Nature作为神刊，从来不缺乏引领性的文章，过去5年，又有很多文章引领着科学的发展，透过他们，我们可以看到未来几年甚至十几年的研究热点。我们一起来看看他们！
深度学习引领风潮（被引27375）
从图像到文本
深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表示。这些方法极大地提高了语音识别、视觉对象识别、对象检测和许多其他领域的技术水平，如药物发现和基因组学。深度学习通过使用反向传播算法来指出机器应该如何改变其用于从前一层的表示中计算每一层表示的内部参数，从而发现大数据集中的复杂结构。深度卷积网络在处理图像、视频、语音和音频方面取得了突破性的进展，而周期性网络则在文本和语音等顺序数据方面表现出色。
https://www.nature.com/articles/nature14539
深度强化学习掌控环境（被引10394次）
卷积神经网络的示意图
强化学习理论提供了一种规范的解释，这种解释深深植根于动物行为的心理学和神经科学角度，即他们如何优化它们对环境的控制。然而，为了在接近真实世界复杂性的情况下成功地使用强化学习，主体面临着一项困难的任务:他们必须从高维感官输入中获得对环境的有效表征，并利用这些来概括过去的经验到新的情况。值得注意的是，人类和其他动物似乎是通过强化学习和分级感觉处理系统的和谐结合来解决这个问题的。大量的神经数据表明，强化学习算法与多巴胺能神经元发出的相位信号有显著的相似之处。
https://www.nature.com/articles/nature14236?wm=book_wap_0005
神经网络玩围棋（被引7698次）
AlphaGo(黑棋)在与樊麾的非正式棋局中是如何选择走法的
由于其巨大的搜索空间以及评估棋局位置和棋法的难度，围棋一直被视为人工智能最具挑战性的经典游戏。在这里，我们介绍了一种新的计算机围棋方法，它使用“价值网络”来评估棋盘位置，并使用“政策网络”来选择走法。这些深层神经网络是通过一种新的组合来训练的，这种组合包括从人类专家游戏中监督学习和从自我游戏中强化学习。在没有任何预先搜索的情况下，神经网络玩围棋的水平相当于最先进的蒙特卡洛树搜索程序，该程序模拟成千上万个自我游戏的随机游戏。我们还介绍了一种新的搜索算法，它将蒙特卡罗模拟与价值和策略网络相结合。通过这种搜索算法，我们的程序AlphaGo获得了99.8%的胜率，并以5比0击败了欧洲人类围棋冠军。这是计算机程序在全尺寸围棋比赛中首次击败人类职业棋手，此前人们认为这一壮举至少需要10年时间才能实现。
https://www.nature.com/articles/nature16961?not-changed
人类基因的变异（被引6387次）
定量测定基因和基因组中对功能变异的不耐受
人类遗传变异的大规模参考数据集对DNA序列变化的医学和功能解释至关重要。在这里，我们描述了对60,706个不同祖先的高质量外显子组(蛋白质编码区)DNA序列数据的聚集和分析，这些数据来自外显子组聚集联合体(ExAC)。这个人类遗传多样性的目录包含平均每八个外显子组碱基一个变异，并提供广泛的突变复发的存在的直接证据。我们已经使用这个目录来计算序列变异的致病性的客观指标，并确定针对不同种类突变的强选择的基因;在几乎完全耗尽预测蛋白截断变异体的情况下，确定了3,230个基因，其中72%的基因没有目前确定的人类疾病表型。最后，我们证明这些数据可以用于有效过滤候选致病变异，以及发现人类蛋白质编码基因中的“敲除”变异。
https://www.nature.com/articles/nature19057
人类基因变异的全球调查（被引6011次）
人口抽样来源
千人基因组计划通过对来自多个群体的不同个体进行全基因组测序，对常见的人类遗传变异进行了全面的描述。在此，我们报告了该项目的完成，利用低覆盖率全基因组测序、深度外显子组测序和高密度芯片基因分型相结合的方法，重建了26个群体的2505个体的基因组。我们鉴定了广泛的遗传变异，共有8800万个变异(8470万个单核苷酸多态性(SNPs)， 360万个短插入/缺失(indels)，和60000个结构变异)，所有的阶段都是高质量的单倍型。该资源包括>99%的SNP变体，对于各种祖先的频率为>1%。我们描述了遗传变异在全球样本中的分布，并讨论了常见病研究的含义。
https://www.nature.com/articles/nature15393
皮肤病的树型分类图
皮肤癌是人类最常见的恶性肿瘤，主要通过肉眼诊断，从最初的临床筛查开始，随后可能进行皮肤镜分析、活检和组织病理学检查。利用图像对皮肤损伤进行自动分类是一项具有挑战性的任务，因为皮肤损伤的外观具有细粒度的可变性。深度卷积神经网络(CNNs)显示了跨越许多细粒度对象类别的一般和高度可变任务的潜力。这里，我们演示使用单一CNN对皮肤损伤进行分类，直接从图像端到端训练，仅使用像素和疾病标签作为输入。我们使用包含2032种不同疾病的129,450幅临床图像的数据集(比之前的数据集大两个数量级)训练CNN。我们通过两个关键的二分类应用案例，在经活检证实的临床图像上与21名经董事会认证的皮肤科医生进行了性能测试:角质细胞癌与良性脂化性角化病;恶性黑素瘤和良性痣。第一个病例是鉴定最常见的癌症，第二个病例是鉴定最致命的皮肤癌。在这两个任务中，CNN的表现与所有被测试的专家不相上下，这证明了人工智能有能力分类皮肤癌，其能力水平可与皮肤科医生相媲美。配备了深度神经网络的移动设备，有可能将皮肤科医生的工作范围扩大到诊所之外。据预测，到2021年，智能手机用户将达到63亿，因此，智能手机用户有可能以低成本普及至关重要的诊断服务。
https://www.nature.com/articles/nature21056?spm=5176.100239.blogcont 100708.20.u9mVh9
钙钛矿太阳能电池的材料调控（被引4062次）
无机-有机杂化卤化物粉末照片
在众多旨在生产的低成本、高效的光伏电池许多材料和方法中，无机卤化铅钙钛矿由于其高功率转换效率有望运用于下一代太阳能设备。迄今为止，钙钛矿太阳能电池效率最高的报道主要是用甲基铵卤化铅材料获得的。在这里，我们结合了这一前景——由于其相对窄带但相对不稳定的甲胺碘化铅(FAPbI3)和甲基溴化铅(MAPbBr3)作为双层太阳能电池结构的光采集单元。我们研究了相的稳定性，钙钛矿层的形态，电流-电压特性的滞后，以及作为化学成分的整体性能。我们的结果表明，将MAPbBr3并入FAPbI3可以稳定FAPbI3的钙钛矿相，并在每平方厘米100毫瓦的标准光照下将太阳能电池的功率转换效率提高到18%以上。这些发现进一步强调了无机-有机卤化铅钙钛矿材料在光伏应用中的通用性和性能潜力。
https://www.nature.com/articles/nature14133?page=27#article-comments
神经网络自我学习打败AlphaGo（被引3668次）
AlphaGo Zero中的自我游戏强化学习
人工智能的一个长期目标是一种算法，它能在具有挑战性的领域中学习、熟练掌握超人的能力。最近，AlphaGo成为了第一个在围棋比赛中击败世界冠军的程序。AlphaGo中的树搜索使用深度神经网络来评估位置和选择走法。这些神经网络是通过从人类专家的动作中监督学习和从自我游戏中强化学习来训练的。在此，我们介绍了一个仅基于强化学习的算法，没有人类数据、指导或超越游戏规则的领域知识。AlphaGo成为了自己的老师:一个训练有素的神经网络可以预测AlphaGo自己的走法选择以及AlphaGo比赛的获胜者。该神经网络提高了树搜索的强度，提高了移动选择的质量，增强了下次迭代的自我发挥能力。从tabula rasa开始，我们的新程序AlphaGo Zero取得了超人的成绩，以100比0击败了此前公布的冠军AlphaGo。
https://www.nature.com/articles/nature24270.
对111个参考人类表观基因组的综合分析
参考人类基因组序列为研究遗传变异及其与人类疾病的关系奠定了基础，但表观基因组研究缺乏类似的参考。为了满足这一需求，NIH表观基因组学路线图联盟产生了迄今为止最大的人类原代细胞和组织表观基因组集合。在这里，我们描述了作为项目一部分产生的111个参考人类表观基因组的综合分析，对组蛋白修饰模式、DNA可达性、DNA甲基化和RNA表达进行了分析。我们建立调控元素的全球地图，定义协调活性的调控模块，以及它们可能的活化剂和阻遏物。我们表明，疾病和特征相关的遗传变异在组织特异性表观基因组标记中富集，揭示了不同人类特征的生物学相关细胞类型，并为解释人类疾病的分子基础提供了资源。我们的结果表明表观基因组信息在理解基因调控、细胞分化和人类疾病方面的中心作用。
https://www.nature.com/articles/nature14248?report=reader
基因研究为肥胖带来新解释（被引2524次）
累积方差解释和次级信号的例子
肥胖是可遗传的，容易导致许多疾病。为了更好地了解肥胖的遗传基础，我们对339,224人进行了一项全基因组关联研究和体质指数(BMI)的元芯片荟萃分析，体质指数通常用于定义肥胖和评估肥胖。该分析鉴定了97个BMI相关基因座(P < 5×10−8)，其中56个是新发现的。5个基因座表现出几个独立的关联信号，许多基因座对其他代谢表型有显著影响。97个位点约占BMI变异的2.7%，而全基因组估计数表明，常见变异占BMI变异的20%。通路分析为中枢神经系统在肥胖敏感性中的作用提供了强有力的支持，并暗示了新的基因和通路，包括那些与突触功能、谷氨酸信号传递、胰岛素分泌/作用、能量代谢、脂质生物学和脂肪形成相关的基因和通路。
https://www.nature.com/articles/nature14177?report=reader
回顾一下，以上的文章的研究领域是哪些呢？深度学习，强化理论学习，人工智能神经网络，蛋白质编码，人类基因组，人工智能在皮肤癌检测上的应用，钙钛矿太阳能电池，强化学习算法，基因组信息的应用，肥胖遗传的基因组研究。
仔细想想，这些领域也是当前研究的热点，是人类向未知进发的标志。
https://scholar.google.com.hk/citations?hl=en&vq=en&view_op=list_hcore&venue=H--JoiVp8x8J.2020
添加官方微信 进群交流
SCI二氧化碳互助群
SCI催化材料交流群
备注【姓名-机构-研究方向】
说明
🔹本文内容若存在版权问题，请联系我们及时处理。
🔹欢迎广大读者对本文进行转发宣传。
🔹《科学材料站》会不断提升自身水平，为读者分享更加优质的材料咨询，欢迎关注我们。
投稿请联系contact@scimaterials.cn
