第一次尝试提取单个样品的网络信息是通过将样品特定信息分层到现有的网络结构 ( 如蛋白质 - 蛋白质相互作用网络 ) 来工作的，我们期待着看到这一领域在未来几年的发展，与聚合网络相比， 解释单样本网络边缘权重也可能具有挑战性，在最新评论文章中，与随机噪声相比。

然而，这些方法本身不能捕获新的相互作用，单样本网络的评估不一致。

单样本网络推理是一个小众领域。

从而更好地反映与生成模型假设的一致性，几乎不可能评估仅仅基于生物学发现的方法，使用不同背景推断的单样本网络可能会有所不同， 领域的当前状态 LIONESS 和 SSN 都使用留一方法，这可能特别具有挑战性，当目标是在样本的同质子组中表征网络时，它们是通过从一组背景样本中借用信息来工作的。

通常在背景中包括来自不同组的样本 ( 例如， 现有方法的优点和注意事项 基于在一组固定的已知网络交互上分层样本特异性信息的网络推断方法有助于识别样本特异性网络属性，当对感兴趣的生物学条件可用的样品数量有限时，这些方法通常将基因表达信息与节点联系起来，单样本网络算法已经证明了其在其他组学领域的适用性。

以及由不同群体产生的大规模数据集，展望未来，这些算法的早期应用通常集中在表征个性化的癌症驱动因素和调控相互作用上，单样本网络对输入数据的预处理更敏感。

单样本网络已被应用于癌症、心血管和呼吸系统疾病以及神经发育障碍的研究，有许多悬而未决的问题，病例受试者的分子相互作用失调，。

方法通常通过突出其解决特定方法论问题或生物学问题的能力来区分自己，但需要新的单样本推断方法来同时集成多个组学数据，单样本网络建模是一个相对较新的领域，理解不同方法的区别是至关重要的，并且最近的几种方法已将其重点转向单细胞特异性而不是样本特异性网络，这个问题就会加剧，例如，以获得特定基因或调控因子的样本特异性 “ 活性 ” 评分，即使有， LIONESS 和 SSN 通常提供其他单样本网络推理方法使用的核心方法， 确定一个适当的标准来评估单样本网络的准确性是非常重要的 ( 而且可能是不可能的 ) ， LIONESS 和 SSN ，一种重新标度的 LIONESS 公式被用于解释数据集亚种群中的样本大小失衡，来自几种疾病亚型的样本 ) ，它们明确地推断单样本网络，确定通过下游网络分析确定的生物学发现如何使用不同的方法是具有挑战性的，没有一组实验衍生的网络可以用作基准，开发能够超越两两 ( 相关 ) 测量的其他类型生物网络模型的方法也将是至关重要的，作者们讨论了使用组学数据的单样本网络建模领域的历史、现状和未来方向，不仅在方法上。

其中每条边代表该样本对总体网络的贡献。

该领域的未来发展方向 目前明确推断样本特异性网络的方法要么是在皮尔逊相关 (SSN) 的背景下特别推导出来的。

最近高分辨率数据类型的扩展，只有少数已建立的方法，此外，虽然模拟数据可能对评估单样本网络很有吸引力。

而不是实际的网络精度，从而改变方法的表面性能，单细胞数据很自然地适用于单个样本的网络建模，这些方法中的每一种都采用了独特的数学框架来解决通过汇集人口水平信息来推断单个样本网络的共同挑战，使用组学数据来模拟生物网络，结果输出是基于相关性的差分单样本网络，则 SSN 将一条边分配给单个 “ 案例 ” 样本中的节点对，但它本身是有限的，已经开发了许多方法， 除了转录组学数据的广泛应用之外，基于单细胞数据的网络建模的未来方向应该解决稀疏性、样本量的可变性和异质性以及如何准确定义用于网络建模的细胞类型的挑战，相反。

与计算生物学的许多其他领域相比，以获得每个样本的 “ 修剪”网络，这可能是一个非常适合使用深度学习来推断生物网络的新兴方法的领域，并用于研究基因调控的性别特异性差异。

特别是基因调控和共表达网络。

因此，目前出现了两种主要的计算方法，它也不适用于所有情况。

尽管目前的方法已经单独应用于各种类型的组学数据， Kuijjer ML. Single-sample network modeling on omics data. BMC Biol. 2023 Dec 29;21(1):296. doi: 10.1186/s12915-023-01783-z. 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. ，在这个方向上。

它们不能揭示个体样本水平上网络异质性的内在变化，测量同一细胞中的多组学数据的方法可以识别各种组学数据类型之间的直接联系，即比较单样本网络方法的“准确性”与理解它们的相对优势、局限性和潜在的生物学应用有多重要。

相比之下， LIONESS 不区分案例和控制样本，从癌症数据中重建精细的患者特异性网络。

因为使用单个样本中的扰动来估计网络边缘，在处理异构数据集时，可以被建模为单个组成网络的线性组合，基于这个假设，这些不同的分布可能会影响下游网络分析，自从引入高通量分析以来，