全世界科技界受影响因子（Impact Factor, IF）的“毒害”久矣：追热门、跟风向、造新闻、编故事。已经有科学家开发、验证的颠覆因子，却不被以盈利为目标的公司使用！我呼吁有人才、有实力的企业、单位（例如中国科学院文献情报中心、百度、腾讯、华为等）根据期刊发表文章的颠覆因子来倒逼期刊发表，鼓励大家从事多样性的、踏踏实实的原创工作，摆脱目前国内外受影响因子所扭曲的评审系统。
我们见过多个大学排名，比较出名的有美国的News & World Report，英国的泰晤士报THE/QS，还有上海交大的ARWU，各有千秋。期刊排名呢？科睿唯安（Clarivate）的《期刊引用报告》一家独大。虽然有国内的中国科学院文献情报中心期刊分区，但是它与期刊的影响因子有明显的相关性。在科睿唯安最新的2021年《期刊引用报告》里面，一些杂志由于新冠病毒相关的综述得到高引用，影响因子大幅度上升【1，2】，再一次说明所谓用影响因子来衡量杂志水平的荒谬。现在，是该抛弃期刊影响因子的时候了。
所谓期刊的影响因子（Impact Factor, IF）的计算，是用该期刊在前两年发表的论文在当年的被引用量，除以前两年发表的总论文数。这样的计算方法问题很明显：首先，只考虑短时间（两年内）的引用量。过分强调这样的短期引用量，导致大家被变相鼓励做热门课题，因为热门的研究方向做的人多，自然而然的有高引用量。这样的后果很严重。例如，关于人类蛋白质组的研究里面，95%的工作在关注5,000种已得到充分研究的人类蛋白质,而大多数其他蛋白质被打入冷宫，属于“未被充分研究蛋白质”【3】。鼓励追求热门项目，也会导致内卷和资源分配的浪费。更重要的是，原创性或者颠覆性工作，不管是科学还是技术，往往存在引用迟后（所谓的睡美人文章），需要比较长的时间才能得到大量的引用【4】，而追求短期影响则会促使大家去做热门的、跟风性的、扩展性的、而不是开创性的工作，因为跟踪热点，很快能得到许多人引用。
其次，影响因子用的是平均值，少数超高引用文章把持了整个期刊的影响因子。综述性文章介绍一个方向的概况，自然会比普通科研论文有更多的引用，综述性文章与普通科研论文不分，甚至与新闻稿、评论文章也不分，导致了今年一些杂志由于新冠病毒相关综述的高引用，影响因子大幅度上升的诡异现象【1，2】。
此外，影响因子不分专业。从事各个专业的科研人员人数不一样，人多势众的专业，互相之间的引用率自然就高，比如癌症研究期刊的影响因子比数学期刊要高得多，但并不能说明癌症期刊的文章水平比数学期刊的高。虽然有一些根据大学科专业来归一处理的方法，但是现在越来越多的文章是多专业交叉的，对它们怎么归一是一个问题。
除了影响因子外，谷歌学术【5】利用期刊的h因子(h-index)来对杂志排名。某期刊的h因子是指该期刊在5年内发表的论文里有h篇论文超过h次引用。与影响因子比，h因子更强调中期（5年）的“影响”，但是它更偏向发表文章多的杂志。《自然通信》（Nature Communication）比《细胞》（Cell）及其它自然子刊排名高，主要靠它发表的文章多。而且h因子也没有解决不同专业引用率不一样的问题。
因此，我呼吁有人才、有实力的企业、单位（例如中国科学院文献情报中心、百度、腾讯、华为等）根据期刊发表原创文章的“颠覆”因子来倒逼期刊发表，鼓励大家从事更多的原创工作。颠覆因子（Disruption）是Wu，Wang和Evans在2019年发表在《自然》（Nature）的文章推出的【4】。这个因子是指引用了该论文,但没有引用该论文所引用的论文的论文数（ni）减去那些同时引用了该论文及该论文所引用论文的论文数（nj），然后用引用该论文的论文数(ni+nj)加上那些没有引用该论文却引用了该论文所引用论文的论文数(nk)来归一[D=(ni-nj)/(ni+nj+nk)]。这个颠覆因子可以衡量一篇论文究竟是后来工作的起点（原创性工作，D～1），还是研究工作发展中的中转站（跟风、发展性工作，D～-1）。他们用诺贝尔获奖论文（高颠覆因子）、综述论文（低颠覆因子）、专家的调查、关键词汇的使用验证了颠覆因子的可靠性。
这个颠覆因子的好处是不受专业的影响，同时也不受时间的限制，每年可以把某个期刊在10年内（或者5年内）发表的文章都计算一下，做个平均值（或者中间值）。不仅仅可以计算D因子，期刊的相对引用率也可以用每篇文章的相对引用率（ni+nj）/（ni+nj+nk）来计算，不受热门、冷门还是跨学科专业的影响。这个D因子还有后续的改进【6】。期待着有单位挺身而出，摆脱目前国内外科学界受影响因子所扭曲的评审系统。是时候了！
参考文献
【1】Immugent，“吃惊！2021年的影响因子还能用来评价杂志的质量吗？”，生信宝库，6-28（2022）。
【2】任胜利，简析2021年度SCI影响因子大幅变化的部分中外期刊数据，科学网，https://blog.sciencenet.cn/blog-38899-1345574.html，7-2（2022）。
【3】Kustatscher G.et al., Understudied proteins: oppprtunities and challenges for functional proteomics, Nature Methods, (2022)
【4】Wu, L., Wang, D. & Evans, J.A. Large teams develop and small teams disrupt science and technology. Nature 566, 378–382 (2019).
【5】https://scholar.google.com/citations?view_op=top_venues
【6】Bornmann, L., Devarakonda, S., Tekles, A. et al. Disruptive papers published in Scientometrics: meaningful results by using an improved variant of the disruption index originally proposed by Wu, Wang, and Evans (2019). Scientometrics， 123, 1149–1155 (2020).
资深研究员
周耀旗教授从2021年3月起全职加入了深圳湾实验室，他是1984年中国科技大学近代化学系的学士，1990年美国纽约州立石溪大学化学物理的博士，1994-2000年北卡州立大学、哈佛大学的博士后，2000年任纽约州立布法罗大学助理教授，2004年升为终身副教授，2006年成为印第安纳大学信息学院和医学院终身正教授，2013-2021年任澳大利亚格里菲斯大学糖组学研究所正教授。他长期在结构生物信息学方面工作，曾经多次在国际蛋白质结构预测和功能预测比赛中名列前茅。到目前为止共发表论文200余篇，引用1万多次，H因子62。目前，周耀旗课题组通过计算和实验的结合，从事蛋白质/RNA的序列、结构与功能关系方面的基础研究和生物分子检测、药物开发方面的应用研究。寻找在RNA/蛋白方面有AI计算、分子和细胞生物学实验相关经验的博士后、科研助理和助理研究员。
