基于网络的机器学习方法预测癌症患者的免疫治疗反应 | 复杂性科学顶刊精选9篇

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27日-7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. 基于网络的机器学习方法预测癌症患者的免疫治疗反应

2. BIGDML：迈向材料的精确量子机器学习力场

3. 基于相似加权交叉学习的深度神经网络和大脑学习

4. 个体化脑卒中全脑模型神经动力学临界性的恢复

5. 10 项英国纵向研究和电子健康记录中的长期 COVID 负担和风险因素

6. 长距离相互作用塑造沿海生态系统结构和韧性

7. 未来城市化引起的反照率变化加剧全球变暖

8. 利用2021年23个国家的数据重新审视世界各地对新冠疫苗的犹豫态度

9. 量子密码的安全性

1.基于网络的机器学习方法

预测癌症患者的免疫治疗反应

论文题目：Network-based machine learning approach to predict immunotherapy response in cancer patients

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-31535-6

过去几年里，免疫检查点抑制剂（ICIs）大大提高了癌症患者的生存率。然而，只有少数患者对 ICI 治疗有反应（约占 30% 实体肿瘤患者），而目前与 ICI 反应相关的生物标志物往往不能预测 ICI 治疗反应。本文提出了一个机器学习框架，它基于网络的分析方法来识别和 ICI 治疗相关的生物标志物（NetBio），可以做出稳健的预测。该研究整理了 700 多例 ICI 治疗的患者样本，包括临床结果和转录组数据，在基于 NetBio 的预测中，准确预测了三种不同癌症会对 ICI 治疗反应——黑色素瘤、胃癌和膀胱癌。此外，基于 NetBio 的预测优于基于其他传统生物标志的预测，如 ICI 靶点或肿瘤微环境相关标志物。这项工作提出了一种基于网络的方法，可以有效地选择免疫治疗反应相关的生物标志物，这些生物标志物可以为精确肿瘤学做出稳健的基于机器学习的预测。

图：（a-d）利用药物靶点（PD-1, PD-L1 或 CTLA4）以及基于网络的生物标志（NetBio）的表达程度来进行免疫治疗是否产生反应的预测。绘制了（a）Gide，（b）Liu，（c）Kim，（d）IMvigor210，四个数据集的留一交叉验证（LOOCV）预测结果。预测反应者（Pred R——和无反应者（Pred NR）与观察到的反应者（青色）和无反应者（橙色）绘制曲线。（e-g）基于 LOOCV 预测有反应者和无反应者的总生存期。预测有反应者和无反应者分别用红色和蓝色表示。统计学意义采用 log-rank 检验。浅色区域表示每个存活率的95%置信区间。（h-o）基于 NetBio 标记的 LOOCV 性能研究；基因标记物包括 PD-1、PD-L1 和 CTLA4；以及基于肿瘤微环境（TME）的标志物，包括CD8T 细胞、T 细胞衰竭、癌症相关的成纤维细胞（CAFs）和肿瘤相关的巨噬细胞（TAMs）。Gene-Bio 和 TME-Bio 包括每一类的所有目标基因。

作者关注于免疫检查点抑制剂（ICIs）治疗是否会产生免疫反应的预测问题，设计了一个基于网络的生物标志物，然后结合传统的基因标志物（PD-1、PD-L1和CTLA4）以及肿瘤微环境标志物（TME），运用最基本的逻辑斯蒂回归方法来对四个不同疾病的数据集进行免疫反应的预测，通过留一交叉验证的手段来说明模型的效果，同时对比提出的生物标志物和传统的基因标志物和肿瘤微环境标志物在预测免疫反应中的回归值。从结果上来说，加上作者提出的基于网络的生物标志物（NetBio）模型能够更准确预测免疫反应同时该标志物回归值也大。文章特色在于网络的构建以及NetBio 的设计，简单的回归模型解释性更能突出生物标志物的重要性。

2.BIGDML：

迈向材料的精确量子机器学习力场

论文题目：BIGDML—Towards accurate quantum machine learning force fields for materials

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-31093-x

机器学习力场（MLFF）应该是精确的，在计算上和数据处理上是高效的，并且适用于分子、材料和其界面。目前，机器学习力场往往采用折衷的办法，将其实际适用性限制在化学空间的小子集，或需要详尽的数据集进行训练。在此，研究人员介绍了 Bravais 启发的梯度域机器学习（Bravais-Inspired Gradient-Domain Machine Learning, BIGDML）方法，并展示了其使用仅有 10-200 个几何形状的训练集构建可靠力场的能力，这些材料包括原始和含缺陷的二维和三维半导体和金属，以及表面的化学吸附和物理吸附的原子和分子吸附物。BIGDML 模型采用了给定材料的全部相关对称群，不假定人为的原子类型或原子相互作用的定位，并对一组扩展的材料表现出高数据效率和最先进的能量精度（每个原子的误差大大低于1meV ）。研究人员利用 BIGDML 模型进行了广泛的路径积分分子动力学研究，证明了由核量子效应引起的苯-石墨烯动力学的反直觉定位，以及它们在较宽的温度范围内对钯晶体中氢扩散系数的强贡献。

图：BIGDML 模型。（A）库伦矩阵表示；（B）全空间群的对称性；（C）函数类型；（D）周期性重构。

3.基于相似加权交叉学习的

深度神经网络和大脑学习

论文题目：Learning in deep neural networks and brains with similarity-weighted interleaved learning

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2115229119

理解大脑在一生中如何学习仍然是一个长期的挑战。在人工神经网络中，整合新信息的速度过快通常会导致灾难性的干扰，即突然失去先前获得的知识。互补学习系统理论（CLST）认为，新的记忆会通过与已有知识交叉在一起的方式逐渐整合进新大脑皮层。然而，这种方法也就假定了每次学习新东西都需要交叉所有已知的知识，这不仅耗时同时需要大量数据，因此不太可能符合真实情况。

本文展示了深度、非线性的人工神经网络可以通过交叉仅仅一部分的老知识来学习新信息，这些老知识和新信息在表征上有着很大的相似度。就靠着这种相似度加权交叉学习（similarity-weighted interleaved learning, SWIL）的策略，人工神经网络能够在取得同样精度水平和最小干扰的情况下快速学习新信息，而每轮训练只需要很少量的老知识（快速且数据高效）。相似度加权交叉学习策略可以应用于各种标准分类数据集（Fashion-MNIST, CIFAR10, CIFAR100）、深度神经网络以及序列学习框架之中。研究发现，数据效率和学习新项目的速度与存储在网络中的非重叠类的数量大致成正比例，这可能暗示着人类大脑在编码大量不同类的东西的时候，数据效率和速度会大大加快。最后，文章提出一个合适的理论模型来解释相似度加权交叉学习策略在大脑中的应用。

文章从预训练网络在新类图片上再训练后会遗忘先前图片（在旧类上的召回率、准确率显著降低不如从前）的问题出发，提出了在训练新类时的训练集构筑策略：依据旧类和新类的相似度，越高则在训练集中数量越多，这样能够保持高的旧类准确率、召回率的同时，提高数据使用效率和缩短训练时间。从结果图中可以看到这种策略相较于其它 5 种策略，效果更好。

图：先用 8 类图片预训练只有一层隐藏层的线性神经网络，之后预训练网络在两种情况下学习新类（Boots）的表现。FoL（focused learning）：只提供新类的图片；FIL（focused all classes）：提供所有类别的图片。第一二列图片表示，在两种训练策略下，分别在新类和训练过的旧类下，召回率（Recall）随着训练迭代（epoch）次数的变化情况；第三列图片表示，在两种训练策略下，所有类的准确率（accuracy）随着训练迭代次数的变化；第四列表示，两种训练策略下，交叉熵损失函数随着训练迭代次数的变化。

4.个体化脑卒中全脑模型

神经动力学临界性的恢复

论文题目：Recovery of neural dynamics criticality in personalized whole-brain models of stroke

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-30892-6

临界性大脑假说指出，生物神经元网络由于其结构和功能结构，在相变附近工作，以实现对内部和外部输入的最佳响应。因此，临界性提供了最佳的功能和行为能力。研究人员通过研究脑损伤（中风）对单个参与者水平上的神经动力学的临界性影响来检验这一假设，使用直接测量的个体结构连接体和全脑模型来估计。损伤产生了一种亚临界状态，随着时间的推移与行为并行恢复。临界状态的改善与特定白质连接的重塑有关。本研究展示了个性化的全脑动力学模型能够在临界状态下跟踪神经动力学、中风后的改变以及单个参与者的行为。

为了便于比较个体对照和中风数据，研究人员提供了健康对照的平均值和标准偏差（分别为蓝色虚线和阴影区域）。一般来说，健康参与者的神经动力学与表现出危重性丧失的中风患者截然不同。换句话说，由于稳态可塑性机制，临界点与结构连接矩阵中的个体变异性无关。

图：代表性患者的危重丧失和相关恢复的数据。健康参与者（a, b）和中风患者（c, d）的神经活动模式分析。在蓝色虚线中，研究人员显示了相应控件的组平均值，而阴影区域对应于一个标准偏差。对于健康参与者，t₁ 和 t₂ 对应于相隔 3 个月的两个不同时间点。对于患者，t₁ 和 t₂ 对应于中风后 3 个月和 12 个月。健康参与者在两个时间点都表现出临界性特征，跨时间点和健康组的变异性很小。黑色垂直虚线描绘了健康对照的临界点。

总体而言，研究人员基于真实结构连接网络对个体大脑动力学进行建模的理论框架表明，受中风影响的患者呈现出神经活动水平降低、熵降低和功能连接强度降低。所有这些因素都导致在中风后 3 个月时整体失去临界性，并在 12 个月时恢复，这是由白质连接重塑驱动的。值得注意的是，本次研究的模型只包含三个参数，它们都是先验设置的，没有任何拟合程序。该研究为计算和转化神经科学开辟了有希望的道路。

5.长期COVID负担和风险因素

论文题目：Long COVID burden and risk factors in 10 UK longitudinal studies and electronic health records

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-30836-0

在有 COVID-19 病史的社区个体中，长期 COVID 的频率和风险因素尚不清楚。为了阐明社区中长期 COVID 的负担和可能的原因，研究人员协调分析了来自 10 个英国纵向研究（longitudinal study ，LS）样本的 6907 名自我报告 COVID-19 个体以及截至2021 年春季收集到的电子医疗记录（electronic healthcare records，EHR）中 110 万具有 COVID-19 诊断代码的个体调查数据。在纵向研究中报告任何症状达 12 周以上的推定 COVID-19 病例的比例从 7.8% 到 17% 不等（1.2% 到 4.8% 报告有衰弱的症状）。在 LS 和 EHR 数据中，年龄增长、女性、白人种族、疫情前的一般和心理健康状况不佳、超重/肥胖和哮喘与长期症状相关，但对其他因素，如心肺代谢参数的调查结果并不确定。

在由具有不同年龄范围的参与者（即年龄异质样本）组成的 LS 中，在从青年期到大约 70 岁的参与者中，观察到任何严重程度的症状持续 4 周以上和 12 周以上的风险随着年龄的增长而增加。在年龄同质的 LS 中——队列研究中的参与者年龄大致相同，从 20 岁到 63 岁不等——研究人员观察到功能限制性症状持续4周以上的报告年龄每10岁绝对增加 3.02% (95% CI: 1.86–4.17) 周，对于持续 12 周以上的功能限制症状，年龄每十岁增加 0.68%（95% CI：-0.15 至 1.51）。

图：四个年龄同质的 LS（左）和 EHR（右）中 COVID-19 病例中长期 COVID 频率的趋势。

左 – 在四项纵向研究（MCS N = 1055；NS N = 848；BCS70 N = 889；NCDS N = 709）中，参与者的年龄几乎相同，在 COVID-19 病例中报告症状持续时间为 4 周或更长时间的比例从问卷答复中确定。在 OpenSAFELY (N = 4189) 中，比例代表 10 岁年龄类别中的个人（估计值分组在每个类别的中点），他们在 GP 记录中具有长 COVID 代码，因此比例大大低于相应的队列数据。数据酌情以百分比和 95% 置信区间（CI）的形式呈现。趋势线和 95% CI 阴影表示随着年龄的增长，长 COVID 频率的绝对差异，通过 OpenSAFELY 中四个队列和 18 至 70 岁的数据的线性元回归估计。

从研究人员对确定长期 COVID 的方法的比较中可以清楚地看出，具有持续症状的 COVID-19 病例的比例存在明显差异。代表性的基于人群的研究将需要提供跨越功能限制范围的持续估计，以帮助规划适当的医疗保健提供。分析数据表明，初级保健中诊断标准的修订可能是适当的，特别是对于与医疗保健服务接触较少的人口群体。虽然无法从这些数据中得出因果推论，但本项研究结果证明了进一步调查性别差异、年龄相关变化和/或免疫和呼吸健康在长期 COVID 发展中的作用的合理性。患有高并发疾病的年长工作人员可能特别需要支持。

6.长距离相互作用塑造

沿海生态系统的结构和韧性

论文题目：Long-distance facilitation of coastal ecosystem structure and resilience

论文来源：PNAS

论文链接：https://www.pnas.org/doi/10.1073/pnas.2123274119

在我们的生物圈中，分层组织生态系统的生物相互作用无处不在，这种相互作用是通过推动跨空间尺度的生态和进化过程达到的。人们已经在局部和全球尺度上对生物相互作用进行了广泛的研究，但对中观尺度的长距离、跨生态系统的相互作用如何影响生态系统的结构、功能和韧性仍然了解不多。我们使用遥感、建模和实地数据来检验一个假设，即一个入侵物种的长距离作用极大地影响了东亚最大的潮滩生态系统之一。我们发现外来入侵杂草互米花草（Spartina alterniflora）的入侵可以对 10 公里以外的本地物种产生远距离影响，导致沿海生态系统十年的转变。低海拔地区的入侵杂草促进了高海拔地区本土芦苇的扩展，导致中海拔地区标志性的盐地碱蓬（Suaeda salsa）“红海滩”沼泽地的大规模退化和韧性下降，这主要是由于整个景观的土壤盐度降低的结果。我们的研究结果说明了长距离相互作用在塑造景观结构和生态系统的韧性，以及在弥合当地和全球生物相互作用之间的差距方面可以发挥复杂的作用。

图：1982 年至 2020 年期间研究区域的沿海地区的遥感景观变化。（A）研究区的位置。（B-D）以芦苇、盐地碱蓬和互米花草为主的植被照片。（E）研究区的植被分布图。（F）沿着从陆地到海洋的一维空间梯度的植被覆盖率。请注意，这里的景观变化是以半年为单位的（E和F），而数据分析是以年为单位进行的。

7.未来城市化引起的反照率变化

加剧全球变暖

论文题目：Albedo changes caused by future urbanization contribute to global warming

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-31558-z

城市化引起的土地利用和土地覆盖变化（LULCC）是地球陆地表面最显著的变化之一，尤其是近几十年来。根据 MODIS 提供的数据，2018 年全球城市用地为 79 万平方公里，到 2050 年，预计全球 68% 的人口将居住在城市地区，预测城市用地为 104-190 万平方公里。这些变化将从根本上改变地表的物理特性，进而改变地表能量平衡、水文循环和生物地球化学过程，引发一系列环境和气候后果。人为的土地利用和土地覆盖变化，包括被定义为城市土地扩张的城市化，不仅通过改变地表粗糙度、碳过程和湍流热通量，而且还会通过地表反照率的变化直接改变地球的辐射差额，进而影响局部和全球的气候。然而，迄今为止，大部分研究的注意力都集中在量化碳过程的变化，而对 LULCC 引起的反照率变化和相关的气候影响知之甚少。城市化是主要由人类活动引起的最重要的 LULCC 过程之一，然而，研究城市化引起的反照率变化对气候影响的努力非常有限。

在本文中，研究人员应用经验方法来量化过去城市化和未来城市化在不同共享社会经济路径（Shared Socioeconomic Pathways, SSPs）下预测的气候影响。研究者发现在三种说明性情景下，城市化都会对过去和未来的反照率产生影响，进而加剧变暖效应。相对于 2001 年，2018 年城市化造成的反照率下降导致 100 年间平均每年全球变暖 0.00014 [0.00008, 0.00021] °C。如果没有适当的缓解措施，在中等排放情景（SSP2-4.5）中，2050 年和 2100 年相对于 2018 年的未来城市化将分别通过改变地球的反照率从而产生 0.00107 [0.00057,0.00179] °C 和 0.00152 [0.00078,0.00259] °C的 100 年平均变暖效应。

图：城市化引起的地表反照率全球变化。（a）2018 年相对于 2001 年的变化，（b）2050 年相对于 2018 年的变化，（c）2100 年相对于 2050 年的变化，以及（d）显示网格级反照率变化的完整分布的直方图。（b、c）是 SSP2-4.5 中等排放情景下的反照率变化。

8.利用2021年23个国家的数据重新

审视世界各地对新冠疫苗的犹豫态度

论文题目：Revisiting COVID-19 vaccine hesitancy around the world using data from 23 countries in 2021

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-022-31441-x

尽管已经开发出可有效降低死亡和严重疾病风险的疫苗，但 COVID-19 大流行仍继续影响日常生活，包括卫生系统的运作。据报道，对 COVID-19 疫苗安全性、有效性、风险的误解以及对负责疫苗接种运动机构的不信任是导致疫苗犹豫的因素。研究人员于 2021 年 6 月调查了全球 COVID-19 疫苗犹豫情况。他们对来自 23 个国家的 1,000 名具有全国代表性的样本进行了调查。对数据进行描述性分析，并使用加权多变量逻辑回归来探索与疫苗犹豫的关联。在这里，研究结果显示超过四分之三（75.2%）的 23,000 名受访者表示接受了疫苗，高于一年前的 71.5%。在所有国家/地区，疫苗犹豫与对 COVID-19 疫苗安全性和科学缺乏信任以及对其功效的怀疑有关。对疫苗犹豫不决的受访者对要求提供疫苗接种证明也非常抵触；分别有 31.7%、20%、15% 和 14.8% 的人赞成在进入国际旅行、室内活动、就业和公立学校时要求提供疫苗接种证明。为了使正在进行的 COVID-19 疫苗接种运动成功地提高未来的覆盖率，仍有大量挑战需要克服。这些措施包括增加那些报告疫苗信心较低的人的疫苗接种率，以及扩大低收入和中等收入国家的疫苗接种率。

疫苗犹豫与一个国家当前的 COVID-19 病例负担（r = −0.13，p = 0.560）和死亡率（r = −0.25，p = 0.390）没有显著相关性。国家疫苗接种率与疫苗犹豫呈负相关（r = -0.45，p = 0.034）。疫苗的接种通常取决于该国供应和服务的可用性。研究结果发现，与样本的其他国家相比，非洲国家的疫苗接种率较低且犹豫度相对较高。在疫苗接种率超过 40% 的国家中观察到了较低的犹豫，但波兰、法国和美国除外，后者的犹豫较高。俄罗斯（64.5%）、波兰（53.7%）和法国（51.1%）最常报告父母对孩子接种疫苗犹豫不决的情况，而中国（1.5%和2%）、新加坡（3.3%和5.3%）、韩国（3.8%和2.1%）、加纳（5.8%和1.5%）和尼日利亚（6%和2.3%）最少。在所有国家，那些犹豫不决的父母为自己的孩子接种疫苗的犹豫更大。

图：父母对儿童接种 COVID-19 疫苗的犹豫不决。疫苗犹豫被定义为对受访者是否接受过至少一剂 COVID-19 疫苗的问题报告“否”，并且对该问题“不确定/没有意见”、“有些不同意”或“非常不同意” 关于他们是否会在可用时接种 COVID-19 疫苗。

9.量子密码的安全性

论文题目：Security in quantum cryptography

论文来源：Reviews of Modern Physics

论文链接：https://journals.aps.org/rmp/abstract/10.1103/RevModPhys.94.025008

量子密码学利用量子物理原理对信息进行安全处理。一个突出的例子是安全通信，即把机密信息从一个地方传输到另一个地方的任务。这里的加密要求是，即使通信渠道不可信，也不能让指定接收者以外的任何人接触到所传输的信息。在经典密码学中，这通常只能在计算困难的假设下得到保证，例如当因式分解大整数不可行时。相比之下，量子密码的安全性完全依赖于量子力学的规律。这篇文章回顾了这种安全的物理概念，重点是量子密钥分发和安全通信。

图：量子通讯一个简单的非加密示例（a）一个无噪音的信道，完美地将信息从 Alice 传递给 Bob。（b）一个有噪音的信道，改变了从 Alice 发给 Bob 的信息。（c） Alice 将她的信息编码到一个更大的空间中，而 Bob在接收时对其进行解码。在（a, c）中，每个矩形代表一个反应式系统，在收到输入时产生一个输出。带圆角的矩形是由一方进行的局部操作 [如（c）中的编码和解码] 。矩形框是一个可能有噪声的通道，从 Alice 传递给 Bob，在收到 Alice 的输入后，在通道的另一端产生一个输出。箭头代表从一个系统传输到另一个系统的量子态。

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