最近，《自然》雜志發布專題報告，回顧了科學文獻數據庫中被引用最多的科研論文。根據Web of Science、Dimensions和Scopus等多個數據庫提供的數據，他們發現人工智能、提升研究質量的科研軟件和方法、癌癥統計數據等主題的論文占據21世紀熱門論文榜單[1]。而1951年發表于《生物化學雜志》的一篇描述蛋白質測定方法的論文[2]，繼續穩坐迄今為止被引次數最多論文榜首。

早在2014年，《自然》雜志就已統計過史上被引次數最多的100篇論文[3]，他們發現最知名的一些研究并未入選，例如發現高溫超導體和DNA雙螺旋結構解析等獲得諾獎的研究。相反，上榜論文多是生物醫學和統計學領域中實用性極強的技術方法，例如Lowry蛋白質測定法、Sanger測序法和PCR等。此外，像BLAST和Clustal這樣的生物信息學工具、用于繪制進化樹的鄰接法、以及Kaplan–Meier和Cox模型等統計方法也位列其中。榜單還顯示，計算機的發展推動了這些方法的普及，而工具類軟件、數據庫和統計模型往往能獲得遠超基礎科學突破的引用量。

而在當前《自然》雜志更新的榜單中，排名有一半已經發生了變化，21世紀已有16篇論文躋身歷史前50名。值得一提的是，微軟研究人員在2015年人工智能會議上提交的一篇論文《用于圖像識別的深度殘差學習》[4]，迅速攀升至歷史百大榜單第5名（WoS、Dimensions和Scopus數據庫排名中位數分析）。

進一步的分析發現，這篇論文已經成為21世紀以來被引用次數最多的論文。該論文的作者提出了深度殘差學習（ResNet）架構，突破性地解決了深層神經網絡訓練中的信號衰減問題，使網絡層數達到前所未有的深度，并在2015年贏得圖像識別競賽。ResNet不僅成為深度學習發展的重要里程碑，也為后續的AI突破——如AlphaGo、AlphaFold和ChatGPT等技術的出現奠定了基礎。

不過，不同數據庫對這篇論文的引用統計存在差異。谷歌學術將其列為第二高被引論文，引用次數達25.4萬，而Web of Science則將其排在第三，引用略超10萬。盡管排名不一，在五個主流數據庫中，它的中位排名居首。然而，引用次數本身存在諸多不公平因素，例如發表時間較早、所處領域熱門等都會帶來積累優勢。盡管《自然》曾嘗試通過計量學方法調整這些影響，但由于入選文章本就引用極高，整體榜單變化不大，僅有部分疫情相關新論文有所上升。

除此之外，人工智能、研究軟件與方法、癌癥與健康相關研究也進入21世紀被引次數最高論文榜單[5]。AI領域憑借跨學科適用性和迅猛發展勢頭，多篇關鍵論文高居榜單，包括2012年開啟深度學習熱潮的AlexNet、推動大語言模型發展的Transformer架構“Attention is all you need”，以及廣泛應用于圖像處理的U-Net網絡等。開源特性和預印本文化也促進了這些論文的廣泛傳播。

研究軟件方面，定量PCR、RNA測序分析工具DESeq2、結晶分析程序SHELX等被廣泛引用。健康類論文中，GLOBOCAN癌癥統計報告、癌癥標志物綜述以及DSM-5精神障礙分類指南影響深遠。此外，主題分析方法、PRISMA系統綜述報告指南、I2統計量等研究質量提升工具也躋身前列，scikit-learn、lme4、G*Power等統計與編程軟件的引用量也極高。

總的來看，許多論文因其快速發展趨勢在引用上展現出天然優勢，還有一些論文更是借助工具性、方法指南或綜述性獲得超高引用。然而，一個值得深思的問題也浮上水面：為什么原創性的基礎研究逐漸淹沒在高被引論文中？顯而易見的是，引用次數已經不再能夠完全評估科研質量及其影響力，或許我們是時候引入新的評價體系了。

21世紀十大高被引論文

01

Deep residual learning for image recognition

用于圖像識別的深度殘差學習

He, K., Zhang, X., Ren, S., & Sun, J.

發表日期：2016

引用次數：103,756–254,074

這篇論文提出了殘差學習框架（ResNet），成功解決了深層神經網絡訓練困難的問題。通過引入“殘差連接”，網絡可以更高效地學習相對于輸入的變化，使得深度高達152層的模型依然易于優化，并顯著提升了圖像識別準確率。這一突破奠定了深度學習在計算機視覺領域的關鍵基礎。

02

Analysis of relative gene expression data using real-time quantitative PCR and the 2-ΔΔCT Method

使用實時定量PCR及2-ΔΔCT方法分析相對基因表達數據

Livak, K. J., & Schmittgen, T. D.

發表日期：2001

引用次數：149,953–185,480

實時定量PCR數據常用的兩種分析方法是絕對定量和相對定量，其中2-ΔΔCT方法是一種簡便實用的相對定量工具。這篇論文介紹了該方法的原理、假設與應用，并補充了兩種有助于分析的衍生變體。

03

Using thematic analysis in psychology

在心理學中使用主題分析法

Braun, V., & Clarke, V.

發表日期：2006

引用次數：100,327–230,391

這篇論文系統闡述了主題分析在心理學中的應用，強調其作為一種靈活且易于上手的定性研究方法的重要性。文章呼吁研究者更多關注和規范使用主題分析，認為它在心理學及其他領域的定性研究中具有廣泛價值。

04

Diagnostic and Statistical Manual of Mental Disorders,

DSM-5

《精神障礙診斷與統計手冊》第五版（DSM-5）

American Psychiatric Association

發表日期：2013

引用次數：98,312–367,800

《精神障礙診斷與統計手冊》第五版（DSM-5）是當前全球最廣泛使用的精神疾病診斷標準之一。它是對第四版（DSM-IV）及其修訂版的全面更新，旨在反映過去十余年中精神病學、心理學、神經科學等領域的最新研究成果。

05

A short history of SHELX

SHELX簡史

Sheldrick, G. M.

發表日期：2007

引用次數：76,523–99,470

這篇論文總結了SHELX晶體結構解析軟件的發展歷程，回顧了其從1976年版本到現代的演進。SHELX系列盡管起源于舊式計算環境，但憑借穩定性、實用性和不斷改進，至今仍被廣泛應用。

06

Random forests

隨機森林

Breiman, L.

發表日期：2001

引用次數：31,809–146,508

這篇論文介紹了隨機森林算法的原理與優勢。隨機森林通過構建多個相互獨立、基于隨機特征選擇的決策樹組成分類器，其泛化誤差會隨著樹數量的增加而趨于穩定。該方法在誤差率上優于Adaboost，具有更強的抗噪性，并能利用內部估計評估模型性能與變量重要性，廣泛適用于分類與回歸任務。

07

Attention is all you need

注意力機制即一切

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I.

發表日期：2017

引用次數：56,201–150,832

這篇論文提出了一種全新的神經網絡架構——Transformer，完全基于注意力機制，摒棄了以往依賴循環（RNN）或卷積（CNN）結構的復雜模型。Transformer結構簡單、并行性強，訓練效率顯著提高。這一成果標志著注意力機制在序列建模中的巨大潛力。

08

ImageNet classification with deep convolutional neural networks

使用深度卷積神經網絡進行ImageNet圖像分類

Krizhevsky, A., Sutskever, I., & Hinton, G. E.

發表日期：2012/2017

引用次數：46,860–137,997

這篇論文介紹了深度卷積神經架構AlexNet網絡在ImageNet圖像分類任務中的應用。為了提高訓練效率，作者采用了非飽和激活函數和GPU加速的卷積操作，并通過“dropout”技術有效減少過擬合。在ILSVRC 2012競賽中，該模型變體以15.3%的Top-5錯誤率奪得第一名。這項工作開創了深度學習在圖像識別領域的新時代。

09

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

全球癌癥統計2020：GLOBOCAN對185個國家36種癌癥發病率和死亡率的估算

Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F.

發表日期：2020

引用次數：75,634–99,390

這篇文章基于國際癌癥研究機構（IARC）發布的 “GLOBOCAN 2020”數據，更新了全球癌癥負擔的最新情況。2020年，全球預計新增癌癥病例達1930萬例，死亡病例近1000萬例。女性乳腺癌首次超過肺癌，成為全球最常見癌癥，其次為肺癌、結直腸癌、前列腺癌和胃癌；而肺癌仍是癌癥死亡的首要原因。預計到2040年，全球癌癥新發病例將增至2,840萬例，較2020年增長47%。

10

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

2018年全球癌癥統計：GLOBOCAN對185個國家36種癌癥發病率與死亡率的估算

Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A.

發表日期：2018

引用次數：66,844–93,433

這篇文章基于“GLOBOCAN 2018”數據，評估了全球癌癥負擔，并重點分析了全球20個地區的地理差異。2018年全球預計將有1810萬新發癌癥病例和960萬癌癥死亡，肺癌在發病率和死亡率中均居首位，但不同國家和地區最常見及致死率最高的癌癥類型差異顯著，受經濟發展水平和生活方式影響明顯。

其他高被引論文

11

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

系統綜述與薈萃分析的首選報告項目：PRISMA聲明

12

U-Net: Convolutional Networks for Biomedical Image Segmentation

U-Net：用于生物醫學圖像分割的卷積神經網絡

13

Electric Field Effect in Atomically Thin Carbon Films

原子級薄碳膜中的電場效應

14

Fitting Linear Mixed-Effects Models Using lme4

使用lme4擬合線性混合效應模型

15

Scikit-learn: Machine learning in Python

Scikit-learn：Python中的機器學習工具

16

Deep learning

深度學習

17

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

行為研究中的常見方法偏差：文獻批判性回顧與推薦補救措施

18

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

使用DESeq2對RNA測序數據的倍數變化和離散度進行調和估計

19

Hallmarks of Cancer: The Next Generation

癌癥標志物：下一代

20

Measuring inconsistency in meta-analyses

薈萃分析中不一致性的測量

21

NIH Image to ImageJ: 25 years of image analysis

從NIH Image到ImageJ：25年的圖像分析之路

22

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

Fiji：用于生物圖像分析的開源平臺

23

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

PRISMA 2020聲明：系統綜述報告最新指南

24

ImageNet: A Large-Scale Hierarchical Image Database

ImageNet：一個大規模分層圖像數據庫

25

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

G*Power 3：面向社會科學、行為科學與生物醫學科學的靈活統計功效分析程序

參考文獻

[1] https://www.nature.com/articles/d41586-025-01124-w

[2] https://www.jbc.org/article/S0021-9258(19)52451-6/pdf

[3] https://www.nature.com/news/the-top-100-papers-1.16224

[4] https://arxiv.org/abs/1512.03385

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

編譯&整理：神經現實

封面：GPT 4o