退出时间作为衡量生态恢复能力的指标 | 复杂性科学顶刊精选6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
目录：
1、退出时间作为衡量生态恢复能力的指标
2、社交网络“道德传染”效应的进一步探索
3、利用大规模实验和机器学习探索人类决策理论
4、走向进化的工程理论
5、MOGONET 使用图卷积网络集成多组学数据，允许患者分类和生物标志物识别
6、湍流解释了鹰在自然飞行中的加速度
更新提醒：顶刊速递已支持论文图片速览
1. 退出时间
作为衡量生态恢复能力的指标
期刊来源：Science
论文标题：
Exit time as a measure of ecological resilience
论文地址：https://science.sciencemag.org/content/372/6547/eaay4895/tab-pdf
韧性（resilience）被定义为系统能承受并保持其组成和功能方面基本特征的扰动幅度。对韧性的描述最早起源于生态学，现如今已被广泛应用于金融、社会科学、气候科学等多个领域。一个较为有趣的说法是将系统描绘成一个杯子中的弹球，如果杯子很浅很窄那么弹球很容易弹出。在很多情况下，韧性的损失可以被直观地理解为一个吸引盆（杯子）的收缩，如何量化韧性仍是有挑战性的问题。
向另一种状态的转变通常可能是由一系列微小的协同扰动引起的，而不是由一个巨大扰动一锤定音。近日一篇发表在 Science 上的文章考虑到这种自然的可变性，展示了如何根据平均预期寿命（average life expectancy）来估计韧性。研究者们使用时间序列来拟合一个能捕捉确定性因素和随机因素的模型，该模型被用来估计从吸引盆的平均退出时间（mean exit time）。在高分辨率时间序列可得性更强的时代，这种方法提供了一个新的角度来预测临界相变。
上图为在具有两个可选择的吸引盆的系统中，退出时间的不同表示方式。
2. 社交网络“道德传染”效应的
进一步探索
期刊来源：Nature Human Behaviour
论文标题：
Reconsidering evidence of moral contagion in online social networks
论文地址：
https://www.nature.com/articles/s41562-021-0113
社会的数字化提出了许多实质性问题。然而，与此同时，它为社会科学研究提供了明确无误的方法论机会。对于在线发生的所有交互，例如社交媒体用户之间的通信，都会留下数字数据痕迹。这些数据追踪不仅捕捉自然主义行为，而且此类数据的庞大规模和多样性意味着现在可以很容易地在“野外”中定量观察集体推理和意见动态等理论。随着越来越多的社会科学领域认识到这一趋势并利用大规模社交媒体数据来测试人类行为的理论，研究人员迫切需要更好地了解从这些数据中得出的推论的强度，并对方法标准进行质疑。
一项结合社交媒体数据和心理学理论的备受瞩目的研究最近提出了“道德传染”效应的发现。在这项研究中，Brady 等人应用基于字典的文本分析程序来量化数十万条推文中的道德情感语言，这些推文捕捉了 Twitter 用户自然发生的交流。然后通过拟合回归模型并执行一系列稳健性检查，他们表明，无论消息的信息质量如何，仅存在道德情感词就会将消息的转发数增加 20%。这种道德传染现象的影响，即暴露于道德情绪会影响信息的传播，无疑具有重大意义。
COVID-19 与 #MeToo 语料分析结果
在研究人员参考的数据中，道德传染的脆弱性看似“成功”突出了标准统计程序（例如线性回归模型和显著性检验）提供的结论在应用于大规模社交媒体数据集时的局限性。虽然相关证据可以提供信息（例如用于预测目的），但这忽略了为什么诸如道德传染现象之类的发现通常很有趣的关键点。可以说，道德传染的相关发现恰恰是有趣的，因为它们似乎表明存在有意义的因果关系 。对于对理解人类行为感兴趣的研究人员来说，似乎有必要使用来自受控实验的数据对相关结果进行三角测量；应用替代统计技术，例如结构方程建模或有向无环图；如果要依赖大规模观测数据，或者使用其他设计方法对观测数据进行因果推断。
3. 利用大规模实验和机器学习
探索人类决策理论
期刊来源：Science
论文标题：
Using large-scale experiments and machine learning to discover theories of human decision-making
论文地址：
https://science.sciencemag.org/content/372/6547/1209
了解人们如何做出决策是心理学和经济学的核心问题。随着自动化系统与人的交互更加密切，拥有可以预测这些决策的定量模型变得越来越重要。对此类模型的探索可以追溯到近 300 年前 ，但在 20 世纪下半叶得到了加强，因为实证结果揭示了人们通过最大化预期效用做出决策的想法的局限性。这导致了新模型的发展，例如前景理论 （prospect theory ，PT）。最近，这个理论驱动的企业得到了使用机器学习来预测人类决策的数据驱动研究的补充。尽管机器学习有可能加速人类判断预测模型的发现，但由此产生的模型受到小数据集的限制，并且通常无法解释。为了克服这些挑战，我们引入了一种基于定义机器学习模型类别的新方法，这些模型体现了基于心理学理论的约束。研究人员展示了迄今为止最大的研究人们选择的实验，使人们能够使用其的方法系统地评估现有理论，确定最佳预测性能的下限，并提出一种新的描述性理论。
比较人类研究人员提出的经典理论与通过机器学习发现的可微决策理论。
即在本项研究层次结构的每个级别，研究人员发现表现最好的理论属于他们定义的最复杂的类，并且位于所有更简单的类之外。这意味着对人类选择的最佳预测来自主观地查看收益及其概率，但更重要的是，以对竞争赌博的背景敏感的方式产生。然而，作为一个相对不受约束的神经网络，该模型提供的心理洞察力有限，并且由于其表达能力，极易在小数据集中过度拟合噪声。
值得注意的是，当研究人员只考虑与先前行为研究规模一致的数据量时，人类研究人员开发的决策模型往往优于新提出的机器学习模型，但当更多数据可用时，这种趋势会逆转。这种模式可能意味着心理学理论的复杂性受到了有限数据的限制。随着研究人员开始进入大行为数据体系，他们的理论将不得不变得越来越复杂，以便能够捕捉到这些更大的数据集所揭示的系统变化。大型数据集的使用彻底改变了机器学习、计算机视觉和人工智能。研究人员相信，将大型数据集与机器学习算法相结合，为发现新的认知和行为现象提供了巨大的潜力，如果没有此类工具，这些现象将难以识别。
4. 走向进化的工程理论
期刊来源：Nature Communications
论文标题：
Towards an engineering theory of evolution
论文地址：
https://www.nature.com/articles/s41467-021-23573-3
生物技术因生物的可进化性而从根本上不同于其他任何技术，这为生物工程带来了与其它工程截然不同的挑战。因此，生物工程需要发展以进化论为核心的新型设计方法论。一个进化的工程理论可以发挥进化论作为工程工具的潜力，并能够增强我们对生物工程中意外后果的理解限制。
近日发表在 Nature Communications 的一篇文章提出了进化型（evotype）的框架，将其作为开发生物系统演化潜力的重要工具。该框架可分为三个部分，即变异（variation）、函数（function）、选择（selection），工程师可分别调节这三部分以控制生物的进化路径。该框架不仅提供了一种生物工程开发的新手段，而且使人们在全新的背景下重新思考进化。这甚至会导致生物技术从零开始的全新进化，而不是对已有的生物技术进行修补。
5. MOGONET使用图卷积网络
集成多组学数据，
允许患者分类和生物标志物识别
期刊来源：Nature Communications
论文标题：
MOGONET integrates multi-omics data using graph convolutional networks allowing patient classification and biomarker identification
论文地址：
https://www.nature.com/articles/s41467-021-23774-w
组学技术的快速发展使得个体化医学能够利用具有前所未有细节的分子水平数据。为了充分利用组学技术的进步，更全面地了解人类疾病，需要新的计算方法对多种来源的组学数据进行多组学分析。以前，由于收集和注释数据的费用高昂，以及缺乏关于疾病亚型的知识，带标记的生物医学数据很少。因此，大多数现有的多组学整合方法侧重于无监督的方法，在没有额外的表型信息时，试图从已确定的样本群中提取生物学见解。然而，由于组学技术和个体化医学数据库的快速发展，使带有详细注释的组学数据集正以前所未有的数量和速度变得可用。
本文提出的多组学图卷积网络（MOGONET），基于图卷积神经网络。可以找到特定组学和跨组学数据中的相关性，从而有效地对多组学数据进行分类。利用 mRNA 表达数据、 DNA 甲基化数据和 microRNA 表达数据，我们证明 MOGONET 在不同生物医学分类应用中优于其他最先进的有监督的多组学分析方法。MOGONET 是一种创新的基于深度学习的多组学分类算法，可以广义地适应许多不同的组学数据类型，且具有优越的性能和良好的可解释性。此外，MOGONET 可以从与所研究的生物医学问题相关的不同组学数据类型中识别重要的生物标志物。
MOGONET 将图卷积神经网络与VCDN相结合，进行多组学数据的整合。首先在每个组学数据类型上进行预处理，以去除噪声和冗余特征。每个特定于组学的图卷积神经网络被训练使用组学特征和由组学数据生成的相应样本的相似性网络来执行类预测。多组学发现张量（discovery tensor）可通过对各个组学对应的 GCN 的初始预测计算出来的，并交给 VCDN 进行最终预测。MOGONET 是一个端到端的模型，所有的网络都可联合训练的。
6. 湍流解释了
鹰在自然飞行中的加速度
期刊来源：PNAS
论文标题：
Turbulence explains the accelerations of an eagle in natural flight
论文地址：
https://www.pnas.org/content/118/23/e2102588118
湍流风和阵风的波动周期分布在从几毫秒到几分钟甚至更长时间的广泛时间尺度上，该范围与鸟类飞行行为的时间尺度相重叠，然而我们尚不清楚湍流对鸟类飞行行为的重要性。近期发表在 PNAS 上的一篇文章在复杂行为和空气动力学的背景下，发现了一个简单的线性模型几乎可以完全解释鹰与湍流之间的相互作用，而这种相互作用又几乎完全解释了鹰在飞行时身体的加速度。通过将风速数据与在野外飞行的金雕的加速度相结合，文章发现在大约0.5到10秒的时间尺度内，鹰的加速度与大气湍流之间存在线性关系。
通过鹰与大气湍流的相互作用来解释加速度（红色）的不规则波动
这些时间尺度与鹰飞行行为的时间尺度相当，对应于大约1到25次翼拍，以及那些大于鹰翼展但小于大尺度大气现象（如对流单元）的湍流阵风。鹰的加速度表现出湍流的功率谱和间歇性活动特征，并随湍流强度成比例地增加。间歇性导致加速度有时比重力强几倍，老鹰为了保持在高处需要与重力对抗。湍流对鸟类运动的影响仍然需要进一步探索，以了解鸟类和其他生命形式的能量学，从而改进我们自己在不断变化的环境中飞行的方法。此外该研究还可以让空中的野生动物成为我们对大气条件变化的分布式探测器。
集智新栏目Complexity Express 上线啦！
Complex World, Simple Rules. 复杂世界，简单规则。
Complexity Express 是什么？
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 论文从哪里来？
Nature
Science
PNAS
Nature Communications
Science Advances
Physics Reports
Physical Review Letters
Physical 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！
Complexity Express 追踪哪些领域？
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
更多论文
点击“阅读原文”，追踪复杂科学顶刊论文