摘要：最近，《自然》杂志发布专题报告，回顾了科学文献数据库中被引用最多的科研论文。根据Web of Science、Dimensions和Scopus等多个数据库提供的数据，他们发现人工智能、提升研究质量的科研软件和方法、癌症统计数据等主题的论文占据21世纪热门论文
图源：GPT 4o
本文来源：神经现实
作者：NR
导读
人工智能、研究软件与方法、癌症与健康相关研究，占据21世纪被引次数最高论文榜单。
● ● ●
最近，《自然》杂志发布专题报告，回顾了科学文献数据库中被引用最多的科研论文。根据Web of Science、Dimensions和Scopus等多个数据库提供的数据，他们发现人工智能、提升研究质量的科研软件和方法、癌症统计数据等主题的论文占据21世纪热门论文榜单[1]。而1951年发表于《生物化学杂志》的一篇描述蛋白质测定方法的论文[2]，继续稳坐迄今为止被引次数最多论文榜首。
早在2014年，《自然》杂志就已统计过史上被引次数最多的100篇论文[3]，他们发现最知名的一些研究并未入选，例如发现高温超导体和DNA双螺旋结构解析等获得诺奖的研究。相反，上榜论文多是生物医学和统计学领域中实用性极强的技术方法，例如Lowry蛋白质测定法、Sanger测序法和PCR等。此外，像BLAST和Clustal这样的生物信息学工具、用于绘制进化树的邻接法、以及Kaplan–Meier和Cox模型等统计方法也位列其中。榜单还显示，计算机的发展推动了这些方法的普及，而工具类软件、数据库和统计模型往往能获得远超基础科学突破的引用量。
而在当前《自然》杂志更新的榜单中，排名有一半已经发生了变化，21世纪已有16篇论文跻身历史前50名。值得一提的是，微软研究人员在2015年人工智能会议上提交的一篇论文《用于图像识别的深度残差学习》[4]，迅速攀升至历史百大榜单第5名（WoS、Dimensions和Scopus数据库排名中位数分析）。
进一步的分析发现，这篇论文已经成为21世纪以来被引用次数最多的论文。该论文的作者提出了深度残差学习（ResNet）架构，突破性地解决了深层神经网络训练中的信号衰减问题，使网络层数达到前所未有的深度，并在2015年赢得图像识别竞赛。ResNet不仅成为深度学习发展的重要里程碑，也为后续的AI突破——如AlphaGo、AlphaFold和ChatGPT等技术的出现奠定了基础。
不过，不同数据库对这篇论文的引用统计存在差异。谷歌学术将其列为第二高被引论文，引用次数达25.4万，而Web of Science则将其排在第三，引用略超10万。尽管排名不一，在五个主流数据库中，它的中位排名居首。然而，引用次数本身存在诸多不公平因素，例如发表时间较早、所处领域热门等都会带来积累优势。尽管《自然》曾尝试通过计量学方法调整这些影响，但由于入选文章本就引用极高，整体榜单变化不大，仅有部分疫情相关新论文有所上升。
除此之外，人工智能、研究软件与方法、癌症与健康相关研究也进入21世纪被引次数最高论文榜单[5]。AI领域凭借跨学科适用性和迅猛发展势头，多篇关键论文高居榜单，包括2012年开启深度学习热潮的AlexNet、推动大语言模型发展的Transformer架构“Attention is all you need”，以及广泛应用于图像处理的U-Net网络等。开源特性和预印本文化也促进了这些论文的广泛传播。
研究软件方面，定量PCR、RNA测序分析工具DESeq2、结晶分析程序SHELX等被广泛引用。健康类论文中，GLOBOCAN癌症统计报告、癌症标志综述以及DSM-5精神障碍分类指南影响深远。此外，主题分析方法、PRISMA系统综述报告指南、I²统计量等研究质量提升工具也跻身前列，scikit-learn、lme4、G*Power等统计与编程软件的引用量也极高。
总的来看，许多论文因其快速发展趋势在引用上展现出天然优势，还有一些论文更是借助工具性、方法指南或综述性获得超高引用。然而，一个值得深思的问题也浮上水面：为什么原创性的基础研究逐渐淹没在高被引论文中？显而易见的是，引用次数已经不再能够完全评估科研质量及其影响力，或许我们是时候引入新的评价体系了。
21世纪十大高被引论文
01
Deep residual learning for image recognition
用于图像识别的深度残差学习
He, K., Zhang, X., Ren, S., & Sun, J.
发表日期：2016
引用次数：103,756–254,074
这篇论文提出了残差学习框架（ResNet），成功解决了深层神经网络训练困难的问题。通过引入“残差连接”，网络可以更高效地学习相对于输入的变化，使得深度高达152层的模型依然易于优化，并显著提升了图像识别准确率。这一突破奠定了深度学习在计算机视觉领域的关键基础。
02
Analysis of relative gene expression data using real-time quantitative PCR and the 2-ΔΔCT Method
使用实时定量PCR及2-ΔΔCT方法分析相对基因表达数据
Livak, K. J., & Schmittgen, T. D.
发表日期：2001
引用次数：149,953–185,480
实时定量PCR数据常用的两种分析方法是绝对定量和相对定量，其中2-ΔΔCT方法是一种简便实用的相对定量工具。这篇论文介绍了该方法的原理、假设与应用，并补充了两种有助于分析的衍生变体。
03
Using thematic analysis in psychology
在心理学中使用主题分析法
Braun, V., & Clarke, V.
发表日期：2006
引用次数：100,327–230,391
这篇论文系统阐述了主题分析在心理学中的应用，强调其作为一种灵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关注和规范使用主题分析，认为它在心理学及其他领域的定性研究中具有广泛价值。
04
Diagnostic and Statistical Manual of Mental Disorders,
DSM-5
《精神障碍诊断与统计手册》第五版（DSM-5）
American Psychiatric Association
发表日期：2013
引用次数：98,312–367,800
《精神障碍诊断与统计手册》第五版（DSM-5）是当前全球最广泛使用的精神疾病诊断标准之一。它是对第四版（DSM-IV）及其修订版的全面更新，旨在反映过去十余年中精神病学、心理学、神经科学等领域的最新研究成果。
05
A short history of SHELX
SHELX简史
Sheldrick, G. M.
发表日期：2007
引用次数：76,523–99,470
这篇论文总结了SHELX晶体结构解析软件的发展历程，回顾了其从1976年版本到现代的演进。SHELX系列尽管起源于旧式计算环境，但凭借稳定性、实用性和不断改进，至今仍被广泛应用。
06
Random forests
随机森林
Breiman, L.
发表日期：2001
引用次数：31,809–146,508
这篇论文介绍了随机森林算法的原理与优势。随机森林通过构建多个相互独立、基于随机特征选择的决策树组成分类器，其泛化误差会随着树数量的增加而趋于稳定。该方法在误差率上优于Adaboost，具有更强的抗噪性，并能利用内部估计评估模型性能与变量重要性，广泛适用于分类与回归任务。
07
Attention is all you need
注意力机制即一切
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I.
发表日期：2017
引用次数：56,201–150,832
这篇论文提出了一种全新的神经网络架构——Transformer，完全基于注意力机制，摒弃了以往依赖循环（RNN）或卷积（CNN）结构的复杂模型。Transformer结构简单、并行性强，训练效率显著提高。这一成果标志着注意力机制在序列建模中的巨大潜力。
08
ImageNet classification with deep convolutional neural networks
使用深度卷积神经网络进行ImageNet图像分类
Krizhevsky, A., Sutskever, I., & Hinton, G. E.
发表日期：2012/2017
引用次数：46,860–137,997
这篇论文介绍了深度卷积神经架构AlexNet网络在ImageNet图像分类任务中的应用。为了提高训练效率，作者采用了非饱和激活函数和GPU加速的卷积操作，并通过“dropout”技术有效减少过拟合。在ILSVRC 2012竞赛中，该模型变体以15.3%的Top-5错误率夺得第一名。这项工作开创了深度学习在图像识别领域的新时代。
09
Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries
全球癌症统计2020：GLOBOCAN对185个国家36种癌症发病率和死亡率的估算
Sung, H., Ferlay, J., Siegel, R. L., Laversanne, M., Soerjomataram, I., Jemal, A., & Bray, F.
发表日期：2020
引用次数：75,634–99,390
这篇文章基于国际癌症研究机构（IARC）发布的 “GLOBOCAN 2020”数据，更新了全球癌症负担的最新情况。2020年，全球预计新增癌症病例达1930万例，死亡病例近1000万例。女性乳腺癌首次超过肺癌，成为全球最常见癌症，其次为肺癌、结直肠癌、前列腺癌和胃癌；而肺癌仍是癌症死亡的首要原因。预计到2040年，全球癌症新发病例将增至2,840万例，较2020年增长47%。
10
Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries
全球癌症统计2018：GLOBOCAN对185个国家36种癌症发病率与死亡率的估算
Bray, F., Ferlay, J., Soerjomataram, I., Siegel, R. L., Torre, L. A., & Jemal, A.
发表日期：2018
引用次数：66,844–93,433
这篇文章基于“GLOBOCAN 2018”数据，评估了全球癌症负担，并重点分析了全球20个地区的地理差异。2018年全球预计将有1810万新发癌症病例和960万癌症死亡，肺癌在发病率和死亡率中均居首位，但不同国家和地区最常见及致死率最高的癌症类型差异显著，受经济发展水平和生活方式影响明显。
其他高被引论文
11
Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA statement
系统综述与荟萃分析的首选报告项目：PRISMA声明
12
U-Net: Convolutional Networks for Biomedical Image Segmentation
U-Net：用于生物医学图像分割的卷积神经网络
13
Electric Field Effect in Atomically Thin Carbon Films
原子级薄碳膜中的电场效应
14
Fitting Linear Mixed-Effects Models Using lme4
使用lme4拟合线性混合效应模型
15
Scikit-learn: Machine learning in Python
Scikit-learn：Python中的机器学习工具
16
Deep learning
深度学习
17
Common Method Biases in Behavioral Research: A Critical Review of the Literature and Recommended Remedies
行为研究中的常见方法偏差：文献批判性回顾与推荐补救措施
18
Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2
使用DESeq2对RNA测序数据的倍数变化和离散度进行调和估计
19
Hallmarks of Cancer: The Next Generation
癌症的标志：下一代
20
Measuring inconsistency in meta-analyses
荟萃分析中不一致性的测量
21
NIH Image to ImageJ: 25 years of image analysis
从NIH Image到ImageJ：25年的图像分析之路
22
Fiji: an open-source platform for biological-image analysis
Fiji：用于生物图像分析的开源平台
23
The PRISMA 2020 statement: an updated guideline for reporting systematic reviews
PRISMA 2020声明：系统综述报告最新指南
24
ImageNet: A Large-Scale Hierarchical Image Database
ImageNet：一个大规模分层图像数据库
25
G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences
G*Power 3：面向社会科学、行为科学与生物医学科学的灵活统计功效分析程序
参考文献
[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
来源：人工智能学家