大数据文摘出品

作者：笪洁琼、奥????vi丫、lin

密集警告！

先来感受下这场地狱级别的连连看：这是16小块实验数据图，你能看出哪些块存在相似的地方吗？

文摘菌看了一会儿就头昏眼花，但是，你相信吗？有人可以用肉眼一下子看出其中相似的地方，而且，这就是她每天的日常工作。

这位“连连看高手”就是Elisabeth Bik，人称跨国论文打假王，专门寻找论文中的异常，目前已经对超过49个国家的研究学者公开发表的论文提出质疑。

她的特殊技能是，可以用肉眼浏览数十篇生物医学类的论文，并寻找其中重复使用的图像，这些重复图像包括通过复制、翻转、移动或旋转图像的一部分来创建“新”的实验数据（文献检索新姿势，教你如何直搜文中的科研图片！）。

2019年11月，在PubPeer（可匿名讨论论文的网站）上，南开大学的校长曹雪涛教授，有超过40篇论文的实验图像数据，被质疑存在重复异常。（事后曹教授被质疑的论文已进行更正）

2020年2月，来自我国三甲医院的400多篇论文被她质疑是论文工厂代写，论文中的实验图像数据以及写作逻辑都存在问题。

本月初，Bik质疑中国医学科学院动物研究所所长秦川团队，在Nature上发布的论文存在重复图像，5天后秦川团队回应：误用一张病理学实验数据图片，已向Nature提交更正。

没错，这些异常都是她凭着火眼金睛找到的。

走上打假之路之前，Bik也是一名普通的研究者。

1997年，Bik在荷兰的乌得勒支大学（Utrecht University）结束了她从理学硕士到博士后的研究学习生涯，并于2002年去斯坦福大学做助理研究员，此后15年都在研究人类以及哺乳动物的微生物群方向，直到2019年开始“全职“进行论文打假工作。

一战成名的小意外

Bik论文打假工作开始于2013年的一次小意外。当时Bik出于好奇，去搜索了一下自己已发表论文中引用的参考文献，没想到其他人没有按照学术规范表明，进行引用文献说明。

接着，她在审核一篇博士论文的时候，发现其中的一张实验图像：蛋白质印迹的分布规律十分奇怪，更为奇特的是她在论文的另外一章里也看到了这张图像，论文里是将这张图像作为两次不同的实验结果，但Bik认为该图像不仅本身存在问题，而且还用在两个不同的实验中。

由于该论文已经公开发表了，她为了不让其他研究者因为这篇有错误的论文，而开始错误研究的路，就向该期刊的编辑发送邮件说明这个问题，并在同年6月在PubPeer网站上对该论文进行匿名评价。

经过一番调查，相关论文被撤回，而这篇涉嫌篡改数据的论文，让Bik一战成名。

接下来，Bik开始对寻找造假实验图着迷了，由于看论文非常耗费时间，所以她辞掉了医药公司的研发总监工作，专心进行论文打假。

Bik对论文打假比本职工作更有激情，她每次提出质疑不止一篇而是好几篇，甚至是几百篇打包式质疑，并及时通过和期刊编辑联系，对存在异常的论文进行更正或者撤稿。

魔法之眼：打假流水线

由于论文数量比较多，她还找到志同道合的朋友一起合作，Bik负责筛查论文，并将筛查出的问题论文结果，传给两位朋友：微生物学家Arturo和Fang进行审核，俨然一条论文打假流水线。

他们一共对2万多篇论文进行抽样调查，结果发现了782篇论文存在图像重复的情况。Fang表示:“Bik就像是魔术师，论文中的问题只有经她指出，我们才看得到”。

Bik的日常是从早上开始看论文，一天她收到了来自比利时的科学家的求助信，信中声称：请帮忙看看附件里的实验图像是否存在问题？

Bik仔细看了下图像，发现该蛋白质印迹图像属于存在异常的，通常蛋白质印迹条带分布图（一种检测生物样品中蛋白质的通用测试结果）是模糊，而且类似圆滑的黑色毛毛虫状，但图像上是边缘非常尖锐，而且像素化的特征非常明显。

正常的实验图像可能会存在类似的印迹分布，但不大可能出现完全相同的分布。

当然也可能存在图片被压缩后的痕迹，或者是研究者在准备图像数据时不小心上传了重复图像，以及旧显微镜上的斑点导致每张图上都有奇怪的斑点。她还需要参考论文的其它地方再来判断是否存在重复图像的问题。

坚持与困扰：“做一个诚实的科学家真难”

虽然她在自传里评价自己是直率又刻薄，但她同时又极度内敛。

在她打假成名之后，有非常多的人给她发邮件、发消息，希望她能帮忙看看已发布的论文是不是存在问题。由于数量太多，让她忍不住发推声明：因为询问的人数太多，所以她可能无法及时跟进。并且在这些求助信息里，还存在团队或同事之间的不信任，“做一个诚实的科学家真难。”

虽然Bik对于目前的打假工作充满热情，但还是会受到威胁和骚扰。比如经常收到私信被骂，推特频繁被下线，写邮件给前同事说坏话之类的情况。

要知道，论文打假行业不仅仅只有她一位论文警察，就只有她是公开使用真名发布打假信息。

她开始在每篇文章的开头写上：这篇文章不是对学术不端的批评。

由于Bik持续打假，她的粉丝量在一年内翻了三倍。她不仅自己寻找问题，还将发现有问题的论文提前发到推特上，看谁能先找出来问题，并号召大家一起来找茬，第一个答对的人有奖励，甚至还有粉丝找到了她都没有找到的隐藏彩蛋。

她自己保守估计至少导致了172次论文退稿，以及超过300次修改。

每天看100篇论文，共建图像查重系统

Bik一天可以精读大约100篇论文，并向她的数据库中添加1到20个匹配数据。当一张重复的问题图像反复出现，以及一张熟悉的问题图像再次出现时，系统就会出现提示。当收集的图像数据足够多时，系统就可以自我总结规律，比如多次出现问题的研究者就会重点审核。（敲黑板警告）（这个Nature推荐的代码海洋竟然有文章作者上传的所有可重现性脚本，涉及单细胞、微生物组、转录组分析、机器学习等相关）

虽然Bik表示她不针对任何人，但数据库里问题最多的研究者的国籍是中国和印度，重复的图像更喜欢低影响力的期刊。

根据这个数据库，Bik在和计算机科学家合作开发一款自动查重图片的软件，希望可以在数百万篇论文中发现重复使用的图片。

“很遗憾，我们不能克隆Elisabeth Bik，”纽约雪城大学的计算机科学家Daniel Acuna说，他的小组是专门研究问题图像检测算法，尽管Bik擅长在单篇论文里查找复制的图像，但计算机可以通过比较数十万篇或数百万篇论文，来帮助找到两篇论文之间的更多的重复，这对人类来说几乎是不可能的任务。

2018年，Acuna的团队在bioRxiv预印服务器上发布了分析的初步结果，该分析结果从760,000篇论文中提取了200万张图像。

AI能替代吗？

事实证明，计算量太大，根本无法将每张图像彼此进行对比，但是该团队研究了同一作者在论文内部和跨论文的图像重复，在手动检查了软件标记的3,700多个匹配图像的样本后，研究人员确认了40篇异常论文，其中几乎一半涉及同一张图像，用于在不同的论文中代表不同的结果。

当前的技术擅长检测复制，翻转或旋转的完全相同的副本。Resis 公司有款软件，可以检测论文是否使用重复图像。比较麻烦的是，例如两张图像共享一小块重叠区域，但在其它方面完全不同。这时，软件就失效了。

Bik给Acuna提供了更多的样本数据来训练机器学习算法（机器学习爱好者必读的入门指南），其中包含了大量重复的图像数据。爱思维尔（Elsevier）也在研发同类型的数据库，现有500个生物医学方向的样本数据，主要是来自撤回论文的图像数据。

Bik对目前能用的软件都不满意。她相信未来会有计算机程序来进行筛选，但人们将始终需要审核结果，尤其是要审核在某些情况下的图像，存在部分相似的情况。

就这样，Bik倒了一杯咖啡，坐在桌旁继续看论文，落地窗外是满满的果树和植物。

相关参考：

https://www.nature.com/articles/d41586-020-01363-z

https://scienceintegritydigest.com/

https://scienceintegritydigest.com/2020/02/21/the-tadpole-paper-mill/

http://www.inewsweek.cn/society/2019-11-18/7721.shtml

https://mp.weixin.qq.com/s/zDLgvRQ9rgUGu-CPqtEzIQ

精选●阅读

• 这个只需一步就可做富集分析的网站还未发表就被CNS等引用超过350次

• 什么，你算出的P-value看上去像齐天大圣变的庙？

• 从一段挖矿病毒代码看Linux命令的实际应用

• Nature重磅综述 |关于RNA-seq，你想知道的都在这

• RNA-seq最强综述名词解释&思维导图|关于RNA-seq，你想知道的都在这（续）

• 有了这些，文件批量重命名还需要求助其它工具吗？

• 只需一行代码，完美呈现Markdown格式，写作展示两不误

送书

在上周的留言送书活动中，恭喜下面这位读者获得书籍“Python：入门到人工智能实战”，请及时与生信宝典编辑（shengxinbaodian）联系。

看了本文，您有什么想说的呢？

欢迎转发朋友圈并留言评论，留言得赞最高者将获得下面由北京大学出版社赞助的书籍（联系小编时请附上分享截图），结果在下一期送书活动中公布：

本书从自动化测试理论入手，全面地阐述自动化测试的意义及实施过程。全文以Python语言驱动，结合真实案例分别对主流自动化测试工具Selenium、RobotFramework、Postman、Python Requests、Appium等进行系统讲解。

往期精品(点击图片直达文字对应教程)

后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集