节点进一步划分事件，从而实现快速的可视化子组划分。例如，第 1 类（蓝色）和第 3 类（绿色）节点往往聚集在一起，这可能对应于临床亚型。左侧面板上的交互式过滤器可让您立即关注特定的事件类别、频率或相关性水平。例如，通过滤除低频边缘，可以在不牺牲可解释性的情况下明确核心模式。此功能支持针对性分析，例如分离罕见但严重的事件组合，或关注风险最高的患者亚群。
在圆形和特征向量布局之间切换会重新定位节点，根据分析问题，使结构关系更明显或更模糊。特征向量布局将紧密相关的症状拉近，强调它们的统计“接近性”，并有助于揭示静态表格摘要中可能遗漏的分组。交互式数据过滤器允许分析人员将绘图限制为特定频率以上的不良事件，或仅包含高相关性的边缘，从而消除噪声并清晰地聚焦于具有临床意义的模式。
这样的网络图支持几个现实世界的药物警戒和研究目标：
- 聚类检测：通过揭示经常一起出现的症状组，该图有助于识别综合症或药物特定的副作用特征。
- 资源分配：通过突出显示高频或中心事件，该图可以为在临床实践中主动监测哪些症状提供决策信息。
- 改善沟通：通过添加可视化功能，在数据分析师、临床医生和决策者之间建立了沟通桥梁，使他们能够一目了然地对复杂的共现数据达成共识。
虽然扰动图对于量化暴露于特定药物和不良事件组合的患者数量非常有用，但它们无法一次性展现多个事件之间联系的强度和结构。相比之下，网络图则提供了全面而灵活的数据视图。它们显示哪些事件密切相关，哪些事件孤立，以及各个事件簇之间的关联方式——所有这些都带有可根据调查需求定制的视觉提示。扰动图和网络图结合使用，为枚举和探索药物-事件关系提供了一套全面的工具包。
结论和后续步骤
网络图插件提供了一个动态且可解释的平台，用于可视化药物和不良事件的共现情况，从而揭示原本难以辨别的复杂模式。随着数据复杂性的不断增长，此类可视化工具对于及时准确的安全性评估变得越来越重要。这款 JMP 插件通过交互式工作流程实现了这些结果。未来的发展方向包括：集成受试者级别的协变量（例如年龄或剂量）、支持共现的时间维度、提供更多布局选项，以及提供更多用于自动聚类检测或风险量化的分析模块。最终，将网络可视化嵌入到标准的安全性信号检测工作流程中，将使分析师和临床医生能够以更快、更清晰的方式从原始数据转化为洞察。
？？
Column( pairsum, "N" ) << Set Name( "d" );
