集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。

扫描下方二维码，关注“集智斑图”服务号，即可订阅Complexity Express：             

目录：

1、在基因网络读数中交换信息

2、积极的数学和语法学习涉及重叠的大脑网络

3、基于随机性和波动性的联合概率学习模型

4、COVID-19 引起的社会变化揭示了大气化学与气候变化之间的大规模复杂性和反馈

5、大脑网络中间歇性事件的起源：模块化

6、走向空间结构化种群的通用模型

7、语言理解中心智状态的定量推测

1. 在基因网络读数中交换信息

期刊来源：PNAS

论文题目：

Trading bits in the readout from a genetic network

论文地址：

https://www.pnas.org/content/118/46/e2109011118

 

细胞通过控制 mRNA 的转录来部分控制蛋白质的浓度。这种控制是通过转录因子（transcription factor，TF）蛋白与基因组特定位点的结合来实现的。因此，转录因子可以调节其他 TF 的合成，形成遗传网络。该网络节点处的动态变量是 TF 表达量，它代表与细胞相关的信息。细胞必须做什么才能提取和使用这些信息？

研究人员通常将转录因子视为控制基因表达水平，但他们也可以将表达水平视为细胞对 TF 浓度的测量。研究人员已经可以相当准确地测量转录因子的浓度。然而，细胞对 TF 浓度的“测量”是基于这些分子到达其结合位点，这是一个充满噪音的过程，因为 TF 浓度低至纳摩尔级别 。测量如此低浓度的物理限制首先是在细菌趋化性的背景下探索的，但已证明它广泛存在于各项生命活动中。对研究人员来说，重要的不是这些限制的精确值，而是确保这些限制存在并且在生物功能的范围内。

事实上，对表达水平组合有反应的机制是很自然的。增强子区域通常具有紧密间隔的多个不同转录因子的结合位点，很容易想象这些不同位点的结合事件相互作用。eve 条纹增强子的详细模型表明，激活反映了不同gap基因蛋白的激活和抑制之间的竞争，与将增强子的状态作为压缩变量的模型定性一致。如下图所示，研究人员得出总共有超过四位的位置信息可用，因此gap基因表达水平以 1% 的准确度得出指定位置延伸出的长度。研究人员可以通过仅保留有关表达水平的四位信息或每个基因仅保留一位信息来捕获大部分信息（下图B）。

图1. 四个gap基因表达水平所携带的位置信息的信息学限制

总而言之，个体调控机制的信息容量有限，本项研究的核心结果是这种容量反过来对可以从gap基因表达水平中提取的位置信息量设置了严格的限制。提取所有可用信息要求单元格具有一组并行响应元素。此外，为了有效计算，每个元素必须不响应单个gap基因信号，而是响应这些浓度的组合，以便四个浓度的空间被粉碎成紧凑的区域。事实上，gap基因中编码的位置信息的读出是由控制配对规则基因表达的增强子阵列实现的，这些增强子是对转录因子组合做出反应的调节元件的典型实例。虽然本研究中的抽象公式与分子细节之间存在一定距离，但这种机械复杂性是对基本物理和信息理论限制的响应的未来研究方向。

2. 积极的数学和语法学习

涉及重叠的大脑网络

期刊来源：PNAS

论文标题：

Active math and grammar learning engages overlapping brain networks

论文地址：

https://www.pnas.org/content/118/46/e2106520118

 

“主动学习”（active learning）是一种引导学生主动地参与到学习过程中的教学方法。其中“提取练习”（retrieval practice，RP）在学生获取信息的过程中加入测试环节，已经被证明能显著提升长期记忆，对各种形式的学习环境、人群和主题都是有效的。为研究背后的神经机制，瑞典于默奥大学的研究人员进行了实验，结果于11月16日发表在PNAS杂志上。

研究人员招募了86名被试参与外国语词汇的学习，将他们分为被动学习组（S）和主动提取练习组（RP）；又招募了72名被试参与数学问题的学习，将他们分为“模仿解题方法”组（被动组，AR）和“生成解题方法”组（主动组，CMR）。他们进行了7天的学习。之后，研究人员用fMRI观测了他们的大脑活动。

研究结果发现，主动学习的被试相对于被动学习的被试，其整体表现及额顶脑活动在复测时显著增加，这可能与语义表征的形成和再激活相关。该研究具有广泛的教育意义，证明了积极学习对于促进长期记忆的重要性。

3. 基于随机性和波动性的

联合概率学习模型

期刊来源：Nature Communications

论文题目：A model for learning based on the joint estimation of stochasticity and volatility

论文地址：https://www.nature.com/articles/s41467-021-26731-9

决策神经科学的一个核心问题是，大脑如何从所做选择的后果中学习，而且是在选择具有很多噪声的情况下学习。实际上，大脑为获得有效信息，需要同时学习噪声的特征。噪声主要特征为波动性（volatility，指噪声的变化速度）和随机性（stochasticity，指噪声的随机程度），以往研究往往过于强调前者对学习率的影响，而将后者作为已知。这实际上回避了更重要的问题，即对于两者的区分。

11月15日发表于Nature Communications的文章介绍了一个同时考虑噪声波动性和随机性的联合概率学习模型，并使用该模型来模拟人类和动物间许多看似不相关的神经和行为现象。通过联合学习模型，该研究发现了以往研究中未意识到的问题，即对噪声波动性的推断和对随机性的推断会相互影响，使得对之前研究结果的理解变得复杂而丰富。例如，根据该模型，如果大脑中负责噪声波动性学习的模块被破坏，噪声随机性将被高估，因为由波动性引起的异常现象被错误地归因于随机性。这一结果使研究人员重新审视了杏仁核在联想学习中的作用，并解释了一些杏仁核对逆向学习的令人困惑的影响。

当前，许多精神性疾病（尤其是焦虑症和精神分裂症）与波动性相关的学习异常存在联系。而该研究结果无疑对于其治疗提供了更详细且准确的分析框架，以更好地剖析这些影响，尽管这还需要新一代能够控制这两个因素的实验。

4. COVID-19引起的社会变化

揭示了大气化学与气候变化之间的

大规模复杂性和反馈

期刊来源：PNAS

论文标题：

Societal shifts due to COVID-19 reveal large-scale complexities and feedbacks between atmospheric chemistry and climate change

论文地址：

https://www.pnas.org/content/118/46/e2109481118

在温室效应与全球变暖的大背景下，人类迫切需要了解不同排放控制策略的有效性。然而，由于对地球与人类社会系统展开大规模实验的困难性，研究者大多时候只能进行相应的观察性研究。各国政府为应对 COVID-19 全球大流行而推行的封锁政策极大地改变了人类活动，并且为理解人类集体活动的变化如何影响大气成分提供了一个窗口。这个前所未有的事件可以让我们一瞥大气排放量减少的未来究竟如何。此外，封锁期间排放量的突然减少导致大气成分的明显可观察变化，这提供了对地球系统与人类活动之间反馈的直接洞察。

11月16日发表于PNAS的一篇研究就充分利用了这种社会活动剧变形成的自然实验来了解人类排放变化对大气化学成分的影响。研究主要发现：1. 尽管 2020 年的车辆排放由于交通减少而降低，但大气中温室气体的增长速度并未放缓。2. 尽管人类活动大幅减少，但大气中 CO2 和 CH4 的增长率并未明显下降，这反映了海气碳交换中的碳循环反馈、陆地碳汇的年际变化以及CH4的化学寿命可能在起作用。3. 空气质量对排放变化的响应受到许多因素的影响，包括背景污染物水平、排放变化的时间和地点，以及如热浪和野火等与气候相关的因素。因此，要实现空气质量的稳健改善，就需要持续减少空气污染物和温室气体排放。

该研究展示了，在COVID-19大流行期间，人类排放的急剧减少产生了大幅度的地球系统响应，产生了可观察的显著变化。这些观察到的效应在某些情况下证实了原有的理论和模型，而在其他情况下则展示了从前预测不到的大气化学行为。 

5. 大脑网络中间歇性事件的起源：

模块化

期刊来源：PNAS

论文题目：

Modular origins of high-amplitude cofluctuations in fine-scale functional connectivity dynamics

论文地址：

https://www.pnas.org/content/118/46/e2109380118

大脑结构网络的拓扑结构塑造了大脑动力学，包括根据功能神经影像数据估计的大脑活动的相关结构。实证研究表明，功能连接会随着时间的推移而波动，表现出不同功能系统之间相关性空间排列的模式。最近，研究人员将功能连接精确分解为逐帧尺度的动态，这些动态被涉及大量大脑区域的高振幅共波动的短暂和间歇性发作（事件）所打断。

研究人员使用结合相位延迟的耦合相位振荡器模型的实现，在人类大脑皮层的经验 SC 矩阵上模拟自发 BOLD 信号动力学，即Kuramoto-Sakaguchi (KS) 模型。KS 模型以其简约的参数化允许绘制网络结构和同步模式之间的特定链接，从而契合本项研究需求。KS 模型还允许专注于感兴趣的特定频带的模拟，以便它可以更接近地复制伽马频带中经常发现的神经群体的振荡行为。研究人员发现，在广泛的参数范围内，BOLD 信号表现出显着的高幅度网络范围波动，这与经验数据中观察到的间歇性事件非常相似。模型动力学再现了经验事件的几个关键特征。模拟事件与网络结构显着相关，同时它们属于不同的集群，与底层 SC 中的不同模块组合对齐。结构模块的破坏在很大程度上消除了 BOLD 动力学中事件的发生。这些发现表明精细尺度 FC 动力学中高振幅共波动的模块化起源。

图1.KS 模型示意图、计算工作流和事件检测。

已有研究表明，边缘时间序列的许多特征，包括高振幅共波动，可以使用从静态节点 FC（the static node FC, nFC）派生的独立同分布高斯随机变量的空模型再现。这是对使用边缘时间序列的任何工作的重要贡献，并以两个重要方式涉及当前工作。首先，研究人员采用分析方法，从协方差 (FC) 矩阵向后工作。研究人员本次实现的生成模型是互补的，因为它提出了一种特定的结构机制，通过该机制可能会发生高振幅共波动，因此超出了描述 nFC 的统计特征。虽然高斯零模型需要 nFC 的先验知识，但本项模型从底层结构生成这种连接，捕捉随时间的波动如何累积以产生观察到的 nFC。其次，研究人员认为共波动的大小与 FC 矩阵的特征谱直接相关，更大的模块允许更大的特征值，因此产生最大振幅的共波动。虽然这种推理不是因果链，但因为结构模块和功能模块高度相关，所以补充了本项发现。

6. 走向空间结构化种群的通用模型

期刊来源：PHYSICAL REVIEW LETTERS

论文题目：

Toward a Universal Model for Spatially Structured Populations

论文地址：

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.218102

 

物种的演化依赖于个体的突变，某一突变性状能否保留，其中的一个关键问题就在于一个突变体在种群中所属的位置。一个个体在种群中的地位取决于自然选择适者生存，也取决于大自然本身的随机波动。而一个个体在种群中所处位置的概率是否有计算的方法呢？来自法国巴黎索邦大学，国家科学研究中心，巴黎塞纳河生物研究所的 Loïc Marrec 、Irene Lamberti 和 Anne-Florence Bitbol 就提出了种群空间结构的统一模型来解决该问题。相关的研究论文于 2021 年 11 月 17 日发表在 PHYSICAL REVIEW LETTERS 上。

为了构建种群空间结构的统一模型，研究者引入了一个对生物出生、死亡无关的图模型。通过该模型，研究者认为物种迁徙的不对称性造就了个体在种群中位置重要性的差异。研究者已经通过对微生物种群的观察实验论证了这一规律。考虑到物种的迁徙是可以观测到的现象，因此研究者也认为，通过这一模型可以操纵种群的迁徙，从而放大种群中某一突变带来的影响。

7. 语言理解中心智状态的定量推测

期刊来源：Science Advances

论文题目：

Quantitative mental state attributions in language understanding

论文地址：

https://www.science.org/doi/10.1126/sciadv.abj0970

 

人类的社会智力依赖于我们推测其他人心智状态（如期望、意图等）的能力，关于这一能力的研究被称为心智理论（theory of mind）。一直以来，心智理论都是围绕身体行为进行研究的。通过观察主体的行为和举止，人们可以推断出其一系列心智状态。然而，现实世界的许多社会行为发生在语言互动的环境中，即使在没有身体暗示的情况下（如打电话时），语言也可以揭示人们的心智状态。然而，我们尚不知道语言对心智状态推测的准确程度。

11月17日发表于Science Advances的文章通过实验和推理计算模型证明，人们可以从简单的指称表达（referential expression）中进行定量的心智推测，并且其准确程度与非语言心智推测类似。实验中，参与者必须从说话者的词汇中推测说话者的指称意图和预设认知。例如，当说话者向参与者要”杯子“时，实际上可以推测出说话者脑中仅预设了一个杯子的存在，而没意识到存在多个杯子（否则他会要”一个杯子“）。该实验中说话人的预设认识及指称意图均是需要推测而得的，这种实验方法可以更好地反映正常交际互动的结构。

该研究表明，人们如何能够从说话者选择的词汇中准确地提取心智状态信息，即使对于没有直接编码心理信息的词汇也是如此，直接地表明了人们是如何建立对彼此细致入微和准确的心智描述的。同时，该研究也说明了语言和心智理论之间的相互作用。

集智新栏目 Complexity Express

上线啦！

Complex World, Simple Rules.

复杂世界，简单规则。

复杂性科学（Complexity Science）是集智俱乐部多年以来的主题，我们长期追踪关于自然、生命、社会、认知等各类复杂系统的研究进展，并组织学术研讨。

 

同时由于学科交叉融合，大量针对复杂系统的研究成果散落在人工智能、统计物理、网络科学、数据科学、计算社会科学、生命科学、认知科学等等不同领域的期刊会议中，缺乏整合。

 

为了让大家能及时把握复杂系统领域重要的研究进展，我们隆重推出「Complexity Express」服务，汇总复杂系统的最新顶刊论文。

 

Complexity Express 是什么？

Complexity Express 每天爬取复杂系统领域最新发表的顶刊论文，每周通过“集智斑图”服务号汇总推送。

 

进入 Complexity Express 页面即可随时查看顶刊论文更新，你也可以通过微信接收研究更新推送和一周汇总。

               

Complexity Express 为谁服务？

• 如果你是复杂系统领域的研究者，可获得重要论文上线通知，每周获取最新顶刊论文汇总。

• 如果你是复杂系统领域的学习者，可了解学界关注的前沿问题，把握专业发展脉络。

• 如果你是传统的生命科学、社会科学等学科中的研究者/学习者，可以从复杂性科学和跨学科研究中获得灵感启发。

• 如果你是关注前沿研究发现的知识猎手，可获得复杂系统研究对自然和人类世界的最新洞见。

Complexity Express 栏目也是集智俱乐部公众号的主要选题来源，诚挚邀请你订阅，与我们信息同步。

 

Complexity Express 论文从哪里来？

考虑复杂系统研究往往属于跨学科工作，我们主要抓取综合类和泛物理类/计算机类的顶级期刊，从每周新发表的数百篇论文中精选出与复杂系统相关的论文。

 

Complexity Express 参考影响因子和学者口碑，选择了如下期刊，每日爬取其论文更新：

• Nature

• Science

• PNAS

• Nature Communications

• Science Advances

• Physics Reports

• Physics Review Letters

• Physics Review X

• Nature Physics

• Nature Human Behaviour

• Nature Machine Intelligence

• 更多期刊持续增补中，欢迎推荐你认为重要的期刊！

 

如果你在 Complexity Express 中发现了感兴趣的论文，请立刻“点赞”！每周最高赞的论文，集智编辑部将组织专业解读~

 

Complexity Express 追踪哪些领域？

我们力求兼顾热点追踪与领域覆盖，目前筛选的论文主要集中在如下与复杂性关系密切的领域：

• 网络科学各个分支及交叉应用

• 图数据与图神经网络

• 计算机建模与仿真

• 统计物理与复杂系统理论

• 生态系统、进化、生物物理等

• 系统生物学与合成生物学

• 计算神经科学与认知神经科学

• 计算社会科学与社会经济复杂系统

• 城市科学

• 科学学

• 计算流行病学

• 以及一些领域小众，但有趣的工作

 

由于复杂性研究领域横跨多个学科，研究论文散落在不同的期刊上，很难不重不漏地把握最新工作。针对复杂性领域的论文筛选，我们专门设计了算法。经过数月的训练迭代优化，目前对上述领域爬取准确率达到90%以上。

 

将来我们还会根据你的具体研究领域，推出研究分类与个性化的订阅服务，敬请期待！

 

由于复杂性领域涉及的论文关键词和研究问题纷繁复杂，所以算法难免有不成熟的地方，如果你发现我们有漏掉的重要论文，或者爬到了领域有偏差的论文，欢迎联系我们（小助手微信：swarmaAI），帮助我们持续优化算法。

如果你对科学学、计算术语学等感兴趣并有代码能力，欢迎报名成为集智算法志愿者/实习生（具体请邮件联系算法组负责人huqiao@swarma.org）。

如果你对复杂性科学及相关跨学科研究有长期兴趣，并乐于解读分享，欢迎加入集智作者团队（具体请邮件联系编辑部负责人liupeiyuan@swarma.org）。

       

点击“阅读原文”，追踪复杂科学顶刊论文