Simulating is not always understanding: When model complexity obscures biology

想象一下你正试图了解一辆汽车是如何工作的。你可以把发动机拆解开，把每一个螺栓、活塞和火花塞都摆在桌子上，然后再把它们重新组装起来。如果汽车能发动起来，你就成功模拟了这个发动机。但你真的理解它为什么能运转吗？也许你只是在组装零件的顺序上运气好而已。又或者，你本可以用一半数量的零件造出一个能工作的发动机，但因为你正忙着数螺栓而没有意识到这一点。这就是现代细胞生物学面临的困境。科学家们正在构建极其详尽的计算机模型——数字孪生体，追踪成千上万个分子、基因和化学反应。这些模型就像是生命的高清大型视频游戏。但人们日益担心：仅仅因为计算机模拟可以完美地模仿细胞的行为，是否意味着我们真正理解了游戏的规则？你即将阅读的这篇论文探讨了这个问题，认为有时增加细节反而会让谜团更难破解，而不是更容易解决。

这篇论文的作者们是一群生物学家和科学哲学家，他们对“模型复杂度”敲响了警钟。他们认为，在追求构建最详尽、“全细胞”模拟的过程中，科学家可能会失去解释“为什么”事物发生的能力。把模型想象成一个食谱。一个只有三种配料的简单食谱可能会告诉你蛋糕为什么会膨胀（苏打粉与醋的反应）。但如果你写下一个拥有 5000 种配料的食谱，包括“一撮星尘”和“三滴晨露”，且蛋糕依然膨胀了，那你并没有学到任何新知识。你无法判断这 5000 种配料中哪些才是真正起作用的。论文指出，真正的理解并不来自于堆砌更多的数据，而在于拥有一个其“旋钮”（你可以调节的数值）受到现实世界实验严格控制的模型，这样你才能看清究竟是哪些旋钮让机器运转起来的。

“完美”模拟的陷阱

论文首先指出一个常见的陷型：模拟并不等同于理解。 想象一下你正在尝试猜保险箱的密码。如果你有一个机器人，它尝试了从 0000 到 9999 的每一个组合，它最终会打开保险箱。这个机器人“模拟”了打开保险箱的过程。但机器人并不知道密码是什么；它只知道其中一个数字奏效了。在细胞生物学中，一个复杂的模型可能会完美地“拟合”数据，这意味着它能重现科学家在实验室中观察到的现象。但如果该模型拥有过多的自由变量（参数）可以被随意调整以使其奏效，这就好比那个尝试每一种组合的机器人。它证明了模型“可以”奏效，但它不能证明该模型就是正确的解释。

作者认为，一个模型要能教给我们知识，它需要做的不仅仅是复制我们已知的事物。它需要：

1. 做出一个我们尚未见过的新预测。
2. 揭示两个我们认为无关的事物之间存在令人惊讶的联系。
3. 当我们改变某个部分时，能够以特定的方式失败，从而向我们展示该部分是必不可少的。

如果一个模型复杂到可以通过微调来拟合几乎任何情况，它就会在上述三点上全部失败。它会变成一个“黑箱”，给出正确答案却给出了错误的理由。

“粗糙性”问题

在这里，论文引入了一个非常有趣的术语，叫做参数粗糙性（parameter sloppiness）。想象你在调收音机。如果你有一个只有一个音量旋钮的简单收音机，很容易找到合适的设置。但想象一个有 1000 个旋钮的收한机，你可以把它们全部调到不同的设置，却依然能听到同样清晰的歌曲。这就是“粗糙性”。在这些复杂的生物模型中，科学家经常发现，他们可以大幅度改变几十个数值，而模型依然产生完全相同的结果。这被称为“粗糙”。

论文解释说，这实际上是一把双刃剑。

• 好消息是： 模型擅长预测。因为即使微调数值，结果也不会发生太大变化，所以模型是稳健的。即使你不知道每个部分的精确值，它也可能给你正确的答案。
• 坏消息是： 模型在解释方面表现糟糕。如果你可以改变 100 个数值却得到相同的结果，你就无法知道这 100 个数值中究竟哪一个是在起作用。你无法说：“啊，这个特定的蛋白质就是原因！”因为模型会告诉你：“事实上，它可以是这 50 个蛋白质中的任何一个，或者是它们的某种组合。”

作者使用了一个生动的例子：细胞周期模型（细胞进行分裂的过程）。他们将一个拥有 13 个可调参数的“详细”模型与一个仅有 3 个参数的“极简”模型进行了对比。两个模型都能让细胞在正确的时间内完成分裂。然而，当他们测试这些数值的波动范围时：

• 详细模型是“粗糙”的。它可以在大约 85% 的所有可能数值组合下正常工作。这使得人们无法判断哪些数值才是“真实的”。
• 极简模型是“紧凑”的。它仅能在约 2% 的组合下工作。由于它受到了如此严格的约束，科学家实际上可以从中学习到关于系统的知识。

论文认为，如果在没有增加实验数据来锁定这些数值的情况下，增加更多的生物学细节（更多的蛋白质、更多的反应），只会让模型变得更加“粗糙”。这就像是试图解开一个由百万块碎片组成的拼图，但你手里只有盒子上的一张图片作为引导。你可能会把碎片拼在一起，但你不会知道自己拼得对不对。

解决方案：搭建阶梯，而非筑起高墙

那么，科学家应该怎么做呢？论文建议我们不要把构建最大、最复杂的模型作为最终目标。相反，我们应该将复杂的模型视为探索之旅的起点。

作者提出了两种主要策略，将“模拟”转化为“理解”：

1. 构建模型层级（阶梯）： 科学家不应从一个庞大的模型开始，而应该建立一个模型的阶梯。从能完成任务的最简单版本开始。然后，逐步增加复杂度。在每一步，都要问：“为了让它运行，我们是否真的需要添加这个新部分？”如果简单的模型同样能很好地运作，那么那个复杂的部件对于该特定行为来说就是不必要的。这有助于剥离“无关”的细节，找到核心规则。论文指出，在某些领域，比如模拟细胞如何粘附在一起形成组织，科学家已经这样做过了。他们使用仅包含几个规则的简单模型来解释诸如组织如何流动或阻塞之类的复杂行为，正因为规则简单，他们可以探索每一种可能性并真正理解其中的机制。

2. 进行“动力学分析”（地图）： 科学家需要停止仅仅运行一次模拟并观察其看起来是否正确。他们需要绘制出“相图”。想象一张显示系统可以处于所有不同状态的地图。通过系统地改变模型中的数值并观察其行为如何变化，科学家可以找到“临界点”（分叉点）。这能告诉他们什么在控制系统，以及如果过度推动系统会发生什么。论文指出，虽然这在简单模型中很常见，但在巨大的“全细胞”模型中很少见，因为运行成千上万次这些模型在计算上成本太高。但如果没有这张地图，模型就只是一个演示，而不是一种解释。

机器学习的转折

论文还涉及了**机器学习（AI）**在生物学领域的兴起。AI 模型在根据海量数据预测细胞行为方面做得非常好。但作者警告说，这些 AI 模型也面临同样的问题。它们通常是“高级插值器”——它们非常擅长根据数据中的模式来猜测答案，但它们并不一定知道答案背后的“为什么”。

作者建议，如果 AI 可以快速且廉价地构建模型，那么真正的挑战就从“构建”模型转向了“分析”模型。仅仅因为计算机可以生成一个符合数据的模型，并不意味着这个模型是有用的。我们仍然需要进行艰苦的工作，去检查模型的“旋钮”是否受到约束，以及我们是否可以解释因果关系。

总结

论文最后呼吁改变生物建模的“精神特质”。我们不应该仅仅为了说我们包含了细胞中的每一个分子而试图包含它们。相反，我们的目标应该是理解。

• 复杂度不是目标： 一个拥有数百万个部分的模型并不自动意味着它更好。
• 约束是关键： 一个模型只有在内部数值被现实实验固定下来时才是有用的。
• 简约揭示真相： 有时，理解一个复杂系统的最佳方法是找到那个仍然有效的最简单版本，然后观察加入其他东西后会发生什么。

作者并不是说大模型没有用。他们是说，构建“全细胞”模拟只是第一步，就像准备好制作蛋糕的所有原料一样。真正的研究工作——即带来理解的部分——发生在烘焙蛋糕、品尝蛋糕并弄清楚究竟是哪种配料让它膨胀起来的时候。在进行这种分析之前，我们可能只是在模拟细胞，而并未真正了解它是如何运作的。