通 信 学 报》（IEEE Transactions on Communications）★★，作者来自英国伦敦大学学院、美国罗格斯大学和英国南安普顿大学。该文使用混合模拟数字波束成形技术，提出了一种用于在毫米波频段运行的双功能雷达 - 通信基站的新型收发器架构和帧结构★，以及联合目标搜索和通信信道估计的新方案。在综述性文章中★★★，被引频次最高 的 文 章（206 次）于 2022 年发表于《IEEE 通信选定领域期刊》（IEEE Journal on Selected Areas in Communications）★，作者来自南方科技大学★★★、北京邮电大学★★★、英国伦敦大学学院、香港中文大学★★★、华为公司、以色列魏茨曼科学研究所、意大利卡西诺和南拉齐奥大学等。文章全面回顾了 ISAC 的背景、主要应用范围和最新方法★★。

　　信息科学领域位居前十位的热点前沿主要集中于下一代通信与网络、人工智能理论与应用、人工智能硬件创新设计等方向。下一代通信与网络方面的热点前沿有 4 个★★★，通信感知一体化研究成为新的热点前沿，可重构智能表面相关前沿多次出现在热点前沿中，此次的重点是 6G 等无线通信系统中的关键技术挑战。热点前沿无线网络中的高能效联邦学习、UAV 在未来无线网络和边缘计算中的应用及其优化设计的主题不断持续深化。人工智能理论与应用方面的热点前沿有 4 个★★★，其中 , 机器学习辅助蛋白质定向进化、基于深度学习的人员重识别研究 2 个主题首次成为热点前沿★★★，可解释人工智能的理论基础与应用在去年可解释人工智能前沿的基础上进行了更深入的探索。类脑计算硬件创新设计方面的热点前沿有 2 个★★★，利用忆阻器实现高效的神经网络硬件加速首次成为热点前沿，神经形态计算的硬件设计、算法创新与应用延续了去年脉冲神经网络及其神经形态芯片热点前沿主题。

　　该热点前沿共有 12 篇核心论文，研究性论文和综述性文章各占一半★。研究性论文主要探讨了双功能雷达通信基站的收发器架构★★、多输入多输出（MIMO）波束成形设计、 以 及 基 于 IEEE 802.11ad 雷 达的联合车载通信雷达系统等。综述性文章主要探讨 ISAC 的应用场景、基本局限性，通信与传感之间的性能权衡，信号模型★、波形设计和信号处理技术的最新进展★★★，以及实现感知移动网络的方法和挑战等。在 12 篇核心论文中★，被引频次最高的是一篇研究性论文（322次）于 2020 年发表在《IEEE

　　核心论文 Top 产出国家和机构中★★，中国核心论文数最多，贡献了 9 篇论文；英国和美国分列二、三位。英国伦敦大学学院在核心论文 Top 机构中表现突出，名列第一。中国的南方科技大学贡献了4 篇论文★★，名列第二★★★。以色列的魏茨曼科学研究所★、美国罗格斯大学和中国的北京邮电大学并列第三。由此可见，与其他国家相比★★★，中国、英国、美国和以色列对通信传感一体化技术研究更为关注★★。

　　“机器学习辅助蛋白质定向进化”研究前沿中核心论文的被引频次分布曲线 篇核心论文中★★★，美国贡献了 14 篇，反映了其在此研究方向上的主导和领先地位★★，德国贡献了 3 篇，瑞士★、中国、韩国、瑞典等国家分别贡献了 1 篇★★。在核心论文产出机构方面，美国的机构表现突出★，哈佛大学贡献了 7 篇核心论文★，麻省理工学院贡献了 4 篇，加州大学伯克利分校、谷歌公司、慕尼黑工业大学、加州大学旧金山分校等机构分别贡献了 2 篇。

　　在该领域 10 个前沿中，中国在 5 个前沿的研究前沿热度指数排名第一★，在 4 个前沿排名第二名★★★，在热点前沿 1 排名第三★。

　　unsupervised learning to 250 million protein sequences★”一文被引频次最高，达 456 次★。该文将无监督学习应用于 2.5 亿个蛋白序列★，成功学习到了蛋白质的生物化学特性和结构信息，证明了无监督学习在生物学领域的巨大应用潜力★★★，为蛋白质工程研究提供了新的视角和方法★★★。

　　报告旨在把握世界科技发展大势★★，前瞻分析未来可能影响世界发展格局的重大前沿科学突破，服务国家科技创新事业发展。

　　2024年11月27日，中国科学院与科睿唯安联合发布《2024研究前沿》报告，以文献计量学中的共被引分析方法为基础★，基于科睿唯安ESI数据库中的13,318个研究前沿★★★，遴选出了2024年自然科学和社会科学的11大学科领域排名最前的110个热点前沿和15个新兴前沿★。

　　本热点前沿包含19 篇核心论文，主要探讨了机器学习技术在蛋白质工程关键领域的应用，涵盖了一系列新颖的方法和模型等，如采用深度学习架构，对蛋白质的三维结构和动态行为进行精确建模；利用机器学习模型预测蛋白质在不同环境条件下的稳定性和活性，促进新蛋白质功能的发现；利用机器学习算法对蛋白质序列进行高效设计等★★。Facebook 人工智能研究院的 Alexander Rives 等人发表在《美国国家科学院院刊》（PNAS）上的“Biological structure and function emerge from scaling

　　在施引论文的 Top 产出国家和机构中，中国遥遥领先于其他国家，表明中国在此研究方向上持续保持热情。美国和英国在施引论文体量上形成第二梯队★★★。在施引论文机构层面★★，中国机构占据Top10 机构的 8 个席位★★，且均为知名高校和科研机构，可见我国机构对此研究方向的重视。北京邮电大学贡献了 74 篇论文，名列第一，电子科技大学和南方科技大学紧随其后★★★。悉尼科技大学和伦敦大学学院在核心论文和施引论文中均有所表现，在此方向有持续的产出。

　　机器学习辅助蛋白质定向进化是近年来生物技术和计算科学交叉领域的热点研究方向，利用机器学习算法的强大数据处理和预测能力，优化和加速蛋白质定向进化的过程，旨在更加高效地探索蛋白质序列的突变空间★★★，并设计出具有优良特性的蛋白质。机器学习辅助蛋白质定向进化通过计算机模型模拟实验筛选过程，可以显著减少实验筛选负担★，提高筛选效率，为蛋白质工程提供新的思路和方法。

　　随着下一代无线通信系统的发展★★，智慧城市、智能制造、远程医疗等多种新兴应用将成为现实。这些应用有一个共同特点，就是同时需要高质量的无线通信能力和稳健且高精度的感知能力。而无线频谱资源的日益紧张、越来越多的雷达频段受到干扰等问题，都促使无线通信和传感系统向着更高的频段、更大的天线阵列和小型化发展，从而在硬件架构★★、信道特性和信号处理方面变得越来越相似★★★。这为利用无线基础设施实现传感提供了机会。通信感知一体化（ISAC）被广泛认为是 6G 通信网络的关键使能技术，将使未来网络超越传统通信，提供无处不在的传感服务来对周围环境进行测量甚至成像。该技术能够在通信与感知之间共享频谱和硬件平台，从而提升系统的频谱效率、能量效率和硬件效率，甚至可以通过通感两种功能的互相辅助★、互相增益来提升彼此的性能。ISAC 在基础理论、信号处理和网络方面仍存在相当多的技术挑战，如最佳波形设计和带宽要求、最佳系统架构以及通信和感知数据融合等，因此也受到学术界和工业界的关注★★★。

　　对施引论文的分析显示，施引论文产出最多的为美国，参与了 705 篇，占比达总量的40★.2%，显示了美国对该方向的持续关注★★。其次是中国，参与了 432篇施引文献，之后是英国、德国、瑞士★、法国等国家。从施引机构上看，哈佛大学最为活跃，排名第一，中国科学院★★、麻省理工学院紧随其后。

　　机器学习辅助蛋白质定向进化的关键技术方法包括深度神经网络模型★★★、迁移学习、多任务学习等。尽管机器学习辅助蛋白质定向进化具有巨大的应用潜力★，但在实际应用中仍面临一些挑战★★，如数据质量参差不齐★、模型复杂度较高、计算资源需求大等★。未来，随着计算能力的不断提升和算法的不断优化，机器学习辅助蛋白质定向进化技术将更加成熟和完善，为蛋白质工程提供更加高效★★、精准的解决方案。