以下是2022年8月1日-8月7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~

　　人类免疫系统由遍布全身的分布式细胞网络组成，这些细胞必须动态地形成物理关联，并使用它们的细胞表面蛋白组进行相互交流。尽管细胞表面蛋白组具有治疗潜力，但我们对这些表面相互作用的图谱仍然不完整。本文使用一种高通量的表面受体筛选方法，系统地绘制了多个重组库的直接蛋白质相互作用，该库包含人类白细胞上可检测到的大部分表面蛋白质。我们独立验证并确定了每个重组库上每个新的相互作用的生物物理参数，从而对连接人类免疫细胞的受体连接形成了高度可信和定量的观察。通过整合相互作用组和表达数据，我们确定了免疫相互作用动力学的趋势，并构建了一个简化的数学模型，可基于基本原理预测细胞连接性。我们还开发了一个交互式多组织单细胞图谱，可推断整个身体的免疫相互作用，并揭示多细胞网络中新相互作用和中心节点的潜在功能环境。最后，我们将人类白细胞的靶向蛋白刺激与多重高含量显微镜相结合，在调节免疫反应和维持细胞间联系的正常模式方面，将我们的受体相互作用与功能作用联系起来。总之，我们的工作为人类免疫系统的细胞间连接提供了一个系统性的观察，从免疫细胞连接的系统级原则延伸到单个受体的机制表征 （mechanistic characterization） ，这可能为治疗干预提供机会。

　　网络是我们理解复杂系统的基础。对网络的研究发现了一些共同的原则，这些原则是包括物理学、生物学、社会学和工程学在内的众多不同研究领域行为的基础。这些共同的原则之一是网络模体 （motif） 的存在——小的反复出现的模式，可以提供某些对特定网络很重要的特征。然而，目前仍不清楚在真实的网络中，网络模体是如何被连接成更大的回路 （circuits） 的，以及网络模体之间的相互作用会产生什么特性。本文开发了一个框架来探索复杂网络的中尺度行为。考虑到网络模体是超节点，我们定义了它们在网络下一级组织中的交互规则。我们开发了一种方法，从真实的进化的和设计的网络数据中推断出网络模体之间相互作用的有利安排，使其成为超模体 （hypermotif） 。我们从数学上探讨了这些高阶回路的涌现属性及其与它们结合的单个最小回路组件的属性之间的关系。我们将这一框架应用于生物、神经元、社交、语言和电子网络中，并发现网络模体在真实网络中不是随机分布的，而是以一种既能保持自主性又能产生涌现特性的方式组合在一起。这个框架为探索复杂系统的中尺度结构和行为提供了一个基础，在这里它可以用来揭示复杂网络中的中间模式，并确定网络中的特定节点和链接是网络涌现特性的关键驱动因素。

　　图：一个探索复杂网络中的超模体的框架。(A）网络模体，如协调 1 型 FFL（C1FFL）和 u 是激活器、w 是抑制器的互反馈回路，可以分别过滤掉瞬时的输入信号和产生阻尼振荡。然而，目前还不清楚由不同网络模体组合而成的回路会有什么特性。（B）四个真实网络的例子，其中 FFL 是一个网络模体，但它与其他 FFL 的连接方式不同，提供了不同的动力学特性。（C）举例说明 Lock-ON 互反馈环（LMFL）和协调 1 型 FFL 的两种网络模体可以直接连接在一起的表格。

　　控制网络动力学的能力对于确保许多技术、生物和社会系统的理想功能的实现至关重要。这些系统通常由大量的网络元素组成，而控制大规模的网络仍然具有挑战性，因为计算和通信要求随着网络规模的增加而快速增加。在这里，我们引入了一个网络定位的概念，它可以被用来使网络的控制具有可扩展性，即使是在动态非线性情况下。我们表明，网络的局部性是由一个信息度量来捕获的，并且在实际和模型网络中几乎普遍观察到。在局域网络中，最佳控制行动和系统响应都被证明必然集中在由信息度量诱导的小邻域中。这使我们能够开发出确定网络可控性和优化驱动节点位置的本地化算法。这也使我们能够开发出一种局部算法来设计局部反馈控制器，其性能接近于相应的最佳全局控制器，而产生的计算成本却低了好几个数量级。我们在 Kuramoto 振子网络以及三个大型经验网络中验证了算法的局部性、性能和效率：美国东部电网的同步动力学、全球航空运输网络介导的流行病传播以及人类大脑网络中的阿尔茨海默病动力学。综上所述，我们的结果表明，大型网络可以用与小型网络相当的计算和通信成本进行控制。

　　图：N =1,000个节点的加权小世界网络上的信息距离与网络距离。网络距离是网络上的测地线距离，边缘长度定义为耦合强度的倒数。（A）信息距离和与参考节点（标记为 1）的网络距离，分别通过节点颜色和大小在网络上可视化。（B）每对节点的信息距离与网络距离。颜色表示信息距离的条件概率密度，给定网络距离。

　　量子元胞自动机 （Quantum cellular automata，QCA） 在量子电路中只根据近邻的状态演化量子比特，并模拟丰富的物理复杂性如何从一组简单的底层动力学规则中涌现。经典计算机无法模拟大型量子系统，这阻碍了人们阐明量子元胞自动机，但量子计算机为此提供了一个理想的模拟平台。这项研究在数字量子处理器上，用实验实现了量子元胞自动机，在多达23个超导量子比特的链上模拟了一维金发姑娘原则 （Goldilocks rule） 。研究计算了校正和误差缓解的群体动力学和复杂网络测量，后者表明小世界互信息网络的形成。这些网络在固定的电路深度退相干与系统尺寸无关，其中最大的系统尺寸对应1056个两量子比特门。这些计算可能有助于将量子元胞自动机应用于强关联物质的模拟，或超越经典的计算演示。

　　图：一维量子元胞自动机电路。a. 将一维链嵌入二维 Sycamore类量子处理器子集的原理图。灰色十字表示用于压制电荷噪声的 transmon 量子比特，蓝色矩形表示耦合器。紫色、绿色、黄色和红色路径是假设的嵌入示例。b. 一维量子元胞自动机（QCA）电路的一般结构，其时间向右流动。链的长度为L量子比特，应用一个初始化步骤。在执行测量之前，对所有L个量子比特应用若干幺正 QCA 更新循环。c.一个 QCA 循环的 Goldilocks QCA 特定结构。d. 每个 QCA 循环的单量子比特和双量子比特层数不随系统大小变化，只有总门容量变化。

　　全面了解大脑，需要我们对多尺度和水平下的神经组织进行综合的描述。这意味着研究基因和突触之间的相互作用，大脑结构和动力学之间的关系，这种关系最终导致不同类型的行为，从感知到行动，从睡眠到清醒。然而多尺度的大脑模型构建极具挑战，一部分原因是难以同时获取多尺度和水平下的大脑信息。与此同时，研究者们已经对特定环路会对宏观脑活动产生影响有了一定的认识，但具体到一个尺度和水平下的改变如何对其它尺度和水平产生影响，对这种改变的全面表征仍然知之甚少。最近研究者们都致力于利用源于网络科学以及复杂系统理论的新框架来尝试解决上面提到的问题。这些理论贡献提供了一个强有力的框架用来分析和构建包含相互交互的系统模型，这些系统展示了各个信息层之间以及内部的相互作用。本文向读者从结构-功能、振荡频率、时间演化三个方面介绍多尺度脑组织表征的最新进展。本文综述了神经元群的高阶组织的多层网络特征，以及基于多模态网络的脑病理生物标志物的识别，如阿尔兹海默病。本次研讨会总结了多层网络理论的最新成果，包括生成式建模、可控性、机器学习，它们如何被调整用以解决现代物理学和神经科学的新问题。

　　图：三种类型的多层网络构建。（a）完整的多层网络。在没有特定限制的情况下，允许层内和层间连接。这种配置通常被用来模拟多频段脑网络。（b）多信路网络。只允许复制点之间的层间连接。层内的连接没有限制。这种配置通常用于模拟多模态大脑网络。（c）时间网络。层间连接只允许在相邻层之间，层内的连接没有限制。这种配置通常被用来建模时变的大脑网络。

　　具身智能 （Embodied intelligence，需要并利用物理身体的智能） 是软体机器人的一个著名范例，但它的数学描述以及对应的计算模型仍然难以捉摸，需要模型具有可以用于设计和控制的能力。我们认为，填补这一空白就能够在软体机器人上充分利用具身智能。文章提供了一个简明的指导，主要的数学建模方法，对应的计算建模策略，这些可以用来描述软体机器人以及它们与周围环境的交互，包括流体和固体介质。文章的目的是在模拟支撑具身智能的物理交互的背景下，阐明挑战和机遇。文章强调跨学科工作是必需的，尤其是在完全耦合的机器人-环境交互模拟的背景之下。促进这种跨学科的对话是推进软体机器人领域的必须步骤。

　　分层和并行网络是哺乳动物大脑的基本结构。在发育过程中，低阶和高阶丘脑核和视觉系统中的许多皮层区域形成区域间连接，并建立起分层的背侧和腹侧流。视觉网络环路发育的一种假说是顺序策略，其中神经连接与从低到高的分层结构一起有序形成。然而，这种顺序策略并不能很好地用于构建包含大量区域间连接的完整视觉网络效率低下。本研究表明，从小鼠视网膜到初级视觉皮层 （V1） ，或通过低阶或高阶丘脑核的背侧或腹侧高级视觉区域 （HVA） 的神经通路在皮质连接之前形成平行模块。随后，初级视觉皮层 （V1） 和高级视觉区域 （HVA） 之间的皮质间连接出现以合并这些模块。而传播初始并行模块的视网膜神经活动对于建立视网膜主体模块间连接是必要的。综上，视觉网络以模块化方式发展，涉及并行模块的初始建立及其后续连接。本研究的发现提出了一种可能，也就是从高阶丘脑核到高级视觉区域 （HVA） 的平行模块是皮层腹侧和背侧流的模板，这也表明大脑在发展一个由许多区域组成的分层网络上是非常高效的。

　　图：V1 和 HVA 之间功能相关网络的发展变化。（a）是小鼠体内宽视场成像和实验时间线的示意图，小鼠的眼睛张开发生在 P14 左右，因此选取在发育过程中的四个时间点监测整个视觉皮层的自发神经活动 。（b）表示视觉相关脑区在发育阶段的自发活动以局部点状模式发生。（c）表示在所有年龄段都观察到初级视觉皮层 (V1) 周围的高相关点。（d）表示 V1 区域的病变伴随高度相关的高级视觉区域 (HVA) 中发生变化。（e）比较确定了与成年小鼠视觉皮层中相对应的每个视觉区域结构。（f）展示了 V1 区域和七个 HVA 之间的所有功能连接，其位置是根据类视网膜结构。（g）证实了（f）中观察到的 HVA 已经分离为腹侧和背侧流现象。（h）则通过统计比较证实 HVA 之间的功能连接高于 V1 区域和 HVA 之间的，腹侧或背侧流内部的功能连接高于二者之间的功能连接。（i）补充了小鼠睁眼后，所有区域对都具有高水平的功能连接。

　　理解口语需要将模棱两可的声流转换为从音素 （phonemes） 到含义 （meaning） 的再现层次。有人认为大脑通过预测来指导如何对即将到来的输入作出反应。然而，预测在语言处理中的作用仍然存在争议，无论是在其普遍性还是具象性上。本研究中，我们试图通过分析听有声读物的听众的脑部活动来回应这两个问题，并使用深度神经网络 (GPT-2) 来更精确地量化上下文预测。首先，我们确定了大脑对语言的反应受到预测的调节。接下来，我们将基于模型的预测分解为不同维度，揭示神经层面上关于句法类别 （syntactic category） 、音素、和语义 （semantics） 的预测特征。最后，我们展示了高阶的、对于单词的预测影响了低阶的、对于音素的预测，从而支持了分层预测处理理论。总之，这些结果强调了语言处理过程中预测的普遍性，表明大脑在多个抽象层次上自发地预测即将到来的语言。

　　风险管理在全球范围内降低了对水灾和旱灾的脆弱性，但其影响仍在增加。因此，需要提高对影响变化的原因的理解，但由于缺乏经验数据而受到阻碍。根据全球45对发生在同一地区的事件的数据集，我们表明，风险管理通常会减少水灾和旱灾的影响，但在减少以前没有经历过的规模空前事件的影响方面面临困难。如果第二个事件比第一个事件危险得多，其影响几乎总是更高。这是因为管理部门的设计不是为了应对这种极端事件：例如，它们超过了堤坝和水库的设计水平。在两个成功的案例中，由于改进了风险管理治理和对综合管理的高投资，第二个更危险事件的影响较低。观察到的管理前所未有的事件的困难令人震惊，因为由于气候变化，预计会有更多的极端水文事件。

　　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。

　　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。

　　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。

　　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：

　　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：

　　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） 。

　　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）

　　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。