当前位置：首页 SCI期刊 SCIE期刊生物学中科院3区 JCRQ1 期刊介绍(非官网)

MethodsSCIE

国际简称：METHODS 参考译名：方法

中科院分区
3区
CiteScore分区
Q1
JCR分区
Q1

基本信息：: ISSN：1046-2023; E-ISSN：1095-9130; 是否OA：未开放; 是否预警：否; TOP期刊：否

出版信息：: 出版地区：UNITED STATES; 出版商：Academic Press Inc.; 出版语言：English; 出版周期：Monthly; 出版年份：1990; 研究方向：生物-生化研究方法

评价信息：: 影响因子：4.2; H-index：132; CiteScore指数：9.8; SJR指数：1.162; SNIP指数：0.92

发文数据：: Gold OA文章占比：25.00%; 研究类文章占比：99.13%; 年发文量：115; 自引率：0.0208...; 开源占比：0.1583; 出版撤稿占比：0; 出版国人文章占比：0.08; OA被引用占比：0.1608...

投稿咨询加急见刊

英文简介期刊介绍 CiteScore数据中科院SCI分区 JCR分区发文数据常见问题

英文简介Methods期刊介绍

Methods focuses on rapidly developing techniques in the experimental biological and medical sciences.

Each topical issue, organized by a guest editor who is an expert in the area covered, consists solely of invited quality articles by specialist authors, many of them reviews. Issues are devoted to specific technical approaches with emphasis on clear detailed descriptions of protocols that allow them to be reproduced easily. The background information provided enables researchers to understand the principles underlying the methods; other helpful sections include comparisons of alternative methods giving the advantages and disadvantages of particular methods, guidance on avoiding potential pitfalls, and suggestions for troubleshooting.

期刊简介Methods期刊介绍

《Methods》自1990出版以来，是一本生物学优秀杂志。致力于发表原创科学研究结果，并为生物学各个领域的原创研究提供一个展示平台，以促进生物学领域的的进步。该刊鼓励先进的、清晰的阐述，从广泛的视角提供当前感兴趣的研究主题的新见解，或审查多年来某个重要领域的所有重要发展。该期刊特色在于及时报道生物学领域的最新进展和新发现新突破等。该刊近一年未被列入预警期刊名单，目前已被权威数据库SCIE收录，得到了广泛的认可。

该期刊投稿重要关注点：

预计审稿时间：一般,3-8周约11.3周
生物学
BIOCHEMICAL RESEARCH METHODS
SCIE
中科院3区
非预警

Cite Score数据（2024年最新版）Methods Cite Score数据

CiteScore：9.8
SJR：1.162
SNIP：0.92

学科类别	分区	排名	百分位
大类：Biochemistry, Genetics and Molecular Biology 小类：General Biochemistry, Genetics and Molecular Biology	Q1	36 / 221	83%
大类：Biochemistry, Genetics and Molecular Biology 小类：Molecular Biology	Q1	79 / 410	80%

CiteScore 是由Elsevier(爱思唯尔)推出的另一种评价期刊影响力的文献计量指标。反映出一家期刊近期发表论文的年篇均引用次数。CiteScore以Scopus数据库中收集的引文为基础，针对的是前四年发表的论文的引文。CiteScore的意义在于，它可以为学术界提供一种新的、更全面、更客观地评价期刊影响力的方法，而不仅仅是通过影响因子(IF)这一单一指标来评价。

历年Cite Score趋势图

中科院SCI分区Methods 中科院分区

中科院 2023年12月升级版 综述期刊：否 Top期刊：否

大类学科	分区	小类学科	分区
生物学	3区	BIOCHEMICAL RESEARCH METHODS 生化研究方法 BIOCHEMISTRY & MOLECULAR BIOLOGY 生化与分子生物学	3区 3区

中科院分区表 是以客观数据为基础，运用科学计量学方法对国际、国内学术期刊依据影响力进行等级划分的期刊评价标准。它为我国科研、教育机构的管理人员、科研工作者提供了一份评价国际学术期刊影响力的参考数据，得到了全国各地高校、科研机构的广泛认可。

中科院分区表 将所有期刊按照一定指标划分为1区、2区、3区、4区四个层次，类似于“优、良、及格”等。最开始，这个分区只是为了方便图书管理及图书情报领域的研究和期刊评估。之后中科院分区逐步发展成为了一种评价学术期刊质量的重要工具。

历年中科院分区趋势图

JCR分区Methods JCR分区

2023-2024 年最新版

按JIF指标学科分区	收录子集	分区	排名	百分位
学科：BIOCHEMICAL RESEARCH METHODS	SCIE	Q1	13 / 85	85.3%
学科：BIOCHEMISTRY & MOLECULAR BIOLOGY	SCIE	Q2	88 / 313	72%

按JCI指标学科分区	收录子集	分区	排名	百分位
学科：BIOCHEMICAL RESEARCH METHODS	SCIE	Q1	7 / 85	92.35%
学科：BIOCHEMISTRY & MOLECULAR BIOLOGY	SCIE	Q1	44 / 313	86.1%

JCR分区的优势在于它可以帮助读者对学术文献质量进行评估。不同学科的文章引用量可能存在较大的差异，此时单独依靠影响因子(IF)评价期刊的质量可能是存在一定问题的。因此，JCR将期刊按照学科门类和影响因子分为不同的分区，这样读者可以根据自己的研究领域和需求选择合适的期刊。

历年影响因子趋势图

发文数据

2023-2024 年国家/地区发文量统计

国家/地区数量
USA285
GERMANY (FED REP GER)62
CHINA MAINLAND58
England52
France37
Canada27
South Korea18
Japan16
Australia15
Italy15

本刊中国学者近年发表论文

1、A lightweight network for COVID-19 detection in X-ray images
Author: Shi, Yong; Tang, Anda; Xiao, Yang; Niu, Lingfeng

Journal: METHODS. 2023; Vol. 209, Issue , pp. 29-37. DOI: 10.1016/j.ymeth.2022.11.004
2、Identification of adaptor proteins by incorporating deep learning and PSSM profiles
Author: Gao, Wentao; Xu, Dali; Li, Hongfei; Du, Junping; Wang, Guohua; Li, Dan

Journal: METHODS. 2023; Vol. 209, Issue , pp. 10-17. DOI: 10.1016/j.ymeth.2022.11.001
3、DNN-PNN: A parallel deep neural network model to improve anticancer drug sensitivity
Author: Chen, Siqi; Yang, Yang; Zhou, Haoran; Sun, Qisong; Su, Ran

Journal: METHODS. 2023; Vol. 209, Issue , pp. 1-9. DOI: 10.1016/j.ymeth.2022.11.002
4、Fluorescent molecular probes for imaging and detection of oxidases and peroxidases in biological samples
Author: Zhou, Jiaying; Geng, Yujie; Wang, Zhuo

Journal: METHODS. 2023; Vol. 210, Issue , pp. 20-35. DOI: 10.1016/j.ymeth.2023.01.002
5、Explore drug-like space with deep generative models
Author: Wang, Jianmin; Mao, Jiashun; Wang, Meng; Le, Xiangyang; Wang, Yunyun

Journal: METHODS. 2023; Vol. 210, Issue , pp. 52-59. DOI: 10.1016/j.ymeth.2023.01.004
6、Predicting latent lncRNA and cancer metastatic event associations via variational graph auto-encoder
Author: Zhu, Yuan; Zhang, Feng; Zhang, Shihua; Yi, Ming

Journal: METHODS. 2023; Vol. 211, Issue , pp. 1-9. DOI: 10.1016/j.ymeth.2023.01.006
7、DNMG: Deep molecular generative model by fusion of 3D information for de novo drug design
Author: Song, Tao; Ren, Yongqi; Wang, Shuang; Han, Peifu; Wang, Lulu; Li, Xue; Rodriguez-Paton, Alfonso

Journal: METHODS. 2023; Vol. 211, Issue , pp. 10-22. DOI: 10.1016/j.ymeth.2023.02.001
8、A deep learning based two-layer predictor to identify enhancers and their strength
Author: Zhu, Di; Yang, Wen; Xu, Dali; Li, Hongfei; Zhao, Yuming; Li, Dan

Journal: METHODS. 2023; Vol. 211, Issue , pp. 23-30. DOI: 10.1016/j.ymeth.2023.01.007