從 Fortran 到 arXiv.org，計算機程序和平臺的進步，令生物學、氣候科學與物理學突飛猛進。
插圖: Paweł Jońca
本文轉載自公眾號「NaturePortfolio”
原文作者：Jeffrey M. Perkel
在 2019 年，事件視界望遠鏡向世界首次揭開了黑洞的神秘面紗。但我們看到的那個發光環形黑洞圖像並不是直接拍攝得到的，而是利用來自於美國、墨西哥、智利、西班牙和南極的射電望遠鏡所捕獲的資料，通過複雜的數學變換和計算處理而得到的[1]。在發佈結果的同時，該團隊也公開了實現這一突破性成就的程式碼，使得科學界詳細理解其實現過程，並以此為基礎更深入地研究。
從天文學到動物學，這樣的研究模式在各個學科中越來越趨於普遍：在現代每一項重大科學發現的背後，總有計算機的身影。加州史丹佛大學的計算生物學家 Michael Levitt 由於在化學結構建模的計算策略方面做出的傑出貢獻而分享了 2013 年的諾貝爾化學獎，他提及自己在 1967 年剛開始這項工作時，實驗室電腦的記憶體和計算性能只有不到現在膝上型電腦的萬分之一。他說：「雖然我們現在已經掌握了強大的計算資源，但思考的重要性並沒有絲毫減弱。」
這就需要科學家兼程式設計師。如果沒有可以處理研究問題的軟體，沒有知道如何編寫並使用程序的研究人員，再強大的電腦也會顯得毫無用處。Neil Chue Hong 是總部位於英國愛丁堡的軟體可持續性研究所的負責人，該研究所主要致力於持續改善科學軟體的研發和使用，Neil 說：「現在的科學研究基本都會運用軟體來進行，它們已經滲透到了研究的方方面面。」
科學發現理應是媒體的頭版頭條。但本期《自然》中，我們想要和讀者一起聊聊這些發現背後的故事，一起回顧過去幾十年來極大地改變研究進程的關鍵程式碼。
儘管這樣的列表並非絕對，但在過去一年裡我們調研了大量研究人員，彙總了不同領域內對科研帶來巨大影響的的十大軟體工具。
程式語言先驅者：Fortran 編譯器
（1957）
第一臺現代電子計算機對於使用者並不友好。程式設計需要通過手動逐個連結電路來完成。雖然隨後的機器語言和組合語言迅速發展，可以讓使用者通過程式碼進行程式設計，但依然需要對計算機體系結構有著深入的理解，這阻礙了許多科學家使用計算機的效率。
隨著 20 世紀 50 年代符號化語言的發展，效率慢慢提高，尤其是「公式翻譯」語言 Fortran 的出現改變了這一局面。Fortran 語言是由 John Backus 與其在加州聖何塞的 IBM 團隊開發的。使用者可以利用 Fortran 中人類可讀的指令來程式設計，例如編寫 x=3+5 的計算公式，隨後編譯器就可以將其轉化為快速高效的機器程式碼。
這臺 CDC 3600 計算機於 1963 年送達位於科羅拉多州博爾德的國家大氣研究中心，它可以在 Fortran 編譯器的幫助下進行程式設計。來源：大氣科學研究大學聯盟/ Science Photo Library
但程式設計仍然不是一件容易的事情：早期的程式設計師使用打孔卡來輸入程式碼，稍微複雜點的模擬就需要上萬張打孔卡來編寫程序。但紐澤西普林斯頓大學的氣候學家 Syukuro Manabe 表示，Fortran 為非電腦科學家的研究者提供了一種高效的程式設計手段。「我們第一次可以自己對計算機進行程式設計」，Manabe 說。他和同事們利用 Fortran 開發了第一個成功的氣候模型。
如今，Fortran 已經進入了第八個十年，它依舊廣泛應用於氣象建模、流體力學、計算化學和其他需要複雜線性代數與強大計算能力的學科。其生成的程式碼運算高效，依然有很大比例的程式設計師會使用 Fortran。中古 Fortran 程式碼庫仍然活躍在全球各地的超級計算機和實驗室中。「以前的程式設計師清楚自己在做什麼，」加州蒙特雷海軍研究生院的應用數學家和氣候建模專家 Frank Giraldo 說，「他們非常注重記憶體，因為以前的記憶體非常小。」
信號處理器：快速傅立葉變換
（1965）
當射電天文學家掃視天空時，他們會捕獲到一系列隨時間變化的複雜信號。為了理解這些電波的本質，他們需要看到這些信號轉成頻率方程是什麼樣的。研究人員可以使用一種被稱為傅立葉變換的數學過程來完成這一過程，問題在於它的效率很低，一個 N 大小的資料集需要 N2 的計算量。
但在 1965 年，美國數學家 James Cooley 和 John Tukey 發明了一種方法來加速這一過程。使用遞迴，一種「分而治之」的程式設計手段（演算法可以重複調用自身），快速傅立葉變換（FFT）可以將傅立葉變換的計算降低到 Nlog2(N) 步。計算速度隨著資料集的增大而增加，1000 個資料點的情況下速度提升 100 倍，而對於一百萬個點的情況則可以提速 5 萬倍。
英國牛津大學的數學家 Nick Trefethen 說，這其實是一次重複發現——德國數學家高斯（Carl Friedrich Gauss）在 1805 年曾提出過這個演算法，但他並未發表。然而，Cooley 和 Tukey 為數字信號處理、圖像分析、結構生物學等等領域打開了廣闊的應用空間。Trefethen 說：「這確實是應用數學和工程領域的重大事件。」 FFT 已經在程式碼中實現了很多次，最為著名的是 FFTW（西方最快的傅立葉變換）。
西澳大利亞無線電天文望遠鏡默奇森寬場陣列（Murchison Widefield Array）的夜景，該望遠鏡使用快速傅立葉變換收集資料。來源：John Goldsmith/Celestial Visions
加州勞倫斯柏克萊國家實驗室分子生物和集成生物成像部門的負責人 Paul Adams 回憶在 1995 年最佳化細菌蛋白 GroEL 結構時[2]，即使使用了快速傅立葉變換和超級計算機，計算也耗費了大量的時間。他說：「如果沒有 FFT，我甚至都不知道完成這些計算是否現實，可能會永遠做不完。」
分子編目：生物學資料庫
（1965）
資料庫是當代科學研究不可或缺的部分，但人們很容易忽略它是由軟體驅動的。在過去幾十年裡，這些資源得到了大規模的擴充，並改變了許多領域的研究方式，但或許沒有哪個領域能像生物領域一樣出現了翻天覆地的變化。
當今大規模的基因和蛋白質資料庫，源於馬里蘭國家生物研究基金會的生物資訊學先驅 Margaret Dayhoff 的工作。20 世紀 60 年代初，生物學家們致力於揭開蛋白質的氨基酸序列結構，Dayhoff 開始整理這些資訊，尋找不同物種間演化關係的線索。她與三位合作者合著的《蛋白質序列和結構圖集》（Atlas of Protein Sequence and Structure）於 1965 年首次發表，描述了當時已知的 65 種蛋白質序列、結構及其相似性。歷史學家 Bruno Strasser 在 2010 年寫道[3]，這個資料庫是第一個不侷限於具體研究問題的資料集。Dayhoff 通過打卡紙帶編碼了這些資料，使得這一資料集具有可拓展和可搜尋的潛力。
在這一研究後之後，其他的計算生物學資料庫開始不斷出現。於 1971 年誕生的蛋白質三維結構資料庫（The Protein Data Bank）如今已經囊括了超過 17 萬種大分子結構的詳情。加州大學聖迭戈分校的演化生物學家 Russell Doolittle 於 1981 年創建了另一個名為 Newat 的蛋白質資料庫。隨後於 1982 年，誕生了後來的國際核酸序列資料庫（GenBank），GenBank 的 DNA 檔案是由美國國立衛生研究院（NIH）維護的。
蛋白質資料銀行中包含了超過 17 萬種分子結構，包括這個結合 RNA 和蛋白質合成過程的細菌表達組。來源：David S. Goodsell and RCSB PDB (CC BY 4.0)
這些資料庫在 1983 年 7 月證明了自己的巨大價值，當時由倫敦帝國癌症研究所的蛋白質生物化學家 Michael Waterfield 和 Doolittle 領導的兩個團隊，分別獨立報告了一種人類特定生長因子與可使猴子患上癌症的病毒蛋白質序列間的相似性。觀測結果提出了一種通過模擬生長因子的病毒致癌機理，病毒可以誘導細胞不受調控地快速增生[4]。美國國家生物資訊研究中心（NCBI）前主任 James Ostell 認為：「這讓生物學家們意識到，能利用計算機和統計學進行研究。通過比較蛋白質序列，我們能加深對癌症的理解。」
此外 Ostell 表示，這一發現標誌著”客觀生物學的問世”。除了設計實驗驗證假設，研究人員還可以通過挖掘公開資料庫，從中發現資料收集者可能從未想過的聯繫。隨著越來越多的資料庫被連結在一起，這一研究正規化的巨大潛力急劇增長。NCBI 的程式設計師在 1991 年開發了一款可以在 DNA、蛋白質和文獻中自由導航的工具 Entrez 實現了這一構想。
馬里蘭貝賽達 NCBI 的負責人 Stephen Sherry 曾在研究生階段使用 Entrez，他說：「我還記得那時感覺像魔法一樣神奇。」
天氣預報領導者：大氣環流模式
（1969）
在二戰結束時，計算機先驅馮·諾伊曼（John von Neumann）將戰時用於計算彈道計算和武器設計的技術轉向天氣預報的研究。Manabe 說：「在那之前，天氣預報都是依賴經驗的，而馮·諾伊曼的團隊則希望利用物理定律來實現數值天氣預報。」
Venkatramani Balaji 是普林斯頓的美國國家海洋與大氣管理局地球物理流體動力學實驗室的建模系統負責人，他說，描述這些過程的方程已經存在了幾十年，但早期的氣象學家不知道該如何解這些方程。由於這些方程的計算需要給定當前條件，計算其在短期內隨時間的變化，然後重複，這一過程十分耗時，而且計算的速度趕不上天氣的變化。1922 年數學家 Lewis Fry Richardson 花費了幾個月的時間計算了德國慕尼黑天氣的 6 小時預報，但據記錄來看預報的結果「極不準確」 ，還出現了「在任何已知陸面情況下都不可能發生」的預測結果。計算機的出現讓問題變得容易了許多。
20 世紀 40 年代末，馮·諾伊曼在普林斯頓先進研究院建立了他的天氣預報團隊。第二支團隊於 1955 年在地球物理流體動力學實驗室展開對於「無限預報」（氣候模型）的研究工作。
Manabe 於 1958 年加入了氣候建模團隊致力於大氣模型的研究。他的同事 Kirk Bryan 則專注于海洋。1969 年他們將兩者成功結合起來，《自然》於 2006 稱之為科學計算中的「里程碑」。
如今的氣象模型已經可以將地表劃分為 25*25km 的區域，大氣也被分為了幾十個層次進行研究。當年 Manabe 和 Bryan 結合海洋-大氣模型[5]使用的是 500 平方公里的區域和 9 個層次，並且只覆蓋了 1/6 的地球表面。但 Balaji 依舊認為，「這一模型是一項偉大的工作」，使得團隊第一次可以在計算機中模擬二氧化碳水平升高對氣候的影響。
數值計算加速器：BLAS
（1979）
科學計算通常利用向量和矩陣進行相對的簡單數學運算，但計算量還是很大。而在上世紀 70 年代，科學界缺乏一套通用的計算工具來執行這些運算。所以科學界的程式設計師們要花時間編寫完成基本數學運算的程式碼，而無法專心研究科學問題。
但是程式設計世界需要一個標準。於是，1979 年，出現了基礎線性代數程序集（Basic Linear Algebra Subprograms, BLAS）[6]。這一標準一直發展到了 1990 年，為向量和後來的矩陣數學定義了一系列基本程序。
田納西大學的電腦科學家 Jack Dongarra 認為，BLAS 實際上將複雜的矩陣和向量運算簡化成類似加減法一樣基礎的簡單計算單元。他是 BLAS 開發團隊的一員。
德克薩斯大學奧斯丁分校的電腦科學家 Robert van de Geijn 說，BLAS「可能是科學計算領域定義的最重要接口」。除了為常用函數提供標準命名，研究人員還可以確保基於 BLAS 的程式碼可以在任何計算機上以同樣方式運行。這一標準同時也使得計算機產商可以不斷最佳化 BLAS，好在他們的硬體上快速運行。
40 多年來，BLAS 已經成為了科學計算技術棧的核心，使得科學計算軟體得以持續發展。喬治華盛頓大學的機械與航空工程師 Lorena Barba 將它稱為「程式碼五層結構內在的機制」。
Dongarra 說：「它是計算的基礎結構。」
必不可少的顯微鏡：NIH Image
(1987)
在上世紀 80 年代早期，程式設計師 Wayne Rasband 曾在馬里蘭貝塞斯達的美國國立衛生研究院（NIH）腦成像實驗室工作。其團隊有一個可以對 X 光膠片進行數字化處理，但沒辦法在計算機上分析和顯示。Rasband 編寫了一個程序來實現這一功能。
該程序是專門針對價值 15 萬美元的 PDP-11 微型計算機設計的（安裝在機架上的、絕不是個人用的那種電腦）。隨後在 1987 年 ，蘋果發行了操作更友好價格更實惠的 Macintosh II。Rasban 說：「我覺得這顯然是更好的實驗室圖像分析系統。」於是他將軟體轉移到了新的平臺上（Macintosh II）並重新命名，從而引領了圖像分析生態系統的發展.
NIH Image 及其後繼者可以讓研究人員在任何計算機上查看和量化任何圖像。這一軟體家族包含了 Rasband 為 Windows 和 Linux 使用者寫的 Java 版本軟體 ImageJ；還有 Fiji，德國馬克斯·普朗克研究所分子細胞生物學和遺傳研究所 Pavel Tomancak 開發的、包含關鍵外掛的 ImageJ。在麻省 Broad 研究所成像平臺工作的計算生物學家 Beth Cimini 說：「ImageJ 無疑是我們擁有最基礎的軟體工具，我還從未見過哪個要用顯微鏡的生物學家不用 ImageJ 或者 Fiji 的。」
藉助外掛 ImageJ 工具可以自動識別顯微圖像中的細胞核。來源：Ignacio Arganda-Carreras/ImageJ
Rasband 認為部分原因是這些工具是免費的，但威斯康辛大學的生物醫學工程師 Kevin Eliceiri 認為，更重要的是它們讓使用者能夠簡單根據自己需求定製工具，他的團隊在 Rasband 退休後領導著 ImageJ 的研發。ImageJ 具有極簡的使用者界面，自九十年代以來就沒有太大的改變。但這一工具卻由於內建宏記錄器（允許使用者保存滑鼠點選和菜單選擇的操作序列來記錄工作流）、強大的檔案格式兼容性和靈活的外掛架構而擁有了幾乎無限的拓展性。Eliceiri 團隊中的程式設計負責人 Curtis Rueden 說，有數百人在上傳外掛。這些不斷增加的外掛極大地拓展了研究人員可用的工具集，包括從跟蹤視訊中的對象到自動識別細胞等豐富的功能。
「這一軟體的目的不是成為一切或者終結一切，而是服務於使用者。」Eliceiri 說，「與其他程序不同，ImageJ 可以是使用者想要的任何模樣。」
序列檢索器：BLAST
（1990）
一個軟體名從名詞變成動詞，這真是恰如其分地說明了其文化重要性。在搜尋界有 Google，而對於基因領域來說，人們則會想起 BLAST。
演化變化以替代、敲除、空缺和重排等形式刻在分子序列上。通過搜尋序列（特別是蛋白質）之間的相似結構，研究人員能發現其間的演化關係，更深入理解基因的功能。實現這一想法的關鍵在於，在迅速膨脹的分子資訊資料庫中進行快速和全面的分析。
1978 年 Dayhoff 為這個拼圖補上了關鍵的一塊。她提出了一種稱為”可接受點突變”矩陣（PAM矩陣）的描述方法，使得研究人員可以通過序列間的相似性和演化距離來為兩種蛋白質的相關性打分。
1985 年，弗吉尼亞大學的 William Pearson 和 NCBI 的 David Lipman，在 Dayhoff 矩陣思想的基礎上提出了一種更為高速的演算法 FASTP。
幾年後，Lipman 與 NCBI 的 Warren Gish 和 Stephen Altschul，賓夕法尼亞州立大學的 Webb Miller 和亞利桑那大學的 Gene Myers 共同研發了更為強大的版本：BLAST（the Basic Local Alignment Search Tool）。在 1990 年發佈時，BLAST 結合了可處理迅速增長資料庫的快速搜尋，和識別到較遠演化距離的匹配的能力。與此同時，它還可以計算出這些匹配有多大可能性是偶然發生的。
Altschul 說結果驚人地快：「只需要抿一口咖啡的時間就能完成複雜的搜尋！」但更重要的是這一工具很易用。在通過郵件更新資料庫的時代，Gish 建立了電郵更新系統，並在後來構建了基於網路的架構，使得使用者可以遠端接入 NCBI 的計算機進行搜尋，保證了資料的實時性。
上圖中將資料製成表格並視覺化的程式碼可以在 github 上獲取：https://github.com/jperkel/nature_code_survey
哈佛大學計算生物學家 Sean Eddy 認為，這一系統為當時處於萌芽狀態的基因組生物學提供了變革性的工具，通過相關基因的特性來研究未知基因的特性。對於世界各地的基因測序實驗室，它提供了一個新詞：「這就是那種會流變成一個動詞的名詞，」Eddy 說，「你會說你正在 Blasting 自己的序列。」
預印本發電廠：arXiv.org
（1991）
上世紀 80 年代末期高能物理學家通常會將論文副本寄給同行，徵詢意見，同時也是一種禮節——不過僅發給少數幾個人。「學術圈層級較低的人們，會仰賴科研名流們的恩惠，而富有才華和抱負卻不在精英機構中的研究人員卻常常被排除在外」，物理學家 Paul Ginsparg 在 2011 年寫道[7]。
1991 年，在新墨西哥州洛斯阿莫斯實驗室工作的 Ginsparg 編寫了一個電子郵件自動回覆系統以推動這一領域的公平發展。訂閱者將會收到每日的預印本論文，每篇文章都會被分配一個固定的文章識別號。只需要一封郵件，世界範圍內的使用者都可以從實驗室計算機系統提交或收到論文、獲取最新論文的清單，或通過標題和作者進行搜尋。
Ginsparg 最早希望將文章保存 3 個月，而且僅限於高能物理領域。但在同事的勸說下，開始無限期保存文章。他說：「那是從電子公告欄過度到資料庫存檔的關鍵時刻。」隨後，這一系統的發展遠遠超出 Ginsparg 自己的學科，他在 1993 年將這一系統遷移到廣域網上，並於 1998 年將域名修改為如今的 arXiv.org.
如今三十年過去了，arXiv 已經累計保存了超過一百八十萬篇預印本論文，並且全部免費開放。同時每個月吸引一萬五千次提交和超過三千萬次下載。《自然-光子學》的編輯在十年前[8]網站成立 20 週年之際寫到：「不難看出 arXiv 為何如此受歡迎，這一系統為研究人員提供了便捷的方式來標記他們的工作和發現時間，避免了傳統同行評議過程所需的事務和時長。」
來源: arXiv.org
該網站的成功促進了包括生物、醫學、社會科學和其他姊妹領域預印本網站的蓬勃發展，到今天，從 SARS-CoV-2 病毒研究已發佈的數萬篇預印本論文中，可見其影響力。
Ginsparg 說：「30 年前這種方法在粒子物理學界以外還被視為異途，很高興看到人們現在已經把它視作尋常。從這個角度來說，它就像一個成功的科研項目。」
資料探索利器：IPython Notebook
（2011）
2001 年，當 Fernando Pérez 還是「尋找拖延症」課題的研究生時，他決定著手開發一個 Python 的核心元件。
Python 是一種解釋型語言，這意味著它需要逐行執行。程式設計師通常使用一種稱為 REPL（read–evaluate–print loop，一種互動式程式設計環境）的計算機調用-響應工具來程式設計，並使用直譯器執行程式碼。REPL 可以用於迅速的探索和迭代開發，但 Pérez 認為 Python 並不是為科學構建的語言，比如說不能便捷地載入程式碼塊或保持資料視覺化開發。所以他寫了自己的版本。
這造就了 IPython，一款「互動式」Python 直譯器。Pérez 於 2001 年 12 月發佈了這一共 259 行的版本。十年後，Pérez 與物理學家 Brian Granger、數學家 Evan Patterson 合作，將這一工具移植到了瀏覽器中，開發出了 IPython Notebook，掀起了資料科學的革命浪潮。
與其他計算筆記本一樣，IPython Notebook 在單個檔案中融合了程式碼、結果、圖形界面和文字內容。但與其他項目不同的是，IPython Notebook 是開源的，廣大開發者社區都能對其做出貢獻。同時它還支持科學家們常用的語言 Python。在 2014 年，這一項目演變成了 Jupyter，支持超過一百種語言，並允許使用者在遠端超級計算機上像使用自己電腦一般便捷地探索資料進行分析。
「對於資料科學家來說，Jupyter 已經成為了實際的標準。」 《自然》2018 年寫道[9]。那時在程式碼共享平臺 GitHub 上已經有超過 250 萬份 Jupyter 筆記本了。如今則將近 1000 萬份，包括 2016 年發現引力波和 2019 年為黑洞成像的程式碼。「我們為這一項目作出的微小工作為帶來了巨大的回報。」Pérez 說。
高速學習機：AlexNet
（2012）
一直以來人工智慧（AI）存在兩種不同的實現形式。一種使用編碼規則，而另一種則使用計算機通過模擬大腦的神經結構去「學習」。加拿大多倫多大學的電腦科學家Geoffrey Hinton說，幾十年來 AI 研究者們都認為後一種方法是「無稽之談」。直到 2012 年，Hinton 的研究生 Alex Krizhevsky 和 Ilya Sutskever 才證明了並非如此。
ImageNet 是一項年度競賽，研究人員們需要在一百萬張日常對象的資料集上訓練 AI，並在另一個獨立的圖像資料集上進行測試。當時，最好的演算法會識別錯大概 1/4 的圖像，Hinton 說。Krizhevsky 和 Sutskever 提出的 AlexNet 是一種基於神經網路的「深度學習」演算法，將錯誤降低到了 16%[10]。「我們基本上將錯誤率減半，幾乎有一半。」Hinton 補充道。
Hinton 認為其團隊在 2012 年的成功反映了足夠大的訓練資料集、優秀的程式設計和新出現強大算力 GPU（一種最早設計用於加速計算機視訊性能的處理器）的結合迸發出的強大潛力。「突然之間，我們可以以 30 倍的速度運行演算法，」他說，「或者在 30 倍的資料上進行學習。」
Hinton 說，演算法上真正的突破其實在三年前就已經實現，當時他實驗室創造的神經網路已經可以實現比經過幾十年最佳化的傳統AI更為精確的語音識別了。「雖然只（比傳統 AI）好了一點點，」Hinton 說，「但這已經預兆了未來。」
這些成果預示著深度學習在實驗室、工業界的崛起。這就是為什麼手機可以理解語音查詢、圖像分析工具可以迅速從光學顯微鏡圖像中挑選出細胞。同時這也是 AlexNet 可以從根本上改變科學，並與眾多重要的計算機工具改變世界的原因所在。
參考文獻：
1. The Event Horizon Telescope Collaboration et al. Astrophys. J. Lett. 875, L1 (2019).
2. Braig, K., Adams, P. D. & Brünger, A. T. Nature Struct. Biol.2, 1083–1094 (1995).
3. Strasser, B. J. J. Hist. Biol.43, 623–660 (2010).
4. Newmark, P. Nature 304, 108 (1983).
5. Manabe, S. & Bryan, K. J. Atmos. Sci. 26, 786–789 (1969).
6. Lawson, C. L., Hanson, R. J., Kincaid, D. R. & Krogh, F. T. ACM Trans. Math. Software5, 308–323 (1979).
7. Ginsparg, P. Preprint at http://arxiv.org/abs/1108.2700 (2011).
8. Nature Photon. 6, 1 (2012).
9. Nature 563, 145–146 (2018).
10. Krizhevsky, A., Sutskever, I. & Hinton, G. E. in Proc. 25th Int. Conf. Neural Information Processing Systems (eds Pereira, F., Burges, C. J. C., Bottou, L. & Weinberger, K. O.) 1097–1105 (Curran Associates, 2012).
原文以Ten computer codes that transformed science標題發表在2021年1月20日的《自然》的新聞特寫版塊上
版權聲明：
本文由施普林格·自然上海辦公室負責翻譯。中文內容僅供參考，一切內容以英文原版為準。歡迎轉發至朋友圈，如需轉載，請郵件China@nature.com。未經授權的翻譯是侵權行為，版權方將保留追究法律責任的權利。
© 2021 Springer Nature Limited. All Rights Reserved
凡本公眾號轉載、引用的文章 、圖片、音訊、視訊檔案等資料的版權歸版權所有人所有，如因此產生相關後果，將由版權所有人、原始發佈者和內容提供者承擔，如有侵權請儘快聯繫刪除。
