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。
Complexity Express 一周论文精选
以下是2021年8月23日-8月29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、气候临界点对经济会造成怎样的影响？
2、用不稳定指数计算大型复杂系统的平衡点
3、几何深度学习预测 RNA 空间结构
4、蛋白质结构的动力学和进化的对应关系
5、微生物组扩展了宿主的进化潜力
6、文化传播中随机变化的从众偏见
7、深层神经网络预测心电图年龄作为死亡率预测指标
1. 气候临界点
对经济会造成怎样的影响？
期刊来源：PNAS 论文标题： Economic impacts of tipping points in the climate system 论文地址： https://www.pnas.org/content/118/34/e2103081118
临界点的存在已在自然气候系统和生态系统中得到确认，一旦跨越这些临界点，系统将会承受灭顶之灾。对于气候系统来说，超过其临界点就会导致气候系统状态发生巨大而且往往是不可逆转的变化。而由于当前全球变暖，全球气温比工业化前升高了1.5-2摄氏度，使得临界点的跨越成为可能。
然而，尽管气候科学家长期以来一直强调气候临界点的重要性，但除了一些零散的研究，气候经济学要么忽略了它，要么以高度流程化的方式表示它。8月24日发表于PNAS的文章使用元分析综合评估模型 (IAM) ，对迄今为止经济学文献中涵盖的所有八个气候临界点的经济影响提供了统一的估计。该模型包括180个国家气温上升和海平面上升造成的国家级气候损害，并根据详细的计量经济学证据和模型对结果进行校正。
表1. 碳的社会成本（以2020年为标准）及由于气候临界点导致的碳的社会成本变化的百分比。
研究结果发现，气候临界点的影响使碳的社会成本增加大约25%，若考虑到一些文献中未涉及的临界点及其相互作用，这一数值可能被低估了。该研究提出的元分析综合评估模型可相对容易地整合纳入未来各种气候临界点的模型。
2. 用不稳定指数
计算大型复杂系统的平衡点
期刊来源：PNAS 论文标题： Counting equilibria of large complex systems by instability index 论文地址： https://www.pnas.org/content/118/34/e2023719118
学术界有关复杂系统的复杂性和稳定性的争论始于40多年前，这与两个明显相互矛盾的观点有关。一方面，复杂的生态系统在自然界中无处不在，如各种各样的热带森林、珊瑚礁，这些观察结果启发生态学家假设复杂性可以稳定生态系统。另一方面，Robert May 通过研究随机生成的群落矩阵（对描述群落动力学的方程组的平衡点进行线性化而得，量化了某物种丰度变化对另一物种动力学的影响）的局部稳定性，指出复杂随机系统比简单系统更难从小扰动中恢复过来。
8月24日发表于PNAS的文章阐明了一个具有稳定性反馈机制的多自由度随机相互作用的大型非线性系统的“最小模型”及相位结构，极大地扩展了 Robert May 在1972年进行的大型复杂系统的局部稳定性分析。研究证明，系统从稳定到不稳定转变的显著特征是不稳定平衡点数量的指数爆炸增长，以及伴随的局部吸引平衡点出现概率的减少。同时，研究证明了系统具有大量稳定方向的平衡丰度，从而可以长时间减慢系统动力学演化，并诱发老化效应（aging effect）。
3. 几何深度学习预测了RNA空间结构
期刊来源：Science 论文标题： Geometric deep learning of RNA structure 论文地址： https://www.science.org/doi/10.1126/science.abe5650
RNA 分子的功能与其三维形状密切相关，然而其复杂的折叠结构很难通过实验或计算来确定。并且目前已知的RNA结构很少，不适合应用大多数需要大量数据训练的深度学习算法。
8月27日发表于Science的文章介绍了一种机器学习方法，无需定义RNA分子的特征，仅使用原子坐标及18个已知的RNA结构作为输入，就可以很好地预测RNA的空间结构，在评分器上的表现大大优于以往的算法，并在领域内RNA结构盲测挑战中屡次拔得头筹。
图1.（左）A图为待预测RNA结构，B图为本文所提出方法（ARES）的预测结果，C图为其它深度学习方法中最好的预测结果。（右）A、B、C、D代表四种RNA，在各类方法中，本文提出的方法（ARES）对四种RNA的预测结果均为最优（分数最低）。
该方法克服了常规深度神经网络的一个主要限制，无需RNA特定的信息，故能应用于结构生物学、化学、材料科学等领域的各种问题，对某些疾病的药物开发起到促进作用。
4. 蛋白质结构的
动力学和进化的对应关系
期刊来源：Physical Review Letters 论文标题： Dynamics-Evolution Correspondence in Protein Structures 论文地址： https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.098103
生物系统的动力学和进化是生命科学研究中两个核心主题。生物体内的动力学涉及细胞内快速发生的生物化学反应，而生物的进化建立在长期的随机突变和自然选择之上。然而，这两个时间尺度相差巨大的过程间很可能存在联系，比如生物的动力学正是在漫长的进化中逐渐形成和发展的。进化生物学家和发育生物学家对生物动力学和进化过程之间是否有关系存在着长期的争论，因为这二者之间的关系较难进行定量研究，而且这种相似性也缺乏理论上的依据。
8月26日发表于Physical Review Letters的文章以蛋白质分子为例，定量研究了蛋白质动力学和进化间的关系，建立起了二者间的联系。该研究将蛋白质描述为“弹性网络”，其中节点为构成蛋白质的氨基酸残基，在空间距离上靠近的氨基酸残基由弹簧连接，以蛋白质的天然态结构作为弹性网络的平衡结构。蛋白质的动力学被描述为弹性网络相对于平衡结构的振动，其进化则被描述为天然态结构的改变。
图1. 蛋白质动力学（左）和进化（右）之间的对应关系
基于该简化模型，研究发现在线性近似的条件下，描述蛋白质振动的弹性矩阵（势函数相对于氨基酸残基坐标求二阶偏导所得的Hessian矩阵）与描述蛋白质进化过程中天然态结构改变对势函数所造成影响的经验Fisher信息矩阵是相等的。在人工智能领域的研究中，也有研究者在深层神经网络的训练中观察到类似的对应关系。
5. 微生物组扩展了宿主的进化潜力
期刊来源：Nature Communications 论文标题： The microbiome extends host evolutionary potential 论文地址： https://www.nature.com/articles/s41467-021-25315-x
“微生物组”已经成为生物学许多方面的关键因素，能够塑造发育、生理和生殖表型。不过，进化上的一个难题是，微生物组会如何影响宿主的适应性。传统上认为，微生物群落属于影响宿主表型的非遗传的环境因素。然而，与非生物环境条件不同的是，微生物变异的影响具有遗传基础，可以进化。但微生物并不总是以与宿主基因相同的方式进化。尽管微生物遗传对宿主表型的复杂影响很重要，但它们仍未得到充分重视，限制了对宿主-微生物群系进化的理解。
8月26日发表于Nature Communications的文章阐明了如何将微生物组整合到定量遗传学中，促进对宿主-微生物组进化复杂性的理解。研究描述了微生物组影响宿主进化的两种方式: 改变宿主的平均表型，以及改变宿主在种群中的表型变化。
图1. 微生物组影响宿主进化的不同方式。宿主受微生物组影响后能编码更多的基因，与微生物组变异的相互作用可能改变宿主的基因型-表型图谱，使宿主在种群内的表型变异。（A）部分宿主表型不会受到微生物组的影响(灰色分布) （B）微生物组可能改变宿主的平均表型（蓝色分布）（C）微生物组也可能改变宿主表型变化(紫色分布)。（D）平均表型和表型的变化都可能受到微生物组的影响（绿色分布）。需要注意，以上方式并不是互斥的，并且都是概念化的表型分布，真实的表型分布还需要更多的实验工作来确认。
该研究综合了不同微生物组的文献，并讨论了它们如何影响宿主的进化。这一新兴领域仍然存在许多挑战，但是测序技术的不断进步将促进宿主-微生物组进化动力学的发展。将微生物变异纳入定量遗传模型将为研究不同生态及进化规模的自然选择提供新见解。
6. 文化传播中随机变化的从众偏见
期刊来源：PNAS 论文标题： On randomly changing conformity bias in cultural transmission 论文地址： https://www.pnas.org/content/118/34/e2107204118
从人类到果蝇，动物都表现出从众和反从众的行为。在（反）从众下的种群动力学可以解释群体的涌现特性，包括规范和集体行为。尽管实证数据表明种群的从众程度会随时间变化，但大多数数学模型并没有包括随时间变化的从众程度系数。
为了提高模型对现实世界的适用性，8月24日发表于PNAS的文章引入了新的从众模型，允许从众程度系数、取样的“榜样”数量和弱选择随机时变。研究发现，新模型的动力学演化是可行的，并且各平衡点可随机地同时局部稳定，而在从众程度系数为常数的模型中，至少有一个平衡点是不稳定的，故从两种模型得出的结论可能大相径庭。这使得解释从众效应对种群间差异的影响变得愈加困难，未来结合有限种群规模及迁徙的研究将有助于增加这些模型的现实性。
7. 深层神经网络预测心电图年龄
作为死亡率预测指标
期刊来源：Nature Communications 论文标题： Deep neural network-estimated electrocardiographic age as a mortality predictor 论文地址： https://www.nature.com/articles/s41467-021-25351-7
心电图是心血管疾病筛查和评估中最常用的检查方法。为了便于医学研究和临床实践，经典的心电分类方法利用信号处理技术从心电信号中提取出测量值、波长，检测出心电信号中的异常心跳，然后利用提取出的信息作为分类器的输入特征。然而，该方法精度有限，限制了心电图应用。在此背景下，深层神经网络（dnn） 提出了从传统心电图自动分析方法的范式转变，以原始信号作为分类器的输入，由分类器自动提取特征。这种端到端的模型可能能够识别额外的标记，在心血管疾病预测方向很有前途。
8月25日发表于Nature Communications 的文章通过数据驱动的方法，获得了以原始心电图预测年龄的模型，并进一步以心电图年龄与实际年龄的差值作为输入，预测死亡风险。研究表明，心电图年龄和实际年龄之间的差异可以作为死亡风险的标志。
图1.采用3个数据集（a、b、c），获得了不同年龄组心电图年龄与实际年龄差值的生存曲线。研究考虑了三种情况：心电图年龄大于实际年龄8岁，心电图年龄小于实际年龄8岁以及心电图年龄与实际年龄差值在8岁以内。该曲线是根据年龄和性别调整后计算出的生存曲线。
从临床角度来看，心电图追踪受到大量因素和机制的影响，将其归纳为单一的数字是一种过度简化，但它不需要医学专业知识的语言即可传达心血管风险的概念，而且未经医学培训的患者和其他专业人员也能理解这一概念，可能更容易用于临床实践。
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）。
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。