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：             



Complexity Express 一周论文精选




以下是2022年3月28日-4月3日来自Complexity Express的复杂性科学论文精选。如果Complexity Express列表中有你感兴趣的论文，欢迎点赞推荐，我们会优先组织解读~

目录：

1、排序动力学

2、SARS-CoV-2 疫苗接种后免疫力衰退及其影响因素的建模

3、蛋白质成本最小化促进辅酶冗余的出现

4、城市街道网络熵与未来空间导航能力

5、阿尔茨海默症神经退行性病变的计算模型

6、多反应依赖性揭示代谢网络隐藏的简单性

7、白垩纪末期灭绝后胎生哺乳动物体型先于大脑发育的情况

8、在整个生物科学领域应用深度学习的当前进展和开放挑战


1.排序动力学


论文题目：Dynamics of ranking
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-29256-x


人、机构、国家、文字和基因，几乎任何东西都可以被排序。排序将复杂系统简化为一个有序的序列，从而反映其元素执行相关功能的能力，并被用于社会经济政策和知识的提取。通过一个世纪以来的研究，人们已经发现了时间排序数据聚合的规律。然而，关于排序如何随时间变化人们却知之甚少。本文探讨了自然、社会、经济和基础设施系统中 30 个排序动力学特征，这些系统所包括的元素数量超过百万，时间跨度从短短几分钟到长达数个世纪。我们发现新元素的流通量（某一元素流入或流出的平均概率）决定了排序的稳定性：对于高流通量的系统而言，只有序列的顶部是稳定的，其他情况下顶部和底部同样稳定。我们展示了两种基本机制——元素的位移和替换——捕捉经验排序动力学。该模型揭示了两种行为方式，快速颠覆性的等级变化与缓慢的关系变动。我们的结果表明，排序系统的鲁棒性和适应性之间的平衡可能由简单的随机过程控制，与系统细节无关。

图：自然界和社会中的排序显示了它们动力学的一般模式。（a）根据ARWU得分，全球大学的年度最佳排名。（b）左图，所研究的系统在时间t内的排序周转率 ot，定义为相对于列表大小 N0而言，到t为止在排序列表中出现过的元素数量Nt。右图，平均周转率和平均流量F（一个元素进入或离开列表的平均概率）之间的相关性。排序列表形成一个连续体，从最开放的系统（F, o∼1）到较不开放的系统（F,∼0）。虚线之间的区域具有线性比例，以显示 F==0 的封闭系统。(c) 在选定的系统中，整个排序列表中的元素占据的等级 Rt/N0 的时间序列。在现有的最不开放的系统中，排序列表的顶部和底部是稳定的。(d) 排序变化C（排名R的元素在 t-1 和 t 之间变化的平均概率）在整个排序列表中，对于F≥0.01（顶部）和 F < 0.01（底部）。不太开放的系统的稳定的顶部和底部排序意味着C大致上是对称的。在开放系统中，C随等级R的增加而增加。



2.SARS-CoV-2疫苗接种后

免疫力衰退及其影响因素的建模


论文题目：Modeling of waning immunity after SARS-CoV-2 vaccination and influencing factors
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-29225-4


新型冠状病毒（SARS-CoV-2）疫苗是控制 COVID-19 的关键，但对哪些因素决定了免疫力减退的认识仍然有限。我们设计了两组实验，一组注射两剂辉瑞疫苗（BNT162b2），另一组注射阿斯利康（ChAdOx1-nCoV19）和辉瑞组合疫苗，分别检查这两组在第一剂注射后的抗体水平和T细胞γ-干扰素的释放，检查时间长达230天。使用带有或者不带有自然三次样条*（natural cubic splines）的广义混合模型（generalized mixed models）来确定免疫力随时间变化的函数。抗体衰减程度受到自然感染、性别和年龄的影响。lgA抗体含量只有在自然感染的情况下才会变得显著。长达一年的lgG含量预测表明，在那些被注射了组合疫苗（ChAdOx1/BNT162b2）并且第二剂疫苗延迟注射的人中，最开始会有一个两阶段响应（two-phase response），随后抗体水平会更迅速地下降。T细胞响应和lgG抗体含量显著相关。我们的结果表明，lgG的含量会以不同的速度下降，该速度取决于先前是否受到感染、年龄、性别、T细胞响应以及疫苗注射的间隔。只有在自然感染的情况下才会出现明显和持久的lgA反应。

*译注：三次样条插值就是把已知数据分割成若干段，每段构造一个三次函数，使得分段函数的衔接处具有0阶连续、一阶导数连续、二阶导数连续的性质（也就是光滑衔接）。相比三次样条，自然三次样条在边界区域增加了一个线性约束。



图：使用非线性模型得到的第一剂COVID-19疫苗接种后针对蛋白受体结合区域（RBD）的循环lgG含量的变化与预测。以log(AU/ml)表示随时间推移（从第一次接种开始的天数）的IgG含量分布。（左上）以前未被感染并且注射两剂辉瑞疫苗，两剂疫苗间隔30天。（左下）以前未被感染并且注射混合疫苗（ChAdOx1/BNT162b2 ），两剂疫苗间隔81天。（右上）先前被感染并且注射两剂辉瑞疫苗，两剂疫苗间隔30天。（右下）先前被感染并且注射混合疫苗，两剂疫苗间隔81天。圆圈和三角形分别代表女性和男性的循环lgG抗体的检测水平。实线和虚线分别代表由模型计算的女性和男性循环lgG抗体的预测水平。黑色、黄色和蓝色分别代表年龄<40岁、40-60岁和>60岁的个体。水平黑色虚线代表检测阳性的阈值。垂直的虚线表示根据已知样本所预测的趋势开始的时间。阴影区域代表95%的置信区间，其中心是预测（平均）值。



3.蛋白质成本最小化

促进辅酶冗余的出现


论文题目：Protein cost minimization promotes the emergence of coenzyme redundancy
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2110787119


辅酶在整个细胞代谢过程中会散布各种化学分子，参与基团（如磷酸盐和酰基）和电子转移。对于需要特定资源的受体或供体的各种反应，往往存在着简并的分子组[如NAD(H)和NADP(H)]来执行类似的功能。虽然各种辅酶系统的生理作用已被充分确定，但目前还不清楚是什么选择压力促使辅酶冗余的出现。本文使用全基因组的代谢模型方法，来分解大肠杆菌代谢网络中驱动 NAD(H)或NADP(H) 酶特异性的选择压力。我们发现，很少有酶在热力学上被限制只使用单一的辅酶，原则上一个只依赖NAD(H)的代谢网络是可行的。然而，结构和序列分析显示，保留对NAD(H)或NADP(H) 的选择性的残基广泛保存，这表明额外的力量可能塑造了特异性。使用一个考虑到氧化还原酶表达成本的模型，我们发现辅酶冗余普遍降低了催化辅酶偶联反应所需的最小蛋白质量，当反应接近热力学平衡时，诱使单个反应强烈地倾向于一种辅酶而不是另一种。我们提出，蛋白质量的最小化普遍促进了辅酶的冗余，并且通常认为存在于单一池中的辅酶（如辅酶A[CoA]）可能以一种以上的形式存在（如去磷酸化CoA）。

图：辅酶冗余是一种普遍的生物现象。（A）各类辅酶冗余的例子列表。（B）烟酰胺腺嘌呤二磷酸酯（NAD+）和磷酸化衍生物（NADP+）的结构。



4.城市街道网络熵

与未来空间导航能力


论文题目：Entropy of city street networks linked to future spatial navigation ability
论文来源：Nature
论文链接：https://www.nature.com/articles/s41586-022-04486-7

环境的文化和地理属性对人的认知和心理健康有着深远的影响。人们发现居住在绿地附近是非常有益的，虽然也有研究表明大城市中密集的社会经济网络可以缓解抑郁症，但住在城市中仍伴随着患某些精神疾病的高风险。然而，人们对个人成长环境如何影响未来的认知能力所知甚少。这项研究中，研究者使用嵌入视频游戏的认知任务来衡量来自世界38个国家、397162个人的非语言空间导航能力。总体来说，该研究发现从小居住在城市外的人更擅长导航。更具体地来说，人们更擅长在拓扑结构与他们成长环境相似的环境里导航。在街道网络熵较低的城市（例如芝加哥）长大的人，在规则布局的电子游戏中能取得更好的成绩。而在城市以外或是街道网络熵较低的城市（例如布拉格）长大的人在熵更高的视频游戏中更具优势。这为全球范围内环境对人类认知的影响提供了证据，并强调了城市设计对人类认知与大脑功能的重要性。


图：38个国家的街道网络熵和环境效应。（a）绘制了每个国家的环境影响大小（斜率），正值表示在城市以外长大的参与者具有优势。（b）左图，两个示例城市，街道网络熵低（美国芝加哥）和街道网络熵高（布拉格）；中图，街道方位在分布在36个10°的区间内。右图，每个国家的平均街道网络熵与环境效应大小（随机环境斜率）的关系。正值表示在城市以外长大的参与者与他们的城市同胞相比有优势。



5.阿尔茨海默症

神经退行病变的计算模型


论文题目：A computational model of neurodegeneration in Alzheimer’s disease
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-29047-4


阿尔兹海默症（Alzheimer’s Disease, AD）带来的神经功能等紊乱伴随着特定脑区的退行性变化，这些脑区由系统性地完成神经功能的细胞群组成。然而痴呆症的临床症状、神经退行性变化特征和功能系统之间的关系尚不明确。我们通过FDG-PET技术和降维方法研究了两组AD病人，展示了一个能够将痴呆症状与退行性的大脑解剖学特征相结合的模型。这一模型以宏观尺度脑解剖学特征去刻画大脑的信息处理功能，能够将AD带来的生理变化、功能网络、认知能力糅合在一起。我们进一步将模型应用于正常衰老和七种神经退行性疾病*进行验证，提出了一种有关神经功能且能应用于神经解剖学、认知神经科学和临床神经生物学的全局信息处理模型。

*译注：七种神经退行性疾病分别为典型阿尔兹海默症（typical AD, tAD）、路易体型痴呆（dementia with Lewy bodies, DLB）、行为变异性额颞叶痴呆（behavioral variant of frontotemporal dementia, bvFTD）、语义性痴呆（sematic dementia, SD）、后部脑皮质萎缩（posterior cortical atrophy, PCA）、变异型原发性进行性失语（logopenic variant of primary progressive aphasia, lvPPA）、执行障碍性痴呆（dysexecutive AD, dAD）。


图：在正常衰老和七种临床痴呆病症中的人脑特征向量（eigenbrains, EB）。(a)(b)(c) 的三张雨云图分别为认知正常的淀粉样蛋白阴性老年人（cognitively normal amyloid negative individuals, CN）与七种神经退行性疾病的三组人脑特征量结果；(d) 的散点图展示了以三组特征量构建的三维模型中，最年轻个体（蓝点）与最年长个体（红点）处在相反的极端，右下角RGB颜色映射图也印证了这一点；(e) 的散点图突出了五种痴呆病症与临床综合征在多方面的差异映射与功能映射相吻合，右下角RGB颜色映射图同样得证；(f) 为研究中各种神经退行性疾病在构建的三维模型中的空间位置RGB颜色映射图以及临床解剖位置。



6.多反应依赖性揭示

代谢网络隐藏的简单性


论文题目：The hidden simplicity of metabolic networks is revealed by multireaction dependencies
论文来源：Science Advances
论文链接：https://www.science.org/doi/10.1126/sciadv.abl6962


了解代谢网络的复杂性对其功能的操纵具有重要意义。代谢网络的复杂性可以通过识别多反应的依赖性来描述，由于需要考虑的组合数量太多，确定这些依赖关系具有挑战性。在这里，我们提出了协调复合物（concordant complexes）的概念，该复合物捕获了多反应依赖性，并且可以从代谢网络的代数结构和操作约束中有效地确定。协调复合物意味着存在协调模块，基于这些模块，来自所有生命界的生物体的12种代谢网络的表观复杂性可以降低至少 78%。对一组随机代谢网络的比较分析表明，大肠杆菌的代谢网络包含较少的协调模块，因此比偶然预期的更紧密地协调。总之，我们的研究结果表明，代谢网络比仅从其结构中所能感知的要简单得多。

图：12 种生物体代谢网络中协调复合物的分布


7.白垩纪末期灭绝后胎生哺乳动物

体型先于大脑发育的情况


论文题目：Brawn before brains in placental mammals after the end-Cretaceous extinction
论文来源：Science
论文链接：https://www.science.org/doi/10.1126/science.abl5584


哺乳动物是脑化程度最高的脊椎动物，其大脑相对于体型来说是最大的。胎盘哺乳动物的大脑特别大，新皮层用于感觉整合，但其起源尚不清楚。我们使用计算机断层扫描对新发现的古新世化石进行了分析，结果表明，与哺乳动物大脑随着时间的推移稳步扩大的惯例相反，早期胎生动物因为身体质量以更快的速度增加，最初它们的相对大脑大小是减少的。在始新世后期，多个冠群*谱系（crown lineage）通过感觉区域的显著生长独立地获得了高度脑化的大脑。我们认为，随着灭绝幸存者填补空缺的生态位，胎盘辐射最初强调了体型的增加；随着生态系统的饱和和竞争的加剧，大脑最终变得更大。

*译注：冠群包括一群现存物种和它们的最近共同祖先，以及由该祖先演化而来的所有已灭绝物种，是涵盖一个祖先物种及其所有后代的单系群。


图：研究中使用的新生代哺乳动物的虚拟内模，突出显示了感觉区域，以及中生代和新生代早期哺乳动物的系统发育的广义最小二乘法（PGLS）回归。



8.在整个生物科学领域

应用深度学习的当前进展和开放挑战


论文题目：Current progress and open challenges for applying deep learning across the biosciences
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-29268-7


深度学习最近在计算生物学的一项重大挑战中取得了前所未有的进展：有半个世纪研究历史的蛋白质结构预测问题。在本文中，我们讨论了深度学习在五个广泛领域的最新进展、局限性和未来前景，包括蛋白质结构预测、蛋白质功能预测、基因组工程、系统生物学和数据集成以及系统发育推断。我们讨论了每个应用领域并涵盖了相应深度学习方法的主要瓶颈，例如训练数据、问题范围以及在新环境中利用现有深度学习架构的能力。最后，我们总结了深度学习在整个生命科学领域面临的领域特定挑战及其自身的一般挑战。

图：计算生物学领域几大问题中主要涉及的标记与未标记数据集，及这些领域应用的深度学习架构小结。





关于Complexity Express




Complex World, Simple Rules.
复杂世界，简单规则。
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，汇总复杂系统相关的最新顶刊论文。

 

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

  • Physical Review Letters

  • Physical Review X

  • Nature Physics

  • Nature Human Behaviour

  • Nature Machine Intelligence

  • Review of Modern Physics
  • Nature Review Physics
  • Nature Computational Science
  • National Science Review
  • 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：
  • 复杂系统基本理论
  • 复杂网络方法及应用
  • 图网络与深度学习
  • 计算机建模与仿真
  • 统计物理与复杂系统
  • 量子计算与量子信息
  • 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
  • 城市科学与人类行为
  • 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）。




更多论文




更多复杂性顶刊论文，请到Complexity Express页面查看。订阅即可每周获取更新提醒。
       


点击“阅读原文”，追踪复杂科学顶刊论文