具有多相互作用成分的流体的相分离 | 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

以下是2021年11月8日-11月14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、具有多相互作用成分的流体的相分离

2、基于共同进化的机器学习预测人类基因之间的功能性相互作用

3、使用郡际和郡内人类交互指标对COVID-19病例进行时空预测

4、语言的神经结构：综合建模收敛于预测加工

5、网络分析揭示了跨越多个生物组织层次的罕见疾病特征

6、一维随机场伊辛模型的实验实现

1. 具有多相互作用成分的流体

的相分离

期刊来源：PNAS

论文标题：

Phase separation in fluids with many interacting components

论文地址：

https://www.pnas.org/content/118/45/e2108551118

自然系统中不相溶的流体随处可见，比如厨房中的油和醋。正是这些由不同组分构成的共存多相，分隔了许多相互作用的途径，使得多样而具体的功能出现在各类细胞和生物体中。比如在活细胞内，成千上万的生物分子组织成多种共存的液相，从而产生不同的功能。然而，人们却不理解系统各个组分间的大量相互作用是如何涌现为多种宏观的液相。

11月9日发表于PNAS的文章利用随机矩阵理论和统计物理学的方法来描述流体混合物的涌现相行为。通过数值模拟和稳定性分析，研究发现这些混合物表现出阶段性的相分离动力学，在稳定状态下呈现不同组分构成的共存多相。该研究通过随机矩阵理论预测共存相的数量，发现该动力学模型预测的相数上限远远低于由平衡热力学得出的吉布斯相规则的上限。通过引入编码有共存相与组分数之间线性或非线性标度关系的系综，并考虑化学反应的非平衡周转，实现了在不改变整体液相组分下，调节共存相的数量。

该研究所建立的模型是根据系统各组分来设计多相材料的重要一步。

2. 基于共同进化的机器学习

预测人类基因之间的功能性相互作用

期刊来源：Nature Communications

论文标题：

Co-evolution based machine-learning for predicting functional interactions between human genes

论文地址：

https://www.nature.com/articles/s41467-021-26792-w

基因组革命已经导致成千上万种物种被测序，每年还有更多的物种被测序。这种来自不同物种的基因组数据的爆炸式增长，使得用比较基因组学分析方法来研究基因、功能、特征及其所属物种之间的相互作用变得很容易。

系统发育分析（phylogenetic profiling）就是一种鉴定原核生物和真核生物功能相关基因和蛋白质相互作用的方法，其基本假设是：功能相关的基因由相似的进化压力选择而得，因此在整个进化过程共同丢失或保留。为了更好地描述共同进化，“分支相关（clade-wise）”的系统发育分析方法得到了发展，它能够整合跨生命领域的系统发育图谱，改善功能相互作用基因的预测。然而，该方法分辨率较低且仅适用于基因组的预测。

11月9日发表于Nature Communications的文章使用机器学习方法扩展了“分支相关”的系统发育分析方法，使其能够预测人类基因和交互环境之间的功能性相互作用。该研究还将这一方法扩展到基因功能注释，重点解决了研究较少的基因的功能注释问题。这项工作强调了大规模基因组分析在理解基因型-表型相互作用以及基因、功能和进化之间的交叉作用方面的巨大潜力。

3. 使用郡际和郡内人类交互指标

对COVID-19病例进行时空预测

期刊来源：Nature Communications

论文标题：

Spatiotemporal prediction of COVID-19 cases using inter- and intra-county proxies of human interactions

论文地址：

https://www.nature.com/articles/s41467-021-26742-6

人与人之间的身体接触是新冠病毒等高传染性疾病传播的主要原因。因此，测量人类相互作用是理解和预测新冠疫情传播的重要环节。然而，量化人类互动需要在国家和区域范围内进行严格的追踪。但由于经济、法律和社会文化方面的问题，以及数据量不足和国家协作弱的问题，美国尚未实施该做法。因此，需要采用社交联系指数和人类流动性等间接指标来量化人类互动，其中前者由Facebook数据生成，描述了位于两个地区的用户在Facebook上成为朋友的概率，后者通过匿名手机数据来测量。然而尚不清楚哪种方法能更好地表征地区内部及地区间的物理互动。

11月8日发表于Nature Communications的文章结合社交联系指数和人类流动性，开发了一个时空自回归（spatiotemporally autoregressive）机器学习模型来预测美国邻近地区郡一级的新冠病毒疾病感染病例。将预测结果与美国新冠病毒疾病预测中心开发的基准模型对比，显示在两周的预测期内，该模型的预测平均误差降低了6.46% ，在四周的预测期内模型的预测平均误差降低了20.22%。

该研究证明，使用郡际社交联系指数和郡内人类流动量的时空数据后，模型预测能力显著提高，尤其在长期预测能力上显著提高，有助于联邦和地方政府做出明智的决定。

4. 语言的神经结构：

综合建模收敛于预测加工

期刊来源：PNAS

论文标题：

The neural architecture of language: Integrative modeling converges on predictive processing

论文地址：

https://www.pnas.org/content/118/45/e2105646118

近年来，人工智能，尤其是人工神经网络（ANN），在目标检测和自然语言处理等任务上，都取得了令人瞩目的成功。以往的研究表明，一个深度卷积神经网络（DCNN）模型在目标检测领域表现越好，在预测大脑的下颞叶皮层的神经活动时就越准确，这表明了前者与后者在结构与功能上的相似性。同理，11月9号发表在PNAS杂志上的研究，对43个最新的语言处理模型进行了比较，试图找出它们在各种语言处理任务上的表现，和在预测大脑额颞叶的神经活动时的表现之间的关系。

结果表明：在拟合神经数据（fMRI和ECoG）的任务上，最新的基于Transformer的模型，比传统的循环神经网络（RNN）和词嵌入模型表现要好，甚至能接近100%地预测大脑神经元对句子的响应。除此之外，不同模型在预测大脑神经活动的分数，与它们在预测下一个词的任务上的分数，呈现0.44的正相关（下图1），而与在其它任务（比如对句子分类，下图2）上的分数无关。这意味着人的语言系统与“预测下一个词”的模型有相似性，因此间接地支持了预测处理（predictive processing）理论。该理论认为大脑会不断地产生并更新环境的心理模型，预测感觉输入，并与实际感觉输入比较，产生预测误差，进而将这种误差用于更新和修正心理模型。

最后，即使这些模型只是随机初始化（不经过训练），也能够输出有意义的特征，得到显著高于随机的结果。这表明这些语言模型的架构本身，就对预测神经活动有帮助。综上所述，该研究认为，在人工智能领域有良好表现的自然语言处理模型，可以作为我们的神经系统如何处理语言的一种可能的假设。

5. 网络分析揭示跨越

多个生物组织层次的罕见疾病特征

期刊来源：Nature Communications

论文标题：

Network analysis reveals rare disease signatures across multiple levels of biological organization

论文地址：

https://www.nature.com/articles/s41467-021-26674-1

罕见病与机制多样的常见病不同，通常是由单基因缺陷引起的。不过，虽然其基因型和表现型间存在明显因果关系，但在各个生物层次上完整识别其病理生物学机制，并构建完整的因果链条，在概念与实践上仍然均有不小挑战。

11月9日发表于Nature Communications的研究，介绍了一种网络方法，用于评估罕见基因缺陷跨越各个生物层次的影响。该研究构建了一个由超过 2000 万个基因关系组成的多层网络，这些基因关系被组织成 46 个网络层，跨越基因型和表现型之间的6个主要生物学层次（图1）。对 3771 种罕见疾病的综合分析揭示了各个层内不同的表现型模块。这些模块可用于从机制上剖析基因缺陷的影响，并准确预测罕见病候选基因。

罕见病生物特征的多层复杂网络。该网络由不同公开数据集整合而成，由下至上共涵盖6类46层网络，覆盖了罕见病从基因型到表现型间各层次的生物特征。

该研究的结果表明，疾病模块形式不仅可以应用于罕见疾病，还可以推广到物理相互作用网络之外；此外，这些发现为应用基于网络的工具进行跨尺度数据整合（cross-scale data integration）开辟了新的途径。 

6. 一维随机场伊辛模型的实验实现

期刊来源：Physical Review Letters

论文标题：

Experimental Realization of the 1D Random Field Ising Model

论文地址：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.207203

在自然界中，由微扰场引起的雪崩行为（avalanche behaviour）无处不在，如磁畴、超导涡旋、地震、山体滑坡、电网和股市等系统中均存在该行为。由于无序性的存在，这些系统的物理特别复杂，极易产生不稳定性。一维随机场伊辛模型（1D Random Field Ising Model，1D-RFIM）是理解雪崩的重要理论模型。尽管 1D-RFIM 形式简单，但其实验的实现却难以捉摸，易受长程力和高维特性等复杂因素影响。此外，很少有系统能够用足够分辨率的实验成像来精确描述雪崩的规模。因此，实验结果和理论预测并不总是吻合。

11月11日发表于 Physical Review Letters 的文章在人造自旋冰（artificial spin ice）中精确地实现1D-RFIM，并且其实验演示可以为更复杂的雪崩系统建立更好的模型。ASI 具有在显微尺度上可设计的罕见特性，而且可以在单个纳米磁矩（nanomagnet moments）级别上获得高分辨率成像。该研究聚焦于纳米磁矩极化过程中的线性雪崩式反转，通过对反转矩的统计分析，发现该系统提供了 1D-RFIM  的一个清晰的实验表现。基于连续雪崩后对单个力矩方向的成像能力，该研究还提出了一种通用的提取随机场分布的方法。

一维随机场伊辛模型点阵示意图（左），箭头表示初始磁矩配置，黄色箭头表示施加磁场的方向。一维随机场伊辛模型点阵示意图（右），用箭头表示极化状态磁矩配置。

该研究用于测量增长团簇的连续状态的方法可以应用于许多系统，以观测及测量这些系统中的雪崩行为（如材料测试和危险预防）。这为一系列基础和应用研究打开了大门。

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[e-mail]）。

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[e-mail]）。

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