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6月6日-6月12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. 在涌现空间中学习涌现偏微分方程

2. 语言模型可以学习复杂的分子分布

3. 低维流形捕捉高维气候系统特征：在模型和观测中探索热带太平洋流形

4. 急性应激促进大脑网络整合，减少状态转换的可变性

5. 生长速率和发育速率的耦合降低线虫体型的异质性

6. 人工智能与结构生物学结合，预测人体核孔复合物精细结构

7. 跨语言的语序差异反映依存性和信息局部性的演化压力

8. 权衡疫情防控与经济损失的替代传染病控制策略


1.在涌现空间中学习涌现偏微分方程


论文题目：Learning emergent partial differential equations in a learned emergent space
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-30628-6


我们提出一种方法来学习大型交互主体系统的有效演化方程。方法在两个例子中得到了应用与证明， 一个是被充分研究的耦合简谐振子系统，另一个是耦合霍奇金-赫胥黎型神经元的生物驱动的例子 。对于这种类型的系统，没有明显的空间坐标来学习偏微分方程形式的有效演化规律。在我们的方法中，我们通过使用流形学习（manifold learning）从系统的时间序列数据中学习嵌入坐标作为第一步来实现这一目标。在这些涌现的坐标中，我们展示了如何使用神经网络学习有效的偏微分方程，这些方程不仅能重现振子集合的动力学，还能捕捉到系统参数变化时的集体分岔。因此，所提出的方法整合了自动的、数据驱动的对主体动力学参数化的涌现空间坐标的提取，以及机器学习辅助的对该参数化中的动力学的涌现偏微分方程描述的识别。

图：耦合振子系统的涌现偏微分方程的方法图解。（a） 耦合 Stuart-Landau 振子系统的初始条件；（b）用与（a）相同的颜色编码对（a）的初始条件进行积分得到的轨迹；（c）放大的（b）的上部；（d）放大的（b）的上部，但是有新的颜色编码；（e）Wk实部的轨迹，按其初始值ImW排列；（f）Wk实部的轨迹，按（d）中的新颜色编码 ϕi 排列。


2.语言模型可以学习复杂的分子分布


论文题目：Language models can learn complex molecular distributions
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-30839-x


在当下，分子的深度生成模型越来越受欢迎，通过训练相关的数据集，这些模型被用于搜索化学空间。生成模型对新型功能性化合物逆向设计的下游效用，取决于它们对分子分布训练的学习能力。最简单的例子是一个语言模型，它采用循环神经网络的形式，并使用字符串表示生成分子。自从它们最初被使用以来，后续的工作已经表明语言模型非常强大，特别是最近的研究已证明了它们在低数据领域的效用。在这项工作中，研究人员研究了简单语言模型学习更复杂的分子分布的能力。为此，该文引入了几个具有挑战性的生成式建模任务，通过对更大、更复杂的分子分布进行编译，并评估语言模型在每个任务上的能力，研究人员得到的结果表明，语言模型是强大的生成模型，能够熟练地学习复杂的分子分布。语言模型可以准确生成 ZINC15 中得分最高的惩罚 LogP 分子分布、PubChem 中多模态分子分布以及最大分子分布。结果突出了一些最流行的和最近的图形生成模型的局限性——其中许多不能扩展到这些分子分布。

图：（a）训练分子分子量的直方图和 KDE，以及所有模型生成的分子分子量的 KDE。每个模式的三个训练分子被显示出来。（b-d）训练分子 QED、LogP 和 SA 分数的直方图和 KDE，以及所有模型生成的分子的 KDES。（e）训练分子和所有模型生成的分子分子量和 SA 评分的 2d 直方图。



3.低维流形捕捉高维气候系统特征：

在模型和观测中探索热带太平洋流形


论文题目：Exploring the Tropical Pacific Manifold in Models and Observations
论文来源：Physical Review X
论文链接：https://journals.aps.org/prx/abstract/10.1103/PhysRevX.12.021054


全球变暖的威胁以及对可靠气候预测的需求共同构成了一个巨大的挑战，因为气候系统是多尺度、高维和非线性的。系统的时空递归提示存在一个包含高维气候轨迹的低维流形，可以使问题更容易处理。在此，研究人员认为再现低维吸引子的几何和拓扑性质应该是气候预测模型的一个关键目标。为此，该文提出了一个通用的数据驱动框架来描述气候吸引因子，并利用再分析作为观测代理和两个最先进的模型来展示它在热带太平洋的特征。该分析同时涵盖了1979-2019年和2020 – 2100年期间的四个变量。在每一个时刻 t，系统都可以用一个状态空间向量唯一地描述，这个状态空间向量由 N 个变量及其空间变异性参数化。动力学被限制在一个维数低于我们通过线性和非线性流形学习算法描述的完整状态空间的流形上。非线性算法通过比线性算法更少的参数来描述吸引子，考虑到它的弯曲几何，允许通过低维投影来可视化高维动力学。

通过局部维数和持续性度量对高维多变量气候吸引子的局部几何形状和局部稳定性进行量化，该研究发现，在考虑变暖情景时，两种模式的多元吸引子在历史时期相似，而在考虑变暖情景时则不同。最后，评估不同子空间（单变量字段）之间的关系，以及气候变量之间的关系。拟议的框架为评估气候反馈提供了一个全面的、基于物理的测试，并为改善模型表示开辟了新途径。

图：表示热带太平洋气候保持季节性和趋势的维数减少。（a）ERA5 和两个 CMIP6 模型（MPI 和 EC-Earth ）的 PCA 和 Isomap 残差。（b）三个数据集的低维等值线图投影（分别是前两个或三个组成部分）；等高线分量分别表示为 X1、X2、X3。每个点对热带太平洋在1979年1月至2019年12月某一天的多元状态进行编码。预测已按单位方差进行标准化。


4.急性应激促进大脑网络整合，

减少状态转换的可变性


论文题目：Acute stress promotes brain network integration and reduces state transition variability
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2204144119

尽管压力是普遍存在的，但大脑如何在应对急性压力时重新配置其多层次、分等级的功能组织仍不清楚。我们通过最近发表的嵌套—光谱分割方法来使用全脑静态功能磁共振（fMRI），研究了受到社会压力后大脑网络的变化。该方法量化了网络隔离和整合之间的功能平衡。我们发现，急性压力会使大脑更多地进入整合状态，更少进入隔离状态，该现象在额颞区额外明显。压力还通过减少隔离状态和整合状态之间动态过渡来稳定大脑状态。过渡频率与皮质醇的变化有关，过渡的可变性与认知控制相关。我们的结果显示，在急性压力后，大脑网络倾向于更多的整合和更少的变化，可能是为了能够有效地应对压力。

图：静态网络特征。（A）在不同的实验时间点（T1 ∼ T6）的皮质醇反应，皮质醇差异（T4 ∼ T5），以及压力和控制条件下的SSRT。（B） 压力与对照组的ΔHiB的分布。（C） PCA获得量的整体状态改变预测了皮质醇的变化。（D） HiB明显改变的脑区。（E）由八个HiB明显交替的区域形成的子网络的可视化。节点的大小代表区域程度的变化（FC之和）。Con，对照组；DMN，默认模式网络；FOI，额叶脑岛；L，左侧；MOT，躯体运动；PAR，顶叶；PFC，前额叶皮层；POL，颞极；R，右侧；SAL，显著性网络；STR，压力；TEM，颞叶。LIM，肢体。*P < 0.05；***P < 0.001。



5.生长速率和发育速率的耦合

降低线虫体型的异质性


论文题目：Coupling of growth rate and developmental tempo reduces body size heterogeneity in C. elegans
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-29720-8

动物在发育过程中体积会增加几个数量级。因此，个体之间增长率的微小差异可能会放大到较大的规模异质性。通过对秀丽隐杆线虫的实时成像，研究人员表明体积增长率与幼虫阶段持续时间的反向耦合可以防止尺寸异质性的放大，并且不涉及幼虫蜕皮的严格尺寸阈值。他们通过操纵控制幼虫发育持续时间的转录振荡器来改变发育节奏来扰乱这种耦合。正如数学模型所预测的那样，这种扰动会改变身体体积。模型分析表明，周期长度和生长速率之间的反比关系是遗传振荡器的固有特性，并且可以独立于额外的复杂调节而发生。遗传振荡器的这种特性表明了一种简约的机制，可以抵消发育过程中个体之间大小差异的放大。

由于规范生长控制途径的扰动不会损害生长和发育的耦合，研究人员探索这种耦合是否可能是线虫发育时间的振荡时钟的内在特性。为了测试这一点，他们首先关注 L1 阶段，与其他幼虫阶段不同，它遵循加法器而不是文件夹机制。L1 阶段在发育振荡器方面也与其他幼虫阶段不同：在 L2 到 L4 阶段，振荡与幼虫阶段同步发生，而振荡器在发育的前 5-7 小时内停止。因此，研究人员证实向文件夹机制的过渡是否在时间上与基因表达振荡的开始同时发生。

图：文件夹与发育振荡相吻合。

6.人工智能与结构生物学结合，

预测人体核孔复合物精细结构


论文题目：AI-based structure prediction empowers integrative structural analysis of human nuclear pores
论文来源：Science
论文链接：https://www.science.org/doi/10.1126/science.abm9506

真核细胞核保护基因组并被核膜的两个膜包围。核孔复合物（Nuclear pore complexes，NPC）穿过核膜以促进核质转运。人体 NPC 的分子量约为 120 MDa，是最大的蛋白质复合物之一。从一组约 30 种不同的核孔蛋白 (NUP) 中，可区分出其家族约 1000 种蛋白质成员。它们可以大致分为两类：架构 NUP 包含折叠域，并在中央通道周围形成圆柱形脚手架结构；本质上无序的 NUP 排列在支架上并延伸到中央通道，在那里它们与货物复合物相互作用。NPC 架构是高度动态的，通过在扩张和收缩运动中表现出来的构象呼吸来响应核膜张力的变化。最终以原子分辨率阐明支架结构对于更精确地了解 NPC 功能和动力学非常重要，但对结构生物学家来说是一个重大挑战。

本文报告了一个分子量为70 MDa 的人体 NPC 支架模型，具有多种构象状态。研究将基于人工智能（AI）的结构预测与原位和冷冻电镜以及综合建模相结合。结果表明，连接核孔蛋白（linker nucleoporins）在空间上组织了亚复合物内和跨亚复合物的支架，以建立高阶结构。微秒时间间隔的分子动力学模拟表明，支架不需要稳定内外核膜的融合，而是使中心孔变宽。这项工作证明了如何将基于人工智能的建模与原位结构生物学相结合，以理解跨空间组织层次的亚细胞结构。

图：人体核孔复合支架结构的 70-MDa 模型。


7.跨语言的语序差异反映了

依存性和信息局部性的演化压力


论文题目：Crosslinguistic word order variation reflects evolutionary pressures of dependency and information locality
论文来源：PNAS
论文链接：https://www.pnas.org/doi/10.1073/pnas.2122604119

语言在句法结构上有很大差异。世界上大约40%的语言有主-谓（动词）-宾（SVO）的顺序，大约40%的语言有主-宾-谓（动词）（SOV）的顺序。大量的研究试图解释不同语言中词序的变化。然而，现有的研究方法并不能很好地解释语言中词序的频率分布和演变。该文认为词序的变化反映了平衡依赖局部化和信息局部化竞争压力的不同方式，即语言倾向于将语法相关或语境信息相关的元素放在一起。

通过使用来自17个语系的80种语言的数据和系统发育模型，研究者证明了语言的演化是为了平衡这些压力，例如语序的变化伴随着说话人交流以保持整体效率的句法结构的频率分布的变化。因此，词序的变化反映了语言解决这些演化压力的不同方式。研究人员确定了由这种联合优化产生的相关特征，特别是对于同一个动词，主语和宾语一起表达的频率。该文的研究结果表明，在认知资源有限的情况下，跨语言的句法结构和其日常使用会产生相互适应，以支持有效的沟通。

图：跨语言语序变化的例证和理论建议。（A）英语和日语将不同的句法结构线性化成单词串。弧下面的数字表示依赖长度。A-1 的句法结构中既有主语又有宾语；A-2只表达了其中的一种。百分比条显示了从大型英语和日语文本语料库计算的相对使用频率。在A-1中，英语达到更短的依赖长度。在A-2中，两种语言实现了相同的依赖长度。因此，在 SOV 语言中，A-2中的结构比A-1中的结构更有利于最小化依赖长度。像A-2中的结构，在日语中表达的频率要高得多。（B）SOV 使得从句的开始和结束更容易从局部语境中预测。例如，在这个例子中，一个从句的结尾总是一个动词，与后面的单词增加了互信息（mutual information），不管这个从句是像B-1那样同时表达主语和宾语，还是像B-2那样只表达两者中的一个。因此，SOV 对信息局部化（information locality）更有利。


8.权衡疫情防控与经济损失的

替代传染病控制策略


论文题目：Disease-economy trade-offs under alternative epidemic control strategies
论文来源：Nature Communications
论文链接：https://www.nature.com/articles/s41467-022-30642-8

疫情防控策略的流行病-经济的权衡受到普遍关注，学界和公共政策界经常只考虑一方面而忽略了另一方面。我们使用一个经过校准的流行病-经济（epi-economic）耦合模型，将疫情期间的个体行为嵌入到更广泛的经济运行中进行分析。结果表明，相比于自愿隔离政策，有针对性的隔离政策可以避免高达91%的经济损失。与广泛使用的全面封锁不同，有针对性的隔离所节省的经济成本不会造成额外的疾病负担，避免了在流行病防控和经济之间的艰难权衡。定向隔离是通过解决感染者和易感者之间的基本协调失败来实现的，这种协调失败导致了经济衰退。重要的是，我们表明检测和合理的防控措施迟滞会侵蚀有针对性的隔离的一些收益，但提高检测质量会释放出有针对性隔离的大部分好处。

图：耦合系统示意图。首先，考虑到通过与他人接触而感染的风险，个人做出消费（C）和劳动—休闲（L）的选择。其次，个人的选择和由此产生的接触影响到疾病的传播动态，也受到疾病动态的影响。个人的经济选择推动了人群层面的结果，如疾病流行和经济衰退。在分散的方法下，个人根据自己的偏好和健康状况来优化自己的行为。在协调的方法下，个人的行为是根据他们如何影响人群层面的结果来优化的。





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