人体是一个庞大且相互连接的系统，其中的分子、细胞和组织不断进行着通信，以维持健康或驱动疾病。几十年来，科学家们一直试图绘制这些连接图谱，收集了关于基因、蛋白质和细胞行为的海量数据。这些数据就像是图书馆里的快照，展示了某一特定时刻的存在状态。然而，了解“存在什么”与了解“如何运作”是两回事。为了真正理解生物学，研究人员需要预测如果改变系统中的某个特定部分（例如开启或关闭某个基因，或引入一种新药）会发生什么。这就是观察河流的流向与预测在修建大坝后水流如何反应之间的区别。计算生物学领域发展迅速，利用强大的计算机在这些数据中寻找模式，但一个主要的障碍仍然存在：目前的计算机非常擅长描述它们所看到的内容，但在理解支配生命的因果规则方面却显得力不从心。

来自卡尔加里大学的研究人员提出了一个全新的视角，认为前进的道路需要从根本上改变我们构建这些计算机模型的方式。作者 James Colter、Nicole Rosin、Jeff Biernaskie 和 Nils Daniel Forkert 认为，目前的方法过于碎片化。他们指出，如果模型不能反映生物学的实际结构，那么仅仅向更大、更复杂的人工智能系统中喂入更多数据并不能解决问题。相反，他们呼吁进入一个“计算机模拟生物学”（in silico biology）的新时代，即计算机系统被设计为学习生命的因果规则，而不仅仅是统计模式。这意味着要构建能够区分“巧合”与“真实原因”的模型，并且能够预测生命系统在面对干预时的反应，即使是在计算机从未见过的场景下。

研究人员确定了实现这一愿景必须解决的三个具体挑战。第一个是表示问题（representation problem）。生物数据通常是不完整的，且来自许多不同的来源，例如基因序列、显微镜图像和患者记录。这些信息就像是拼图的碎片，并不总是能整齐地拼凑在一起。目前的方法通常试图通过假设它们相关联，将这些碎片强行整合进一张单一的图像中，但这可能会掩盖细胞运作的真实规则。作者认为，我们需要能够理解这些测量值的上下文环境的模型，即识别出某个基因在健康组织中可能表现出一种方式，而在患病组织中则可能表现出完全不同的方式。如果没有这种上下文，计算机就无法分辨出一个规则是普遍成立的，还是仅仅在特定情况下偶然出现的模式。

第二个挑战是因果关系问题（causality problem）。即使计算机能够准确描述一种生物状态，它还必须能够预测当某些因素改变时，该状态会如何变化。这是医疗干预的核心。如果医生想要治疗一种疾病，他们需要知道改变特定的靶点会导致治愈，而不仅仅是症状的暂时缓解。论文指出，许多现有模型是基于观察性数据训练的，这些数据仅展示了自然发生的过程。这些模型非常擅长猜测熟悉序列中的下一步，但当被要求想象一个从未观察到的场景时，往往会失败。例如，一个模型可能知道某蛋白质在病人患病时水平很高，但它无法可靠地预测如果降低该蛋白质水平会发生什么，因为它并未学习到将该蛋白质与疾病联系起来的底层机制。作者强调，如果不针对现实世界的变化来测试这些预测，我们就无法确定计算机学习的是生命的规则，还是仅仅记住了数据。

第三个障碍是干预问题（intervention problem），这涉及验证计算机所认为的知识是否正确。一个模型只有在它的预测可以在生命系统中得到测试和证实时，才是有效的。研究人员指出，许多用于测试这些模型的基准测试存在缺陷，因为它们没有考虑到真实生物学的复杂性。他们展示了一些先进的计算机模型在执行简单任务（如将相似的细胞归为一类）时表现出色，但在被要求预测特定药物治疗或基因改变的结果时却表现拙用。论文强调，仅仅与现有数据保持一致是不够的；模型必须能够解释变化发生的原因，并预测系统如何进行补偿。例如，如果一个细胞被迫发生改变，它通常会有备份系统来试图保持稳定。一个优秀的模型必须理解这些隐藏的防御机制，才能预测干预的真实结果。

作者认为，解决方案不在于让计算机模型变得更大或更复杂，而在于设计它们以尊重生物学的架构。他们建议，我们需要结合不同类型的学习，利用原始数据和既定的生物学规则来引导计算机。这种方法将允许模型填补数据缺失的部分，并理解身体不同部分如何在从分子到整个有机体的不同尺度上进行相互作用。论文指出，下一个前沿领域不是寻找单一的完美算法，而是创建一个能够在线性观察、预测和实验测试之间无缝切换的凝聚系统。通过在计算机预测与实验室实际情况之间进行迭代，科学家可以精炼他们对支配生命规则的理解。

最终，这项工作是对科学界的一个行动号召，要求我们重新思考如何进行生物建模。作者认为，描述数据、理解因果和测试干预之间的分离阻碍了该领域的发展。他们提出，通过将这三个元素整合到一个统一的框架中，我们可以构建出不仅能分析数据，而且能做得更多的计算机系统。这些系统最终可以指导新疗法的设计，并帮助我们理解如何引导生命系统走向健康。前进之路需要人工智能的力量与关于生物学实际运作的深度上下文知识之间的谨慎平衡，从而确保我们的数字工具植根于生命世界的现实之中。