Nature獨家重磅！21世紀被引用最多的論文

21世紀已經悄然走過了1/4，而這前25年對于科研人來說是難忘的，比如首個mRNA疫苗、基于CRISPR的基因編輯技術、希格斯玻色子的發(fā)現，以及首次探測到引力波。然而，這些里程碑式成果并未出現在2000年以來被引用最多的學術論文中。

《Nature》新聞團隊分析了本世紀被引用次數最多的25篇論文，發(fā)現多數高被引論文聚焦于人工智能（AI）、科研方法、系統(tǒng)綜述、癌癥統(tǒng)計及科研軟件等領域。其中，一篇2004年關于石墨烯的論文也入榜，該研究為作者贏得了2010年諾貝爾物理學獎。

由于各大數據庫覆蓋文獻范圍不同，引用數據差異明顯。《Nature》綜合五大數據庫的中位排名，評出微軟研究團隊2016年發(fā)表的ResNet論文為21世紀引用排名第一。

ResNet是一種深度殘差神經網絡，突破性地實現了150層的訓練深度，解決了信號衰減問題，是深度學習技術飛躍的關鍵。

不過，論文引用量的比較存在不公平之處。例如，微軟的論文已有十年時間積累引用，且計算機科學本身就是高產領域。《Nature》委托計量學專家進行調整分析，但因入選論文引用量本就極高，結果變化不大。接下來，《Nature》將重點介紹幾篇在21世紀脫穎而出的“引用巨作”。

表1. 21世紀被引用次數最多的論文排名

排名

引文

1

Deep residual learning for image recognition (2016, preprint 2015)

2

Analysis of relative gene expression data using real-time quantitative PCR and the 2–ΔΔCT method (2001)

3

Using thematic analysis in psychology (2006)

4

Diagnostic and Statistical Manual of Mental Disorders, DSM-5 (2013)

5

A short history of SHELX (2007)

6

Random forests (2001)

7

Attention is all you need (2017)

8

ImageNet classification with deep convolutional neural networks (2017)

9

Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries (2020)

10

Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries (2016)

11

Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement

12

U-Net: Convolutional Networks for Biomedical Image Segmentation

13

Electric Field Effect in Atomically Thin Carbon Films

14

Fitting Linear Mixed-Effects Models Using lme4

15

Scikit-learn: Machine learning in Python

16

Deep learning

17

Common Method Biases in Behavioral Research: A Critical Review of the Literature and Recommended Remedies

18

Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2

19

Hallmarks of Cancer: The Next Generation

20

Measuring inconsistency in meta-analyses

21

NIH Image to ImageJ: 25 years of image analysis

22

Fiji: an open-source platform for biological-image analysis

23

The PRISMA 2020 statement: an updated guideline for reporting systematic reviews

24

ImageNet: A Large-Scale Hierarchical Image Database

25

G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences

人工智能的崛起

多倫多大學的Geoff Hinton指出，AI論文因覆蓋領域廣、發(fā)展迅速、論文量大而更易獲得高引用。他與人合作的2012年AlexNet論文被認為開啟了深度學習時代，現為本世紀第8高被引論文；其綜述論文排名第16，ImageNet數據集論文排第24。

隨后，基于AlexNet結構進行改進的的U-Net論文位列第12，廣泛用于圖像生成。緊隨其后的是微軟的ResNet論文居首，而谷歌2017年提出的Transformer架構（“Attention is all you need”）排第7，是ChatGPT等語言模型的基礎。

AI領域高引用還因開源共享普遍。排名第6的《隨機森林》論文因算法簡單、高效、免費而流行。然而，許多AI論文先以預印本形式發(fā)布，引用統(tǒng)計存在低估問題。OpenAlex和谷歌學術嘗試整合不同版本的引用，推動更準確統(tǒng)計。

科研軟件

本世紀被引用次數第二多的論文并非偶然，它就是為“提供可引用來源”而寫。論文由Schmittgen撰寫，為解決無法引用用戶手冊的問題而發(fā)表，提供了qPCR數據分析的標準公式，已被引用超16.2萬次，用于計算基因表達變化。

除此之外，排名第18的DESeq2論文則基于RNA測序數據分析基因表達。第5名的SHELX軟件由英國化學家Sheldrick開發(fā)，用于解析分子晶體結構，其2008年發(fā)表的一篇綜述已被引用7–9萬次。

癌癥與健康研究

三篇高被引論文常見于癌癥研究論文的引言部分：

排名第9和第10的是GLOBOCAN項目在2018年和2020年發(fā)布的全球癌癥統(tǒng)計報告，由世衛(wèi)組織支持，廣泛用于癌癥發(fā)病率和死亡率數據引用。排名第19的是一篇綜述文章，提出了“癌癥標志特征”這一概念，簡化了癌癥復雜性，對該領域影響深遠。

此外，排名第4的是《精神疾病診斷與統(tǒng)計手冊》第五版（DSM-5），2013年出版，被廣泛用于精神疾病的分類與診斷，是唯一上榜的圖書。

提高研究質量

心理學家Virginia Braun和Victoria Clarke的2006年論文介紹了“主題分析方法”：這是一種定性研究方法，用于探索從一系列數據（如訪談）中提取出能解答問題的模式。并通過簡明的標準幫助學生理解和應用這一方法，進而導致該文成為高被引論文之一。

另一篇旨在提高研究質量的高被引論文發(fā)表于2003年，論文揭示了心理學和管理學等領域中行為研究的常見方法偏差，推動了這些領域研究質量的提升。

綜述的興起

21世紀的高被引論文中，一個顯著趨勢是系統(tǒng)綜述和薈萃分析的增加。系統(tǒng)綜述通過綜合所有能回答問題的嚴格研究來得出結論，通常還包括薈萃分析，這是一種結合數值結果的統(tǒng)計技術。加拿大渥太華醫(yī)院的David Moher等人發(fā)現，許多系統(tǒng)評價的報告質量較差，缺少重要細節(jié)，如治療對象特征和藥物劑量。為此，2009年他們發(fā)布了PRISMA聲明，提供了27項報告要求，迅速成為標準，且目前排名第11位。PRISMA的引用量難以統(tǒng)計，但如果合并所有版本，可能會排名第一。

統(tǒng)計/編程軟件

最后一類高被引論文涉及統(tǒng)計或編程軟件。例如，關于scikit-learn的論文獲得了超過50,000次引用，排名第15位，描述了一個為Python用戶提供機器學習函數的開源庫。另一篇關于lme4軟件包的論文，介紹了使用R語言分析特定統(tǒng)計模型的方法，排名稍高。還有一篇關于G*Power軟件的論文，為生物學家提供計算實驗樣本量的軟件。

然而，R編程軟件本身未出現在這些列表上，盡管它在OpenAlex中被引用超過300,000次。這是因為R的開發(fā)者推薦引用其網站而未發(fā)布研究論文。Max Planck研究所的科學計量學家Robin Haunschild表示：“第一課是：如果你寫了一個有影響力的程序，就要寫一篇關于它的論文。”

https://www.nature.com/articles/d41586-025-01125-9

主編微信

注：添加微信請備注昵稱+單位+研究

生命科學綜合交流QQ群:681341860