系统与合成生物学哲学（完结）

4.2 解释多元化

系统生物学也为科学解释的讨论带来了新的见解。特别是，系统生物学中的网络分析进一步引发了关于数学抽象在识别生物系统的组织特征、反事实依赖关系和可推广性方面的作用的讨论。不同学科的融合以及对数学建模的重视，使得系统生物学成为一个尤为引人关注的案例，探讨机械论解释能否充分捕捉当代生物学解释实践的多样性。

机械论解释最初强调物理学中涵盖定律的解释理念与分子生物学解释之间的差异 (Craver & Tabery 2015)。机械论解释则指出生物功能是如何由组成部分或实体的相互作用和组织产生的 (Bechtel & Richardson 1993; Machamer et al. 2000; Glennan 2002)。由于系统生物学研究通常与分子和细胞生物学研究相结合，一些人认为系统生物学中的许多案例很容易被视为机械论研究的延伸 (Boogerd et al. 2013; Richardson & Stephan 2007)。尽管抽象建模与机械论研究兼容，但抽象模型是否朝着不同于机械论解释的研究目标发展，仍是一个备受争议的问题。一些人认为数学模型主要用作机械解释的输入或启发式方法，即机械图式（Darden 2002；Matthiessen 2015），而另一些人则认为，对定量和动态方面的强调背离了机械解释。支持后者的一个论点是，建模过程并非从抽象模型到更详细的模型，而是朝着相反的方向发展，这表明机械细节可能是更通用解释的载体，而不是相反（Braillard 2010；Serban & Green 2020）。第二个论点涉及从抽象的数学模型中重构因果关系的难度（Issad & Malaterre 2015）。因此，系统生物学也可能提供非机械解释的案例。

拓扑或结构解释强调网络架构如何总体上决定动态行为，而与网络的因果细节无关（Huneman 2010；Kostić 2020；Kostić et al. 2020；Suárez & Deulofeu 2019）。有人认为，对生物鲁棒性背后的网络结构的数学分析可以例证这一解释目标（Jones 2014）。另一类非机械解释是 Wouters (2007) 所说的设计解释，最早是在比较生理学的背景下提出的。设计解释并非描述生物功能的因果产生方式，而是阐明了为什么存在给定的设计（而不是替代设计）。他们通过指出可能设计的限制条件来做到这一点，这些限制条件使得某些设计良好，某些设计次优，而另一些设计则不可能实现。设计解释与系统生物学的相关性在于，它旨在通过独立于具体实施情境的设计原则来明确功能能力（例如，鲁棒性）与系统组织（例如，积分反馈控制）之间的关系（Braillard 2010；Boogerd 2017，另见 Shinar & Feinberg 2011，了解系统生物学的一个候选示例）。设计解释强调的解释特征类似于 Batterman 和 Rice (2014) 所说的最小模型解释（另见 Gross 2015）。这些解释性描述被解读为各种基于约束的解释（Green and Jones 2016）。因为它们优先考虑物理和形式约束，而忽略了机械细节。除了强调解释的认识论目标的差异之外，一些论述还为不同的解释策略提供了本体论上的论证，即较高层次的现象以较低层次的机械细节的功能丧失和自主性为特征 (Batterman and Green 2021; Moreno and Suárez 2020)。

另一种方法是将系统生物学中的解释视为不同类型解释的融合。一些论述强调不同解释目标的兼容性，认为它们是多元生物学解释方法的组成部分 (Brigandt et al. 2018; Mekios 2015)。阐明这种兼容性的一种方法是，不同的方法强调构成性或因果性方面 (Fagan 2015)。区分这两者可能有助于识别因果机械建模和网络动力学数学分析的不同贡献。尽管因果关系在机械论解释中通常被优先考虑，但 Fagan (2015) 建议采用一种协作性解释的联合解释，将系统中的空间组织描述与因果关系结合起来。系统生物学对形式化建模的日益依赖也要求我们考察数学解释与机械论解释之间的关系 (Baker 2005; Brigandt 2013; Mekios 2015)。一些人认为，需要对动态机械论解释进行更新，强调数学和计算建模对于理解非线性动力学、循环组织和复杂反馈关系的重要性 (Bechtel & Abrahamsen 2011, 2012; Brigandt 2013)。在此背景下，理想化的模型对于理解更大网络结构中机制的组织至关重要 (Bechtel 2015b; Levy & Bechtel 2013; van Eck & Wright 2021)。[8]

尽管系统生物学的大部分（或许是绝大部分）哲学研究都侧重于解释，但我们不能想当然地认为解释是系统生物学研究的唯一目标 (MacLeod & Nersessian 2015; Kastenhofer 2013a,b)。设计原则不仅可以解释生物功能的实现方式，还可以探索同一功能是否可以以其他或更简单的方式实现 (Briat et al. 2016)。因此，合成生物学和系统生物学也要求哲学家们考察其他认知目标，例如预测、控制和设计，以及理解生物功能和生命本身的最低要求的理论和实践兴趣。

5. 社会影响

5.1 跨学科整合、合作与教育

大规模跨学科合作日益成为应对现代科学和社会重大挑战的必要条件 (Vermeulen 2010; Calvert 2010; Andersen 2016)。跨学科性是系统生物学和合成生物学的标志，这两种方法都为哲学分析跨学科整合的认识论特征 (O’Malley & Soyer 2012)、跨学科身份 (Calvert 2012) 以及跨大学大规模合作 (Calvert & Frow 2015；大型项目示例见下文网络资源列表) 提供了丰富的资源。

研究跨学科整合的前景与挑战也为了解跨学科问题解决所涉及的认知过程提供了一个窗口。研究不能依赖于单一的理论框架（MacLeod & Nersessian 2013a,b）。在此过程中，当代科学中运作的不同认识论理念往往会显现出来。虽然结合不同的概念框架可以带来创新和科学进步，但不同认识论文化的存在也可能对跨学科合作构成挑战（Calvert & Fujimura 2011；Carusi 2011；Kastenhofer 2007）。哲学分析已被提出，以帮助在认识论标准发生冲突的情况下促进合作。科学哲学可以帮助阐明这些差异及其背景，并揭示考虑到其他学科的目标、价值观、约束和挑战而存在的“盲点”（Nersessian 2017）。

一个经常被强调的分歧是实验生物学家与具有工程、数学或物理学背景的建模者之间的差距。对系统生物学中建模者与实验者合作的实证分析表明，这两组人对于哪些类型的数据和模型最相关往往持有不同的看法 (Joaquium et al. 2019; Nersessian 2017; Rowbottom 2011)。例如，建模者可能对以与实验生物学家相同程度的细节研究生物系统不感兴趣，而实验者可能会发现受物理学或工程学启发的高度抽象和理想化的模型具有误导性 (MacLeod 2018)。从工程师或物理学家的角度来看，过分关注分子细节可能会错过可以用更通用的模型捕捉到的动态模式，而实验者可能会发现这些通用模型通常缺乏特异性，或者仅仅是对现有生物学知识的复现。这些差异可能部分源于不同的解释标准，正如第 4.2 节所讨论的那样（Fagan 2016；Green 等人 2015a）。

使解释标准和价值观更加明确，并阐明不同研究策略的相对前景和局限性，是科学哲学可以促进科学和科学教育的方式。同时，合成生物学和系统生物学中的协作实践可能需要扩展哲学分析的范围。尽管哲学家传统上关注科学文本中的逻辑和论证关系，但理解系统生物学和合成生物学中的协作实践可能还需要进一步探索科学实践的美学、认知和创造性维度（Carusi 2011；Ginsberg 等人 2015）。重要的问题是，可视化策略的选择基于哪些方面，以及通过图表、热图、网络模型或状态空间来表示生物数据如何影响生物推理和协作 (Abrahamsen & Bechtel 2015; Carusi 2012; Jones & Wolkenhauer 2012)。

5.2 数字时代的生物学

21世纪系统生物学和合成生物学的兴起，在很大程度上是由数据生产、数字化、收集、传播和标准化技术和策略的发展所驱动。这些研究实践的第一步通常是查阅用于数据共享、数据集成、注释和实验数据集整理的在线数据库或生物本体 (Leonelli 2016)。例如，寻找网络基序（第1.1节）。1) 始于基于从数据库 RegulonDB 以及其他来源下载的数据开发网络模型 (Shen-Orr 等人，2002)。众多数据库、生物本体和软件工具应运而生，强调开放数据和大规模协作的理念 (Leonelli，2013)。这些实践引发了一些问题：系统生物学和合成生物学领域的某些项目是否可以被描述为“大科学”(Vermeulen，2010)，以及数据密集型研究实践与合作的认知和社会影响。

一个备受争议的问题是，大数据将在多大程度上彻底改变甚至彻底革新科学方法，将研究重点从假设驱动的探究转向数据驱动的发现 (Mazzocchi，2015)。一些人认为数据密集型策略是一种非理论方法 (Allen，2001)，而另一些人则认为，理论在数据密集型科学中扮演着不同的角色，尽管其重要性不相上下 (Leonelli，2016)。尤其是大数据生物学，为排除推理和探索性实验提供了新的机遇（Ratti，2015）。此外，由于生物本体论的目标是为共享信息提供标准化的语言和存储库，词汇和分类的选择成为重要的哲学议题，包括标准化是否与本地数据用途兼容（Leonelli，2016）。重要的哲学问题包括数据收集、采样、标准化、可视化和解释的选择如何影响分析结果。具体而言，基于相关性的方法（例如全基因组关联分析）的结果对采样程序和特定的统计阈值敏感，基因生物标志物的临床有效性和实用性仍是一个备受争议的问题（例如，Hey，2015；Maher，2008；McPherson 和 Tybjaerg-Hansen，2016）。

最后，数据密集型实践也对科学的机构组织产生了影响，例如一方面推动开放获取，另一方面商业机构对大数据的兴趣（Calvert & Frow，2015；Kastenhofer，2013a,b；Leonelli，2013, 2014；皇家学会，2012；Vermeulen，2011）。数据的生成和汇编通常没有明确的目标，并被用于多种用途。学者们强调，需要重新思考数据与证据、基础科学与应用科学之间的关系。此外，随着数据所有权环境的变化，作者身份和荣誉方面的奖励制度也可能需要重新考虑 (Ankeny & Leonelli 2015)。

5.3 应用与伦理问题

系统生物学和合成生物学有望帮助应对社会挑战，并为生物医学研究、医疗保健和环境资源管理带来回报。尽管它们提供了令人兴奋的新潜力，但人们也对这些新技术科学策略的社会和伦理影响提出了担忧。

系统医学是系统生物学的医学应用，旨在对癌症和心脏病等复杂疾病的理解取得重大突破 (Voit & Brigham 2008; Wolkenhauer et al. 2013)。系统生物学中的雄心勃勃的项目（例如虚拟生理人）提出了一些有趣的问题，即计算建模将如何影响未来的生物医学研究（Kohl & Noble 2009；Kolodkin 等人 2011；Hunter 等人 2013）。多尺度心脏模型已在开发中，这对于解决生理变异性问题，以及模型验证和实验与模拟之间关系的哲学探讨具有重要意义 (Carusi et al. 2012; Carusi 2014)。

系统生物学和合成生物学的发展促使哲学家们重新审视疾病的传统概念，即疾病是功能障碍状态 (Holm 2013, 2014) 或失效机制 (Gross 2011)。与关注特定基因或分子机制的功能或功能障碍相比，网络方法研究疾病可能是一种更具动态性的疾病研究方法，能够解释越来越多的综合过程 (Del Sol et al. 2010; Huang et al. 2009)。癌症研究是系统生物学研究的重点，并体现出可能需要数据密集型方法来应对生物复杂性的领域 (Plutynski 2021)。癌症基因组学的发展揭示了肿瘤类型的惊人多样性，这表明可能需要更精细的疾病类别和更有针对性的治疗。这一研究方向开辟了新的研究方向，例如开发针对通过基因组分析发现的众多疾病相关通路的多重作用疗法。然而，在测序肿瘤中发现的突变多样性也引发了关于癌细胞行为和身份能否在分子水平上得到充分理解的激烈争论。一些人强调，需要超越以基因为中心或以细胞为中心的研究方法，将癌症视为组织结构问题（Soto & Sonnenschein 2011）。尽管一些系统生物学对癌症的解释展现了整合“自上而下”和“自下而上”方法的可能性 (Bertolaso​​ 2016; Plutynski 和 Bertolaso​​ 2018)，但系统生物学研究也展现出多种多样、有时甚至相互冲突的癌症研究方法。这些争论不仅对还原论的讨论具有哲学意义，而且对如何在实验中研究癌症以及如何在临床实践中治疗癌症也具有实际意义 (Bertolaso​​ 2011; Soto 等人 2008)。

当代医学的一个重要问题是如何解释患者个体差异。系统医学有时被认为是通往个性化医疗或精准医疗的途径 (Hood 等人 2015)。个性化医疗的目标与医学界本身一样古老，但现在它通过具有令人振奋的新潜力的数据密集型计算策略得到了推动 (Tutton 2014)。支持者乐观地认为，大规模的患者特异性数据建模可以带来范式转变，从传统医学的“一刀切”模式转向更高效的系统性方法，从而根据个体患者量身定制疾病的预防、诊断和治疗方案。与这种乐观情绪相反，一些人对遗传风险分析的不确定性和潜在的有害后果表示担忧，包括过度诊断和对健康个体进行不必要医疗的风险 (Green & Vogt 2016; Vogt et al. 2016, 2019)。哲学家和社会科学家也批判性地审视了利用个性化基因组学的公司如何向公众传达风险信息，并讨论了此类信息如何影响健康结果和健康认知 (Bartol 2013; Prainsack 2017; Reydon et al. 2019)。2012）。更广泛地说，系统医学引发了关于预测和控制未来健康结果的愿景是否与人本主义的医学方法和社会复杂性相兼容的争论（Tutton 2014；Vogt 等人 2014）。此外，系统医学与合成生物学应用的结合也为 O’Malley (2011a) 所称的建设性个性化医疗打开了大门，即将预测模型与合成干预相结合。目前，用于这些目的的有前景的技术包括 CRISPR-Cas9 基因编辑、器官芯片模型、3D 生物打印以及基于类器官的替代疗法模型。在为疾病治疗创造前所未有的潜力的同时，它们也引发了关于人工嵌合体和人类增强的伦理问题（Pio-Lopez 2021）。

在合成生物学的背景下，讨论通常集中在尝试创造合成生物体以及使用设计隐喻是否会损害我们对生命的看法和尊重（Christiansen 2016a；Douglas 等人 2013；McLeod 和 Nerlich 2017）。其他伦理辩论则探讨特定合成应用可能带来的负面后果风险。讨论通常涉及所谓的双重用途问题，即权衡转基因生物的益处与潜在问题和风险。例如，有意或无意释放合成病原体所带来的生物危害，或合成生物医学化合物可能为高效廉价的非法药物生产打开大门（Christiansen 2016b）。生物技术的商业化也引发了担忧。例如，关于最小基因组或合成基因的广泛专利申请（O’Malley 等人 2008），以及如果通过合成生物的工业化生产在发展中国家胜过传统农业，将引发结构性不公的思考（Christiansen 2016b）。因此，通过系统生物学和合成生物学解决社会问题的强烈推动，带来了新的、令人兴奋的可能性，但也需要哲学家和社会科学家进行批判性审视。

6. 结语

系统生物学和合成生物学通常被认为侧重于分析而非合成，但这两个领域与工程方法的联系都是复杂且多方面的。本文将系统生物学和合成生物学放在一起讨论，是因为两者之间存在许多科学和哲学问题的重叠。这两种方法都从工程学、数学、物理学和计算机科学中汲取灵感，但方式各有不同，并且朝着理解、预测和修改生物系统的不同目标迈进。因此，这两种方法都为跨学科融合的哲学讨论提供了极好的资源，尤其是探讨数学和计算方法日益融入生物学的影响。一些实践鼓励哲学家重新审视经典哲学主题，例如还原论和科学解释，但系统生物学和合成生物学也拓宽了哲学主题的范围，将数据密集型实践和建模策略纳入其中，以实现设计和控制的目标。

由于本文探讨了系统生物学和合成生物学的哲学含义，因此人们更多地关注工程方法的含义，包括对所谓设计原则的探索。然而，值得注意的是，系统生物学和合成生物学涵盖了广泛的研究实践，其中一些研究实践受化学或物理学而非工程学的启发更大。因此，本文仅试图涵盖这些研究领域所涉及的广阔哲学图景中的一小部分。随着这两种方法的快速发展及其应对重大科学和社会挑战的明确目标，生物哲学的辉煌时代即将到来。