https://wiki.swarma.org/api.php?action=feedcontributions&feedformat=atom&user=%E8%AE%B8%E8%AE%B8
集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织 - 用户贡献 [zh-cn]
2026-11-03T06:30:27Z
用户贡献
MediaWiki 1.35.0
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20133
蝴蝶效应 Butterfly effect
2020-12-16T08:52:00Z
<p>许许：/* 数学定义 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
{{Quotation|丢了一只马蹄铁，折了一匹战马； <br />
折了一匹战马，损了一位国王； <br />
<br />
损了一位国王，输了一场战争； <br />
<br />
输了一场战争，亡了一个帝国。 <br />
<br />
For want of a nail, the shoe was lost; <br />
<br />
For want of a shoe, the horse was lost; <br />
<br />
For want of a horse, the rider was lost; <br />
<br />
For want of a rider, the battle was lost; <br />
<br />
For want of a battle, the kingdom was lost! <br />
}}看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====蝴蝶效应的成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散的divergent动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<ref>Shinbrot, T., Ditto, W., Grebogi, C., Ott, E., Spano, M., & Yorke, J. A. (1992). Using the sensitive dependence of chaos (the ‘‘butterfly effect’’) to direct trajectories in an experimental chaotic system. Physical review letters, 68(19), 2863.</ref><br />
<br />
==== 数学定义====<br />
动力系统理论是数学的分支，动力系统的初始条件敏感依赖性自然就是一个数学性质。数学上，为了保持一般性，我们在度量空间中考虑动力系统的初始条件敏感依赖性。<br />
<br />
考虑度量空间<math>(M,d)</math>，<math>M</math>是集合，<math>d:M \times M \to \mathbb R</math>是定义<math>M</math>上的二元函数，<math>\forall x,y,z\in M</math>其满足<br />
# <math>d(x,y)\geq 0</math>, <math>d(x,y)=0</math>当且仅当 <math>x=y</math> （正定性）<br />
# <math>d(x,y) = d(y,x)</math> （对称性）<br />
# <math>d(x,z)\leq d(x,y)+d(y,z)</math> （三角不等式）<br />
我们一般在欧式空间Euclidean space或希尔伯特空间Hilbert space中考虑动力系统，这两种空间均为度量空间。<br />
<br />
考虑度量空间<math>(M,d)</math>中动力系统<math>f^t:M \to M</math>，其把初始状态<math>x_0\in M</math>映射为$t>0$时刻的系统状态<math>x_t\in M</math>。动力系统的初始条件敏感依赖性被<ref>Devaney, R. (2003). An introduction to chaotic dynamical systems. Westview press.</ref>定义为，存在正数<math>\delta >0</math> 满足：对于任意 <math>x\in M</math>以及<math>x</math>的任意邻域<math>N(x)</math>都存在<math>t\geq 0</math>以及<math>y\in N(x)</math> 满足:<br />
<math>d(f^t(x),f^t(y))>\delta</math>.<br />
<br />
这里的中心思想是，只要动力系统对于任意初始状态<math>x</math>，存在一个任意接近$x$的系统状态量<math>y</math>，它能逐渐演化远离<math>x</math>，那么这个动力系统就具备初始条件的敏感依赖性。这里要强调，没有必要要求<math>x</math>附近的所有<math>y</math>都最终<math>f^t(y)</math>不趋近<math>f^t(x)</math>；只要至少有一个这样的<math>y</math>就可以了。<br />
<br />
如果对于<math>x</math>附近的所有<math>y</math>都满足，最终<math>f^t(y)</math>不趋近<math>f^t(x)</math>，那么我们称这个系统具有扩张性(expansiveness)我们也用李雅普诺夫指数 Lyapunov exponent 来定义初始条件敏感依赖性。<br />
<br />
考虑度量空间<math>(M,d)</math>中动力系统<math>f^t:M \to M</math>，其把初始状态<math>x_0\in M</math>映射为<math>t>0</math>时刻的系统状态</math>x_t\in M</math>。动力系统的初始条件敏感依赖性被定义为，存在正数</math>\lambda >0</math> 满足：对于任意 <math>x\in M</math>以及<math>\delta >0</math>都存在满足<math>d(x,y)<\delta</math>的<math>y</math>以及时刻<math>t\geq 0</math>满足:<br />
<math>d(f^t(x),f^t(y))>e^{\lambda t}d(x,y)</math><br />
这里的$\lambda$就被称为李雅普诺夫指数。我们也称具有正李雅普诺夫指数的动力系统，具有初始条件敏感依赖性。<br />
<br />
由此我们可以得知，初始条件敏感依赖性，并没有约束系统的长期行为是不是趋近于某一平衡态或者周期轨道；而仅仅要求了，任意从任意两个任意接近的初始状态出发，系统的两条演化轨迹在一定时间内快速分开。<br />
<br />
于是，对于具有初始条件敏感依赖性的系统（如天气系统），由于无法完全准确地测量和初始条件，以及仿真计算系统的演化，因此我们难以进行超过特定时间范围的预测，例如对于天气预测暂时无法超过一个月。不仅如此，李雅普诺夫指数还反映出，误差在一定范围内是指数增加的。这也意味着，只有我们的测量精度和计算精度指数增长，我们能预测的时长才只能线性增长。参阅<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos with student solutions manual: With applications to physics, biology, chemistry, and engineering. CRC press.</ref>的例子，以及<ref>Lighthill, M. J. (1986). The recently recognized failure of predictability in Newtonian dynamics. Proceedings of the Royal Society of London. A. Mathematical and Physical Sciences, 407(1832), 35-50.</ref>中的精彩讨论。<br />
<br />
当然，对于既不发散也不收敛、初始条件敏感、非周期变化、确定性混沌系统而言，这样的误差一般不是无限指数增加的，而是会有个限度。对于存在奇怪吸引子 strange attractor的混沌系统，例如洛伦茨发现的系统<ref>Tucker, W. (1999). The Lorenz attractor exists. Comptes Rendus de l'Académie des Sciences-Series I-Mathematics, 328(12), 1197-1202.</ref>，其最大误差不会大于奇怪吸引子的直径。对于给定动力系统的李雅普诺夫指数计算<ref> Strogatz, S. H. (2018). Nonlinear dynamics and chaos with student solutions manual: With applications to physics, biology, chemistry, and engineering. CRC press.</ref>。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差<math>10^{-5}</math>）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差<math>10^{-5}</math>倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===集智推荐===<br />
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====<br />
本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。<br />
<br />
====[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]====<br />
本课程中，主要介绍动力学系统和混沌系统，您将学到蝴蝶效应（butterfly effect）、奇异吸引子（attractors）等基本概念，以及如何应用于您感兴趣的领域。<br />
<br />
====[https://swarma.org/?p=21251 蝴蝶效应和混沌故事 | 陈关荣]====<br />
“人们经常都会看到，纯粹理论研究的一点点成果，也许在很长时间之后，会导致连做该纯理论研究的科学家都始料不及的实际应用。”<br />
<br />
====[https://swarma.org/?p=22581 什么是动力系统理论 | 集智百科]====<br />
动力系统理论 dynamical systems theory ，也常译作动力学理论、或动力系统理论，它是数学研究的一部分。它主要利用微分和差分方程，来描述和研究复杂的动力系统。<br />
<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20132
蝴蝶效应 Butterfly effect
2020-12-16T08:42:58Z
<p>许许：/* 数学定义 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
{{Quotation|丢了一只马蹄铁，折了一匹战马； <br />
折了一匹战马，损了一位国王； <br />
<br />
损了一位国王，输了一场战争； <br />
<br />
输了一场战争，亡了一个帝国。 <br />
<br />
For want of a nail, the shoe was lost; <br />
<br />
For want of a shoe, the horse was lost; <br />
<br />
For want of a horse, the rider was lost; <br />
<br />
For want of a rider, the battle was lost; <br />
<br />
For want of a battle, the kingdom was lost! <br />
}}看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====蝴蝶效应的成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散的divergent动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<ref>Shinbrot, T., Ditto, W., Grebogi, C., Ott, E., Spano, M., & Yorke, J. A. (1992). Using the sensitive dependence of chaos (the ‘‘butterfly effect’’) to direct trajectories in an experimental chaotic system. Physical review letters, 68(19), 2863.</ref><br />
<br />
==== 数学定义====<br />
动力系统理论是数学的分支，动力系统的初始条件敏感依赖性自然就是一个数学性质。数学上，为了保持一般性，我们在度量空间中考虑动力系统的初始条件敏感依赖性。<br />
<br />
考虑度量空间<math>(M,d)</math>，<math>M</math>是集合，<math>d:M \times M \to \mathbb R</math>是定义<math>M</math>上的二元函数，<math>\forall x,y,z\in M</math>其满足<br />
# <math>d(x,y)\geq 0</math>, <math>d(x,y)=0</math>当且仅当 <math>x=y</math> （正定性）<br />
# <math>d(x,y) = d(y,x)</math> （对称性）<br />
# <math>d(x,z)\leq d(x,y)+d(y,z)</math> （三角不等式）<br />
我们一般在欧式空间Euclidean space或希尔伯特空间Hilbert space中考虑动力系统，这两种空间均为度量空间。<br />
<br />
考虑度量空间<math>(M,d)</math>中动力系统<math>f^t:M \to M</math>，其把初始状态<math>x_0\in M</math>映射为$t>0$时刻的系统状态<math>x_t\in M</math>。动力系统的初始条件敏感依赖性被(Devaney, 2003)定义为，存在正数<math>\delta >0</math> 满足：对于任意 <math>x\in M</math>以及<math>x</math>的任意邻域<math>N(x)</math>都存在<math>t\geq 0</math>以及<math>y\in N(x)</math> 满足:<br />
<math>d(f^t(x),f^t(y))>\delta</math>.<br />
<br />
这里的中心思想是，只要动力系统对于任意初始状态<math>x</math>，存在一个任意接近$x$的系统状态量<math>y</math>，它能逐渐演化远离<math>x</math>，那么这个动力系统就具备初始条件的敏感依赖性。这里要强调，没有必要要求<math>x</math>附近的所有<math>y</math>都最终<math>f^t(y)</math>不趋近<math>f^t(x)</math>；只要至少有一个这样的<math>y</math>就可以了。<br />
<br />
如果对于<math>x</math>附近的所有<math>y</math>都满足，最终<math>f^t(y)</math>不趋近<math>f^t(x)</math>，那么我们称这个系统具有扩张性(expansiveness)我们也用李雅普诺夫指数 Lyapunov exponent 来定义初始条件敏感依赖性。<br />
<br />
考虑度量空间<math>(M,d)</math>中动力系统<math>f^t:M \to M</math>，其把初始状态<math>x_0\in M</math>映射为<math>t>0</math>时刻的系统状态</math>x_t\in M</math>。动力系统的初始条件敏感依赖性被定义为，存在正数</math>\lambda >0</math> 满足：对于任意 <math>x\in M</math>以及<math>\delta >0</math>都存在满足<math>d(x,y)<\delta</math>的<math>y</math>以及时刻<math>t\geq 0</math>满足:<br />
<math>d(f^t(x),f^t(y))>e^{\lambda t}d(x,y)</math><br />
这里的$\lambda$就被称为李雅普诺夫指数。我们也称具有正李雅普诺夫指数的动力系统，具有初始条件敏感依赖性。<br />
<br />
由此我们可以得知，初始条件敏感依赖性，并没有约束系统的长期行为是不是趋近于某一平衡态或者周期轨道；而仅仅要求了，任意从任意两个任意接近的初始状态出发，系统的两条演化轨迹在一定时间内快速分开。<br />
<br />
于是，对于具有初始条件敏感依赖性的系统（如天气系统），由于无法完全准确地测量和初始条件，以及仿真计算系统的演化，因此我们难以进行超过特定时间范围的预测，例如对于天气预测暂时无法超过一个月。不仅如此，李雅普诺夫指数还反映出，误差在一定范围内是指数增加的。这也意味着，只有我们的测量精度和计算精度指数增长，我们能预测的时长才只能线性增长。参阅(Strogatz, 2018)第329-330页的例子，以及(Lighthill, 1986)中的精彩讨论。<br />
<br />
当然，对于既不发散也不收敛、初始条件敏感、非周期变化、确定性混沌系统而言，这样的误差一般不是无限指数增加的，而是会有个限度。对于存在奇怪吸引子 strange attractor的混沌系统，例如洛伦茨发现的系统(Tucker, 1999)，其最大误差不会大于奇怪吸引子的直径。对于给定动力系统的李雅普诺夫指数计算，参阅(Strogatz, 2018)第373-376页。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差<math>10^{-5}</math>）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差<math>10^{-5}</math>倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===集智推荐===<br />
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====<br />
本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。<br />
<br />
====[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]====<br />
本课程中，主要介绍动力学系统和混沌系统，您将学到蝴蝶效应（butterfly effect）、奇异吸引子（attractors）等基本概念，以及如何应用于您感兴趣的领域。<br />
<br />
====[https://swarma.org/?p=21251 蝴蝶效应和混沌故事 | 陈关荣]====<br />
“人们经常都会看到，纯粹理论研究的一点点成果，也许在很长时间之后，会导致连做该纯理论研究的科学家都始料不及的实际应用。”<br />
<br />
====[https://swarma.org/?p=22581 什么是动力系统理论 | 集智百科]====<br />
动力系统理论 dynamical systems theory ，也常译作动力学理论、或动力系统理论，它是数学研究的一部分。它主要利用微分和差分方程，来描述和研究复杂的动力系统。<br />
<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20131
蝴蝶效应 Butterfly effect
2020-12-16T08:28:27Z
<p>许许：/* 蝴蝶效应的成因分析 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
{{Quotation|丢了一只马蹄铁，折了一匹战马； <br />
折了一匹战马，损了一位国王； <br />
<br />
损了一位国王，输了一场战争； <br />
<br />
输了一场战争，亡了一个帝国。 <br />
<br />
For want of a nail, the shoe was lost; <br />
<br />
For want of a shoe, the horse was lost; <br />
<br />
For want of a horse, the rider was lost; <br />
<br />
For want of a rider, the battle was lost; <br />
<br />
For want of a battle, the kingdom was lost! <br />
}}看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====蝴蝶效应的成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散的divergent动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<ref>Shinbrot, T., Ditto, W., Grebogi, C., Ott, E., Spano, M., & Yorke, J. A. (1992). Using the sensitive dependence of chaos (the ‘‘butterfly effect’’) to direct trajectories in an experimental chaotic system. Physical review letters, 68(19), 2863.</ref><br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差<math>10^{-5}</math>）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差<math>10^{-5}</math>倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===集智推荐===<br />
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====<br />
本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。<br />
<br />
====[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]====<br />
本课程中，主要介绍动力学系统和混沌系统，您将学到蝴蝶效应（butterfly effect）、奇异吸引子（attractors）等基本概念，以及如何应用于您感兴趣的领域。<br />
<br />
====[https://swarma.org/?p=21251 蝴蝶效应和混沌故事 | 陈关荣]====<br />
“人们经常都会看到，纯粹理论研究的一点点成果，也许在很长时间之后，会导致连做该纯理论研究的科学家都始料不及的实际应用。”<br />
<br />
====[https://swarma.org/?p=22581 什么是动力系统理论 | 集智百科]====<br />
动力系统理论 dynamical systems theory ，也常译作动力学理论、或动力系统理论，它是数学研究的一部分。它主要利用微分和差分方程，来描述和研究复杂的动力系统。<br />
<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20130
蝴蝶效应 Butterfly effect
2020-12-16T08:18:39Z
<p>许许：/* 洛伦茨系统演化的仿真图示 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
{{Quotation|丢了一只马蹄铁，折了一匹战马； <br />
折了一匹战马，损了一位国王； <br />
<br />
损了一位国王，输了一场战争； <br />
<br />
输了一场战争，亡了一个帝国。 <br />
<br />
For want of a nail, the shoe was lost; <br />
<br />
For want of a shoe, the horse was lost; <br />
<br />
For want of a horse, the rider was lost; <br />
<br />
For want of a rider, the battle was lost; <br />
<br />
For want of a battle, the kingdom was lost! <br />
}}看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====蝴蝶效应的成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散的divergent动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差<math>10^{-5}</math>）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差<math>10^{-5}</math>倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===集智推荐===<br />
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====<br />
本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。<br />
<br />
====[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]====<br />
本课程中，主要介绍动力学系统和混沌系统，您将学到蝴蝶效应（butterfly effect）、奇异吸引子（attractors）等基本概念，以及如何应用于您感兴趣的领域。<br />
<br />
====[https://swarma.org/?p=21251 蝴蝶效应和混沌故事 | 陈关荣]====<br />
“人们经常都会看到，纯粹理论研究的一点点成果，也许在很长时间之后，会导致连做该纯理论研究的科学家都始料不及的实际应用。”<br />
<br />
====[https://swarma.org/?p=22581 什么是动力系统理论 | 集智百科]====<br />
动力系统理论 dynamical systems theory ，也常译作动力学理论、或动力系统理论，它是数学研究的一部分。它主要利用微分和差分方程，来描述和研究复杂的动力系统。<br />
<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20126
蝴蝶效应 Butterfly effect
2020-12-16T04:38:28Z
<p>许许：/* 编者推荐 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
丢了一只马蹄铁，折了一匹战马；<br />
折了一匹战马，损了一位国王；<br />
损了一位国王，输了一场战争；<br />
输了一场战争，亡了一个帝国。”<br />
<br />
“For want of a nail, the shoe was lost;<br />
For want of a shoe, the horse was lost;<br />
For want of a horse, the rider was lost;<br />
For want of a rider, the battle was lost;<br />
For want of a battle, the kingdom was lost!”<br />
<br />
看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散divergent的动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差$10^{-5}$）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差$10^{-5}$倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===集智推荐===<br />
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====<br />
本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。<br />
<br />
====[https://campus.swarma.org/course/1655 圣塔菲课程：Introduction to Dynamical Systems and Chaos]====<br />
本课程中，主要介绍动力学系统和混沌系统，您将学到蝴蝶效应（butterfly effect）、奇异吸引子（attractors）等基本概念，以及如何应用于您感兴趣的领域。<br />
<br />
====[https://swarma.org/?p=21251 蝴蝶效应和混沌故事 | 陈关荣]====<br />
“人们经常都会看到，纯粹理论研究的一点点成果，也许在很长时间之后，会导致连做该纯理论研究的科学家都始料不及的实际应用。”<br />
<br />
====[https://swarma.org/?p=22581 什么是动力系统理论 | 集智百科]====<br />
动力系统理论 dynamical systems theory ，也常译作动力学理论、或动力系统理论，它是数学研究的一部分。它主要利用微分和差分方程，来描述和研究复杂的动力系统。<br />
<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20125
蝴蝶效应 Butterfly effect
2020-12-16T04:27:19Z
<p>许许：/* 混沌理论中的蝴蝶效应 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：<br />
<br />
丢了一只马蹄铁，折了一匹战马；<br />
折了一匹战马，损了一位国王；<br />
损了一位国王，输了一场战争；<br />
输了一场战争，亡了一个帝国。”<br />
<br />
“For want of a nail, the shoe was lost;<br />
For want of a shoe, the horse was lost;<br />
For want of a horse, the rider was lost;<br />
For want of a rider, the battle was lost;<br />
For want of a battle, the kingdom was lost!”<br />
<br />
看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散divergent的动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差$10^{-5}$）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差$10^{-5}$倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20124
蝴蝶效应 Butterfly effect
2020-12-16T04:25:21Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N. Lorenz 1963年在一篇发表于《大气科学杂志》 ''Journal of Atmospheric Sciences''的论文《确定性非周期流》''Deterministic Nonperiodic Flow''<ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中首次观察并分析了这个效应，并在发表于《纽约科学院学报》 ''Transactions of the New York Academy of Sciences'' 的论文《流体动力流的可预测性》''The Predictability of Hydrodynamic Flow'' 中评论说：“一个气象学家曾评论说：'如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。'在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：(下面两段用引言格式)<br />
<br />
丢了一只马蹄铁，折了一匹战马；<br />
折了一匹战马，损了一位国王；<br />
损了一位国王，输了一场战争；<br />
输了一场战争，亡了一个帝国。”<br />
<br />
“For want of a nail, the shoe was lost;<br />
For want of a shoe, the horse was lost;<br />
For want of a horse, the rider was lost;<br />
For want of a rider, the battle was lost;<br />
For want of a battle, the kingdom was lost!”<br />
<br />
看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散divergent的动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差$10^{-5}$）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差$10^{-5}$倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20123
蝴蝶效应 Butterfly effect
2020-12-16T04:19:02Z
<p>许许：/* 理论说明 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N.Lorenz 1963年在一篇提交纽约科学院的论文《确定性非周期流 Deterministic Nonperiodic Flow 》 <ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中分析了这个效应：“一个气象学家曾评论说：“如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。”在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 混沌理论中的蝴蝶效应 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：(下面两段用引言格式)<br />
<br />
丢了一只马蹄铁，折了一匹战马；<br />
折了一匹战马，损了一位国王；<br />
损了一位国王，输了一场战争；<br />
输了一场战争，亡了一个帝国。”<br />
<br />
“For want of a nail, the shoe was lost;<br />
For want of a shoe, the horse was lost;<br />
For want of a horse, the rider was lost;<br />
For want of a rider, the battle was lost;<br />
For want of a battle, the kingdom was lost!”<br />
<br />
看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
====成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散divergent的动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差$10^{-5}$）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差$10^{-5}$倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20122
蝴蝶效应 Butterfly effect
2020-12-16T04:17:12Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N.Lorenz 1963年在一篇提交纽约科学院的论文《确定性非周期流 Deterministic Nonperiodic Flow 》 <ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中分析了这个效应：“一个气象学家曾评论说：“如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。”在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。一般来说，微观尺度上蝴蝶微弱的干扰，不会影响宏观尺度上整个天气变。然而，在某些情况下，正好是蝴蝶多扇动了一次翅膀所造成的微观效果，由此引起了连锁反应，随后在天气的变化中不断扩大自身，乃至于后来成为龙卷风这样宏观尺度的天气现象。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 概念 ==<br />
==== 理论说明 ====<br />
在[[混沌理论]] chaos theory 中，蝴蝶效应指的是动力系统 dynamical system 的一种属性，即其关于初始条件的敏感依赖性 the sensitive dependence on initial conditions 。对于具备这种属性的确定性动力系统 deterministic system， 某个状态量的微小改变都有可能导致这个系统之后演化过程的巨大差异。<br />
<br />
根据 Gleick (2011) 的考证，“初始条件的敏感依赖性“并不是个全新的概念，之前人们所传颂的谚语中就有提到：(下面两段用引言格式)<br />
<br />
丢了一只马蹄铁，折了一匹战马；<br />
折了一匹战马，损了一位国王；<br />
损了一位国王，输了一场战争；<br />
输了一场战争，亡了一个帝国。”<br />
<br />
“For want of a nail, the shoe was lost;<br />
For want of a shoe, the horse was lost;<br />
For want of a horse, the rider was lost;<br />
For want of a rider, the battle was lost;<br />
For want of a battle, the kingdom was lost!”<br />
<br />
看起来丢了一只马蹄跌只是一件无关痛痒的小事，但是在事物发展过程中，这却有可能导致完全无法预知的大后果。<br />
<br />
蝴蝶效应反映了事物发展经常同时存在“定数”与“变数”，事物在发展过程中其发展轨迹有规律可循，同时也可能被不可预知、不可精确测量的“变数”所影响。这样使得我们即使已经掌握了确定的规律，但是在根据规律而做预测和推断时，也有可能会失之毫厘，差之千里。微观上的一个小变化却有可能影响宏观上事物的大发展，这反映了一些事物的发展具有复杂性。<br />
<br />
<br />
====成因分析====<br />
如前文所说，蝴蝶效应指的是动力系统的初始条件敏感依赖性，那么什么样的动力系统会有这样的性质？<br />
<br />
最简单的情况就是发散divergent的动力系统。例如削尖的铅笔，其笔尖立在桌子上。理论上它可以保持平衡，但是非常不稳定，稍微一点外力影响就会倒下。如果我们不考虑在铅笔倒下过程中，桌子对铅笔的阻挡作用，那么铅笔倒下之后，就会一直跌落下去，直到无穷远。这个时候我们说，铅笔动力系统的运动轨迹发散到了无穷。这样的铅笔动力系统就是发散的。从过程角度来说，发散的动力系统都具有初始条件敏感依赖性，只要初始条件有一点差异，那么系统的演化过程就会很不一样；从“结果”（长期行为）角度来说，发散的动力系统都不具备初始条件敏感依赖性，因为无论什么样的初始条件，系统的演化过程一定是朝向无穷大（或无穷远）的。<br />
<br />
除了发散的动力系统之外，还有一些介于收敛convergent和发散之间的动力系统，会具备初始条件的敏感依赖性。<br />
<br />
这类系统又可以分成三类，第一类是含有鞍点saddle point平衡态的系统。和上面说的发散系统不同，对于含有鞍点的系统，当初始条件在鞍点附近的某些区域，系统演化会趋向于鞍点平衡态，而在鞍点附近的另一些区域，系统演化会远离于鞍点平衡态。<br />
<br />
第二类是具有多个平衡态和周期态的系统，例如范德波尔振荡器 van der Pol Oscillator。这种振荡器是荷兰物理学家 Balthasar van der Pol 在1927年研究真空管时首次提出的动力系统。对于这种系统来说，当系统初始状态在某一区域时，系统状态先发散，之后的长期行为趋近于周期变化，而系统初始状态在另外一些区域时，系统状态不经发散直接趋于周期变化。如果改变这个动力系统的参数，又会出现，当系统初始状态在某一区域时，系统状态收敛到某一平衡态，而在另一区域时，系统状态又趋于无穷。隧道二极管 tunnel diode 动力系统也有类似的性质。<br />
<br />
第三类就是混沌系统，例如洛伦茨所构建的系统。这类系统不仅具备初始条件敏感依赖性，而且既不发散，也不收敛，还表现出非周期aperiodic/nonperiodic现象。狭义的说，洛伦茨所考虑的蝴蝶效应，正是混沌系统的效应。但是严格的说，初始条件敏感依赖性，并不是混沌系统的专有性质。只是在20世纪60年代，人们对于混沌的认识不深，因此把蝴蝶效应定义为了初始条件敏感依赖性，而没有注意区分蝴蝶效应和混沌行为。<br />
<br />
今天，我们一般所说的蝴蝶效应，也主要指混沌系统的初始条件敏感依赖性(Shinbrot et al., 1992)。然而，我们不应混淆蝴蝶效应和混沌系统。虽然混沌系统都具备这样的性质，但是具备这样性质的系统，却不一定是混沌系统。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 洛伦茨系统演化的仿真图示 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些两幅图表示了洛伦茨系统从两个相差无几的初始状态（仅在某一方向上差$10^{-5}$）而演化的过程。上图中，蓝色曲线由外侧的蓝色椎体开始，演化30倍单位时间之后，到达内侧的蓝色椎体；黄色曲线由外侧的黄色椎体开始，演化30倍单位时间之后，到达内侧的黄色椎体。这里把这两条曲线分开绘制的原因是，两条曲线的大部分高度相近，若绘制在一起，则会看起来重合在一起，而不方便我们对比这两条曲线的不同。通过对比这两条曲线，我们可以发现，两条演化轨迹在最后一段时间完全不同，特别是最终位置明显差了一截。<br />
下图对比了两条曲线的沿某一固定方向的坐标变化。其中上半子图是两条曲线的平均坐标变化，下半子图是两条曲线坐标差异的变化。可以看出，最初，两条轨迹几乎是重合的，而当演化时间超过23倍单位时间的时候，两条演化曲线开始不再一致，并且他们的差异开始无规律震荡，到最终30倍单位时间时，两条曲线大概相差15倍单位坐标。<br />
由此可见，初始条件的微小不同（仅在某一方向上差$10^{-5}$倍单位坐标），在经过30倍单位时间的演化后，放大了10万倍，成了巨大的差异（15倍单位坐标）<br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 各领域中的蝴蝶效应 ==<br />
====天气系统方面====<br />
蝴蝶效应在气象领域是最为人所熟知的，例如标准天气预报模型就可以轻而易举地的演示这一效应。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 天气模型对初始条件很敏感。 他们也补充告诫: “当然，是否有一只未知蝴蝶扇动翅膀不会直接显示在天气预报上，因为这样一个微小的扰动需要很长时间才会发展到一个显著的规模，而且还有许多更直接的不确定因素需要我们担心。因此，如果说蝴蝶效应这一现象直接对天气预报造成了什么影响，这一说法往往在某种程度上是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
一些学者已经论证了，量子力学系统中不存在"初始条件的极端（指数）敏感依赖性"，但是量子系统能以一些量子现象反映经典力学中的混沌现象（通过考虑随机矩阵的特征值）。随机矩阵理论和基于量子计算机的仿真也验证了在量子力学中不存在蝴蝶效应（Sinitsyn and Yan, 2020）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
也有其他学者认为，如果我们换个角度，也可以在量子系统中可以观测到某种演化过程的敏感性，类似经典力学中的蝴蝶效应。在经典力学中，我们所讨论的蝴蝶效应，是对于给定的哈密顿主函数（系统动力学方程），考虑受微扰的系统状态量，从而观察到了系统状态量在微扰作用后的演化差异。而在量子力学中，系统状态量是波函数，并不存在相对于时间的状态发散。于是这些学者考虑，我们在量子力学中，我们固定系统初始状态量，而考虑受微扰的哈密顿主函数，再观察系统状态量的演化差异(Peres, 2006)。从这个方面考虑，卡库谢夫斯基 Karkuszewski 等学者，以系统状态量的重叠程度作为"标度"measure，研究了对于同一初始状态，不同哈密顿量的敏感性水平。这一视角是思考量子混沌的一条路径，不过基本上不被算作量子力学版本的蝴蝶效应。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
====中国古籍中的蝴蝶效应====<br />
《吕氏春秋·察微》原文：<br />
<br />
<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。<br />
<br />
<br />
吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。<br />
<br />
<br />
《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
<br />
<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。<br />
<br />
<br />
卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。<br />
<br />
<br />
《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。相比于洛伦茨用蝴蝶的隐喻正确地指出了可预测性“本质上是有限的” ，流行文化却假定，每一个发生的事件都可以由寻找引起它的基本条件来进行解释。 迪齐克斯解释说: “这说明了我们更大的期望，那就是这个世界应该是可以理解的 —— 也就是每件事的发生都是合理的（可以用理性去探究推理的），并且我们可以明确且准确的进行解释，无论这些解释所用的基本条件有多么细微。然而，大自然本身就漠视了这种期望”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20121
蝴蝶效应 Butterfly effect
2020-12-16T03:48:30Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N.Lorenz 1963年在一篇提交纽约科学院的论文《确定性非周期流 Deterministic Nonperiodic Flow 》 <ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中分析了这个效应：“一个气象学家曾评论说：“如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。”在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》''Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?''。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》''Period three implies chaos''，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 定义 ==<br />
==== 理论定义 ====<br />
在[[混沌理论 Chaos theory]]中，蝴蝶效应是对初始条件的一种敏感依赖——在初始条件下，[[确定性非线性系统]]的一种状态的微小变化会导致在后续状态巨大差异。<br />
<br />
<br />
蝴蝶效应说明了任何事物发展均存在定数与变数，事物在发展过程中其发展轨迹有规律可循，同时也存在不可测的“变数”，往往还会适得其反，一个微小的变化能影响事物的发展，证实了事物的发展具有复杂性。<br />
<br />
<br />
====理论依据====<br />
[[递归]]（系统向其初始状态的近似返回）和系统状态对初始条件的敏感依赖性是造成混沌运动的两个主要因素。它们带来的实际影响就是使[[复杂系统]]（如天气系统）难以进行超过特定时间范围的预测（天气预测的话大约1周），因为无法完全准确地测量起始大气条件。当点随着时间以指数速度任意靠近、融合、分开时，动力学系统就会显示出对初始条件的这种敏感依赖性。这个定义不是基于拓扑学的，它本质上是一种测量。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 插图 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些图显示了在[[洛伦茨吸引子]]中在相同时间段内两个轨迹的三维演化的两个部分（一个为蓝色，另一个为黄色），从两个初始点开始，它们在x上仅相差10<sup>−5</sup> 坐标。最初，两个轨迹似乎是重合的，如蓝色和黄色轨迹的''z''坐标之间的微小差异所表明的，但对于''t''&nbsp;>&nbsp;23而言，该差异与该轨迹的值一样大。圆锥体的最终位置指示两条轨迹在''t''&nbsp;=&nbsp;30. 不再重合。 <br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 应用 ==<br />
===关于科学===<br />
====天气系统方面====<br />
就天气系统而言，蝴蝶效应是最为人所熟悉的，它可以很容易地在标准的天气预报模型中得到证明。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 模型对初始条件很敏感。 他们补充说明: “当然，一只未知蝴蝶扇动翅膀的存在与天气预报没有直接关系，因为这样一个小小的扰动需要很长时间才会发展到一个显著的规模，而且我们还有许多更紧迫的不确定性需要担心。因此，这种效应对天气预报的直接影响往往是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
在半经典和量子物理中，包括强（引力）场中的原子和各向异性的开普勒问题中，已经研究了对初始条件敏感的可能性（即蝴蝶效应）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
普林Poulin等人提出了一种量子算法来测量保真度衰减，这种算法“初始状态虽然相同，但在动力学影响下其发散速率也会不同，即使各动力学因素的区别极其微小，所带来的发散速率差别也是可测的”。经典的蝴蝶效应考虑的是在给定哈密顿系统 Hamiltonian system 中一个物体的位置和（或）速度的微小变化所产生的影响，而量子蝴蝶效应则考虑的是在给定的初始位置和速度下哈密顿系统的微小变化所产生的影响。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
<br />
===关于文化===<br />
====中国古籍的描述====<br />
原文（《吕氏春秋·察微》）：<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。Lorenz用蝴蝶的比喻正确地指出了可预测性“本质上是有限的” ，而流行文化则假定每一件事都可以通过找到引起它的小原因来解释。 Dizikes 解释说: “这说明了我们对世界应该是可以理解的这一更大的期望——每件事情的发生都是有原因的，而且我们可以精确地指出所有这些原因，无论它们多么微小。 但大自然本身就违背了这种期望。”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20120
蝴蝶效应 Butterfly effect
2020-12-16T03:45:09Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N.Lorenz 1963年在一篇提交纽约科学院的论文《确定性非周期流 Deterministic Nonperiodic Flow 》 <ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中分析了这个效应：“一个气象学家曾评论说：“如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。”在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。洛伦茨在利用数值工具预测天气变化时，观察到了这样的效应。他发现，将天气模型的初始条件进行看似无关紧要的四舍五入之后，模型所预测的天气变化完全不同于四舍五入之前所预测的那样。实际上，这种现象曾在数学和科学历史上被反复发现过，至少追溯到麦克斯韦 James Clerk Maxwell 和庞加莱 Henri Poincaré ，但是一直没有引起学术界足够的重视，直到1972年，洛伦兹在一场于华盛顿召开的学术会议上，做了那场著名的演讲，题为《可预测性：在巴西的一只蝴蝶扇扇翅膀会引起在特克萨斯州的龙卷风吗》Predictability: Does the flap of a butterfly’s wings in Brazil set off a tornado in Texas?。在此之后，蝴蝶效应以及这个现象背后的原理开始引起学术界的广泛关注。1975年，李天岩Tien-Yien Li 和詹姆斯·约克 James Yorke’s 发表了题为《周期三意味着混沌》Period three implies chaos，正式使用了混沌一词来命名这个领域的研究。随着之后混沌理论的发展，"蝴蝶效应"这个形象又生动的比喻逐渐广为人知 —— 一个不起眼的小动作却有可能会引起一连串的巨大反应。<br />
<br><br />
<br />
== 定义 ==<br />
==== 理论定义 ====<br />
在[[混沌理论 Chaos theory]]中，蝴蝶效应是对初始条件的一种敏感依赖——在初始条件下，[[确定性非线性系统]]的一种状态的微小变化会导致在后续状态巨大差异。<br />
<br />
<br />
蝴蝶效应说明了任何事物发展均存在定数与变数，事物在发展过程中其发展轨迹有规律可循，同时也存在不可测的“变数”，往往还会适得其反，一个微小的变化能影响事物的发展，证实了事物的发展具有复杂性。<br />
<br />
<br />
====理论依据====<br />
[[递归]]（系统向其初始状态的近似返回）和系统状态对初始条件的敏感依赖性是造成混沌运动的两个主要因素。它们带来的实际影响就是使[[复杂系统]]（如天气系统）难以进行超过特定时间范围的预测（天气预测的话大约1周），因为无法完全准确地测量起始大气条件。当点随着时间以指数速度任意靠近、融合、分开时，动力学系统就会显示出对初始条件的这种敏感依赖性。这个定义不是基于拓扑学的，它本质上是一种测量。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 插图 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些图显示了在[[洛伦茨吸引子]]中在相同时间段内两个轨迹的三维演化的两个部分（一个为蓝色，另一个为黄色），从两个初始点开始，它们在x上仅相差10<sup>−5</sup> 坐标。最初，两个轨迹似乎是重合的，如蓝色和黄色轨迹的''z''坐标之间的微小差异所表明的，但对于''t''&nbsp;>&nbsp;23而言，该差异与该轨迹的值一样大。圆锥体的最终位置指示两条轨迹在''t''&nbsp;=&nbsp;30. 不再重合。 <br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 应用 ==<br />
===关于科学===<br />
====天气系统方面====<br />
就天气系统而言，蝴蝶效应是最为人所熟悉的，它可以很容易地在标准的天气预报模型中得到证明。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 模型对初始条件很敏感。 他们补充说明: “当然，一只未知蝴蝶扇动翅膀的存在与天气预报没有直接关系，因为这样一个小小的扰动需要很长时间才会发展到一个显著的规模，而且我们还有许多更紧迫的不确定性需要担心。因此，这种效应对天气预报的直接影响往往是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
在半经典和量子物理中，包括强（引力）场中的原子和各向异性的开普勒问题中，已经研究了对初始条件敏感的可能性（即蝴蝶效应）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
普林Poulin等人提出了一种量子算法来测量保真度衰减，这种算法“初始状态虽然相同，但在动力学影响下其发散速率也会不同，即使各动力学因素的区别极其微小，所带来的发散速率差别也是可测的”。经典的蝴蝶效应考虑的是在给定哈密顿系统 Hamiltonian system 中一个物体的位置和（或）速度的微小变化所产生的影响，而量子蝴蝶效应则考虑的是在给定的初始位置和速度下哈密顿系统的微小变化所产生的影响。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
<br />
===关于文化===<br />
====中国古籍的描述====<br />
原文（《吕氏春秋·察微》）：<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。Lorenz用蝴蝶的比喻正确地指出了可预测性“本质上是有限的” ，而流行文化则假定每一件事都可以通过找到引起它的小原因来解释。 Dizikes 解释说: “这说明了我们对世界应该是可以理解的这一更大的期望——每件事情的发生都是有原因的，而且我们可以精确地指出所有这些原因，无论它们多么微小。 但大自然本身就违背了这种期望。”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E8%9D%B4%E8%9D%B6%E6%95%88%E5%BA%94_Butterfly_effect&diff=20119
蝴蝶效应 Butterfly effect
2020-12-16T03:41:18Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=蝴蝶效应 混沌理论 确定性非线性系统<br />
|description=蝴蝶效应 变化 复杂系统 <br />
}}<br />
== 历史 ==<br />
[[File:蝴蝶效应2.jpg|400px|thumb|right|值ρ= 28，σ= 10，β= 8/3 的Lorenz [[奇异吸引子]]的图。蝴蝶效应或对初始条件的敏感依赖性是[[动力学系统]]的特性，该[[动力学系统]]从[[吸引子]]上的各种任意接近的替代初始条件中的任意一个开始，迭代点将彼此任意散布。]]<br />
<br />
美国气象学家爱德华·洛伦茨 Edward N.Lorenz 1963年在一篇提交纽约科学院的论文《确定性非周期流 Deterministic Nonperiodic Flow 》 <ref>Lorenz, Edward N. (March 1963). "[https://scholar.google.com/scholar_lookup?title=Deterministic+non-periodic+flow&author=E.+N.+Lorenz&publication_year=1963 Deterministic Nonperiodic Flow]". Journal of the Atmospheric Sciences. 20(2): 130–141.</ref>中分析了这个效应：“一个气象学家曾评论说：“如果这个理论是正确，那么海鸥扇动一次翅膀就足以永远改变天气变化。”在后来的演讲和论文中他用了更加有诗意的表达——"'''蝴蝶效应'''"。<br />
<br />
<br />
对于这个效应最常见的阐述是："一只南美洲亚马逊河流域热带雨林中的蝴蝶，偶尔扇动几下翅膀，可以在两周以后引起美国得克萨斯州的一场龙卷风。"<br />
<br />
<br />
其原因就是蝴蝶扇动翅膀的运动，蝴蝶的这一动作，影响了它周围的微弱气流，从而微弱地改变了，“天气变化”这一动态过程，导致其身边的空气系统发生变化，并产生微弱的气流，而微弱气流的产生又会引起四周空气或其他系统产生相应的变化，由此引起一个连锁反应，最终导致其他系统的极大变化。他观察到，将天气模型的初始条件进行看似无关紧要的四舍五入之后，就无法产生与未经四舍五入处理的初始条件同样的结果。他将这种现象称之为“混沌学（[[混沌理论]]）”。当然，“蝴蝶效应”主要还是关于混沌理论的一个比喻。也是蝴蝶效应的真实反应，即不起眼的一个小动作却能引起一连串的巨大反应。<br />
<br><br />
<br />
== 定义 ==<br />
==== 理论定义 ====<br />
在[[混沌理论 Chaos theory]]中，蝴蝶效应是对初始条件的一种敏感依赖——在初始条件下，[[确定性非线性系统]]的一种状态的微小变化会导致在后续状态巨大差异。<br />
<br />
<br />
蝴蝶效应说明了任何事物发展均存在定数与变数，事物在发展过程中其发展轨迹有规律可循，同时也存在不可测的“变数”，往往还会适得其反，一个微小的变化能影响事物的发展，证实了事物的发展具有复杂性。<br />
<br />
<br />
====理论依据====<br />
[[递归]]（系统向其初始状态的近似返回）和系统状态对初始条件的敏感依赖性是造成混沌运动的两个主要因素。它们带来的实际影响就是使[[复杂系统]]（如天气系统）难以进行超过特定时间范围的预测（天气预测的话大约1周），因为无法完全准确地测量起始大气条件。当点随着时间以指数速度任意靠近、融合、分开时，动力学系统就会显示出对初始条件的这种敏感依赖性。这个定义不是基于拓扑学的，它本质上是一种测量。<br />
<br />
<br />
==== 数学定义====<br />
定义：设M是映射<math> f^{t}</math>的状态空间：如果对于任何<math> x∈M</math>和<math> δ> 0</math>，都存在<math> y∈M</math>和距离<math>d(. , .)</math>使得 <math> 0<d(x,y)<δ</math> 且对于某个正数 <math>a</math> 有 <math>d(f^{t}(x),f^{t}(y))>e^{at}d(x,y) </math>，则映射 <math> f^{t}</math> 表现出对初始条件的敏感依赖性。该定义不要求邻域中的所有点都与基点x分开，而是需要一个正的[[李雅普诺夫指数 Lyapunov exponent]]。<br />
<br />
<br />
逻辑图映射的特定参数化提供了表现出对初始条件敏感依赖的最简单的数学框架：<br />
<br />
::<math>x_{n+1} = 4x_n(1-x_n),\quad 0≤x_{0}≤1.</math><br />
<br />
<br />
与大多数混沌图映射不同，该图映射具有封闭形式的解决方案：<br />
<br />
::<math>x_{n} = sin^{2}(2^{n}θπ).</math><br />
<br />
其中初始状态<math>θ=\frac{1}{π} sin^{-1}(x_{0}^{\frac{1}{2}}) </math>，对于有理数 <math>θ</math> ，在有限次数的迭代之后，<math>x_{n}</math> 映射为周期序列。但是几乎所有的 <math>θ</math> 都是无理数的，那么对于无理数的 <math>θ</math> ，<math>x_{n}</math> 永远不会自我重复——因为它是非周期性的。该解决方案方程式清楚地说明了混沌的两个关键特征–拉伸 stretching和折叠 folding ：因子 ，<math>2^{n}</math> 显示拉伸的指数增长，这导致对初始条件的敏感依赖（即蝴蝶效应），而正弦平方函数将 ，<math>x_{n}</math> 折叠在[0,1]范围内。<br />
<br />
== 插图 ==<br />
<br />
:{|class="wikitable" width=100%<br />
|-<br />
! colspan=3| [[洛伦茨吸引子]]中的蝴蝶效应<br />
|-<br />
|colspan="2" style="text-align:center;"| 时间 0&nbsp;≤&nbsp;''t''&nbsp;≤&nbsp;30 <br />
| style="text-align:center;"| ''z'' 坐标 <br />
|-<br />
| colspan="2" style="text-align:center;"|[[File:QQ图片20200428212643.png|400px]]<br />
| style="text-align:center;"|[[File:QQ图片20200428212658.png|400px]]<br />
|-<br />
|colspan=3| 这些图显示了在[[洛伦茨吸引子]]中在相同时间段内两个轨迹的三维演化的两个部分（一个为蓝色，另一个为黄色），从两个初始点开始，它们在x上仅相差10<sup>−5</sup> 坐标。最初，两个轨迹似乎是重合的，如蓝色和黄色轨迹的''z''坐标之间的微小差异所表明的，但对于''t''&nbsp;>&nbsp;23而言，该差异与该轨迹的值一样大。圆锥体的最终位置指示两条轨迹在''t''&nbsp;=&nbsp;30. 不再重合。 <br />
|-<br />
| style="text-align:center;" colspan="3"| [[洛伦茨吸引子]]的动画显示了不断的发展。<br />
|}<br />
<br />
== 应用 ==<br />
===关于科学===<br />
====天气系统方面====<br />
就天气系统而言，蝴蝶效应是最为人所熟悉的，它可以很容易地在标准的天气预报模型中得到证明。气候科学家詹姆斯·安南 James Annan和威廉·康诺利 William Connolley解释说，混沌对天气预报方法的发展很重要; 模型对初始条件很敏感。 他们补充说明: “当然，一只未知蝴蝶扇动翅膀的存在与天气预报没有直接关系，因为这样一个小小的扰动需要很长时间才会发展到一个显著的规模，而且我们还有许多更紧迫的不确定性需要担心。因此，这种效应对天气预报的直接影响往往是错误的。”<ref>{{cite web |url=http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |title=Chaos and Climate |publisher=RealClimate |accessdate=2014-06-08 |url-status=live |archiveurl=https://web.archive.org/web/20140702105624/http://www.realclimate.org/index.php/archives/2005/11/chaos-and-climate/ |archivedate=2014-07-02 }}</ref><br />
<br />
<br />
====量子力学方面====<br />
在半经典和量子物理中，包括强（引力）场中的原子和各向异性的开普勒问题中，已经研究了对初始条件敏感的可能性（即蝴蝶效应）。<ref>{{Cite journal |title=Postmodern Quantum Mechanics |first=E. J. |last=Heller |first2=S. |last2=Tomsovic |journal=Physics Today |date=July 1993 | doi = 10.1063/1.881358 |volume=46 |issue=7 |pages=38–46|bibcode = 1993PhT....46g..38H }}</ref><ref>{{Cite book |first=Martin C. |last=Gutzwiller |title=Chaos in Classical and Quantum Mechanics |year=1990 |publisher=Springer-Verlag |location=New York |isbn=0-387-97173-4 }}</ref> 一些作者认为，在纯量子处理中不存在对初始条件的极端（指数）依赖；<ref name="What is... Quantum Chaos">{{cite web |url=http://www.ams.org/notices/200801/tx080100032p.pdf |title=What is...Quantum Chaos |first=Ze'ev |last=Rudnick |date=January 2008 |work=Notices of the American Mathematical Society |url-status=live |archiveurl=https://web.archive.org/web/20091002000354/http://www.ams.org/notices/200801/tx080100032p.pdf |archivedate=2009-10-02 }}</ref><ref>{{cite journal |last1=Berry |first1=Michael |title=Quantum chaology, not quantum chaos |journal=Physica Scripta |volume=40 |pages=335–336 |year=1989 |doi=10.1088/0031-8949/40/3/013 |bibcode = 1989PhyS...40..335B |issue=3 }}</ref>然而，经典运动证明了系统对初始条件存在敏感依赖，Martin Gutzwiller<ref>{{Cite journal |first=Martin C. |last=Gutzwiller |year=1971 |title=Periodic Orbits and Classical Quantization Conditions |journal=Journal of Mathematical Physics |volume=12 |issue= 3|page=343 |doi=10.1063/1.1665596 |bibcode = 1971JMP....12..343G }}</ref>、Delos 及其同事发展的半经典处理也纳入了这一点。<ref>{{Cite journal |title=Closed-orbit theory of oscillations in atomic photoabsorption cross sections in a strong electric field. II. Derivation of formulas |first=J. |last=Gao |lastauthoramp=yes |first2=J. B. |last2=Delos |journal=Physical Review A |volume=46 |issue=3 |pages=1455–1467 |year=1992 |doi=10.1103/PhysRevA.46.1455 |pmid=9908268 |bibcode = 1992PhRvA..46.1455G }}</ref><br />
<br />
<br />
普林Poulin等人提出了一种量子算法来测量保真度衰减，这种算法“初始状态虽然相同，但在动力学影响下其发散速率也会不同，即使各动力学因素的区别极其微小，所带来的发散速率差别也是可测的”。经典的蝴蝶效应考虑的是在给定哈密顿系统 Hamiltonian system 中一个物体的位置和（或）速度的微小变化所产生的影响，而量子蝴蝶效应则考虑的是在给定的初始位置和速度下哈密顿系统的微小变化所产生的影响。<ref name="iqc.ca">{{cite web|title=A Rough Guide to Quantum Chaos |first=David |last=Poulin |url=http://www.iqc.ca/publications/tutorials/chaos.pdf |url-status=dead |archiveurl=https://web.archive.org/web/20101104132156/http://www.iqc.ca/publications/tutorials/chaos.pdf |archivedate=2010-11-04 }}</ref><ref>{{Cite book |first=A. |last=Peres |title=Quantum Theory: Concepts and Methods |publisher=Kluwer Academic |location=Dordrecht |year=1995 |isbn= }}</ref>这种量子蝴蝶效应已被实验证实。<ref>{{Cite journal |title=Quantum amplifier: Measurement with entangled spins |first=Jae-Seung |last=Lee |lastauthoramp=yes |first2=A. K. |last2=Khitrin |journal=Journal of Chemical Physics |volume=121 |issue=9 |pages=3949–51 |year=2004 |doi=10.1063/1.1788661 |pmid=15332940 |bibcode = 2004JChPh.121.3949L }}</ref>量子和半经典处理的系统对初始条件的敏感性被称为量子混沌。<ref name="What is... Quantum Chaos"/><ref name="iqc.ca"/><br />
<br />
<br />
===关于文化===<br />
====中国古籍的描述====<br />
原文（《吕氏春秋·察微》）：<br />
楚之边邑曰卑梁，其处女与吴之边邑处女桑于境上，戏而伤卑梁之处女。卑梁人操其伤子以让吴人，吴人应之不恭，怒，杀而去之。吴人往报之，尽屠其家。卑梁公怒，曰：“吴人焉敢攻吾邑？”举兵反攻之，老弱尽杀之矣。吴王夷昧闻之，怒，使人举兵侵楚之边邑，克夷而后去之。吴、楚以此大隆。吴公子光又率师与楚人战于鸡父，大败楚人，获其帅潘子臣、小帷子、陈夏啮。又反伐郢，得荆平王之夫人以归，实为鸡父之战。凡持国，太上知始，其次知终，其次知中。三者不能，国必危，身必穷。《孝经》曰：“高而不危，所以长守贵也；满而不溢，所以长守富也。富贵不离其身，然后能保其社稷，而和其民人。”楚不能之也。<br />
<br />
<br />
译文：<br />
楚国有个边境城邑叫卑梁，那里的姑娘和吴国边境城邑的姑娘同在边境上采桑叶，游戏时，吴国的姑娘弄伤了卑梁的姑娘。卑梁的人带着受伤的姑娘去责备吴国人。吴国人出言不恭，卑梁人十分恼火，杀死吴人走了。吴国人去卑梁报复，把那个卑梁人全家都杀了。卑梁的守邑大夫大怒，说：“吴国人怎么敢攻打我的城邑？”于是发兵反击吴人，把吴人老幼全都杀死了。吴王夷昧听到这件事后很生气，派人领兵入侵楚国的边境城邑，攻占夷以后才离去。吴国和楚国因此发生了大规模的冲突。吴国公子光又率领军队在鸡父和楚国人交战，大败楚军，俘获了楚军的主帅潘子臣、小帷子以及陈国的大夫夏啮。又接着攻打郢都，获得楚平王的夫人而回。这就是鸡父之战。凡是主持国事，最上等的是要了解事情开始时的情势，其次是要预见到事情的结局，再次是要知道事情发展的经过。这三点都做不到，国家一定危险，自身一定困窘。《孝经》上说：“高却不倾危，就能长期保持尊贵；满却不外溢，就能长期保持富足。富贵不离其身，然后才能保住他的国家，而且安定他的人民。”可是楚国做不到这一点。<br />
<br />
<br />
====流行文化的引用====<br />
2008年，记者彼得·迪齐克斯 Peter Dizikes在《波士顿环球报 The Boston Globe》上撰文指出，流行文化喜欢蝴蝶效应这个概念，但却把它搞错了。Lorenz用蝴蝶的比喻正确地指出了可预测性“本质上是有限的” ，而流行文化则假定每一件事都可以通过找到引起它的小原因来解释。 Dizikes 解释说: “这说明了我们对世界应该是可以理解的这一更大的期望——每件事情的发生都是有原因的，而且我们可以精确地指出所有这些原因，无论它们多么微小。 但大自然本身就违背了这种期望。”<ref name="Globe">{{cite news |last1=Dizikes |first1=Petyer |title=The meaning of the butterfly |url=http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |accessdate=8 June 2016 |agency=The Boston Globe |date=8 June 2008 |url-status=live |archiveurl=https://web.archive.org/web/20160418154015/http://archive.boston.com/bostonglobe/ideas/articles/2008/06/08/the_meaning_of_the_butterfly/?page=full |archivedate=18 April 2016 }}</ref><br />
<br />
== 进一步阅读 ==<br />
* 刘式达. 从蝴蝶效应谈起[M]. 湖南教育出版社, 1994.[http://book.ixueshu.com/book/85d13e4864d81241.html]<br />
* 韩立新, 霍江河. “蝴蝶效应”与网络舆论生成机制[J]. 当代传播, 2008(06):65-68.[https://www.ixueshu.com/document/37b2a6291a6e745b.html]<br />
* 匡文波. 论新媒体传播中的“蝴蝶效应”及其对策[J]. 国际新闻界, 2009, 6(8):72-75.[https://www.ixueshu.com/document/3c180ef4115de4af.html]<br />
<br />
<br />
== 参考文献 ==<br />
<references/><br />
<br />
<br/><br />
<br />
== 编者推荐 ==<br />
===书籍推荐===<br />
====《蝴蝶效应之谜：走近分形与混沌》====<br />
[[File:蝴蝶效应之谜.jpg|400px|right|thumb|《蝴蝶效应之谜：走近分形与混沌》封面]]<br />
内容简介:有人将分形和混沌理论誉为继相对论和量子力学之后的20世纪物理学的第三次革命。本书首先描述了各种分形的基础知识和特性，包括线性迭代产生的分形如分形龙、科和曲线等，以及非线性迭代产生的曼德勃罗集、朱利亚集等。通过这些例子，介绍了自相似性及分数维的概念。然后，遵循混沌现象发展的历史，通过讲述庞加莱的三体问题、洛伦茨的蝴蝶效应等等故事和趣闻，将读者带进神奇混沌理论的天地中。再进一步通过对一个简单混沌系统--逻辑斯蒂映射的探讨，详细介绍分岔理论、稳定性、及费根鲍姆普适常数等概念。<br />
<br />
本书后半部分，介绍了分形和混沌在各个领域的应用及前景、分形和混沌的关系、以及与分形混沌密切相关而发展起来的非线性科学。<br />
<br />
<br />
====《蝴蝶效应（知微见著，影响我们生活的，往往是从小事开始。）》====<br />
内容简介:本书剖析了以“蝴蝶效应”为代表的诸多心理学规律、法则在人们生活、工作等方面运行的心理机制：初始条件十分微小的变化经过不断放大，对其未来状态会造成极其巨大的差别。本书语言生动流畅，案例与理论鲜明而不枯燥，能帮助读者从容应对种种不可控却对生活影响至深的事件……<br />
<br />
<br />
====《蝴蝶效应 经济和社会中那些不可忽略的小事件》====<br />
内容简介:社会科学特别是经济学传统的思维方式将世界看作一部机器，虽然复杂但却可以被理解传统的经济学思维方式往往将世界看作一部机器，虽然复杂但却可以被理解甚至控制。这种思维至多只能片面地说明世界是如何运转的，而无法看到世界的本质。为什么犯罪率居高不下？为什么投资过亿的电影，票房表现却差强人意？为什么成年人中单身的比例越来越高？这些都是主流经济学没能完美地解释的问题。在本书中，作者从蚂蚁模型出发，通过大量的事例，详细地解释了蝴蝶效应在社会与经济运行中的作用。个体的品位和偏好会受到社会中其他人的影响，将这一理念加入到经济学分析中可以解释很多社会现象。本书为政府决策人、经济学学者、经济学专业学生以及对经济学感兴趣的读者提供了多元的视角、生动的案例和变革性的方法。<br />
<br />
<br />
<br />
===视频推荐===<br />
====[http://www.le.com/ptv/vplay/26917825.html?ch=360_kan&site=360_kan 电影《蝴蝶效应》]====<br />
剧情简介: 伊万（艾什顿·库奇 Ashton Kutcher 饰）曾经有一个糟糕的童年，因为他行为闯下了大祸，令他童年充满不堪回忆的往事。而事实上，他确实只是依稀记得一点可怕的情景，这些情景一直纠缠着他的正常生活。伊万接受心理学家建议，把琐碎生活记在记事本里，却偶然发现通过记事本回到过去。这时他才清楚记起，童年时候的自己做了那么多的错事。他幻想着用现在的意识，潜入童年的身体，去弥补种种过失给人们带来的伤害，尤其是希望与当年暗恋的凯西最终走回一起。然而他一次次的跨越时空的更改，只能越来越招致现实世界的不可救药。一切就像蝴蝶效应般，牵一发而动全身。<br />
<br />
<br />
<br />
====[https://b23.tv/ZRj1GU 视频《什么是蝴蝶效应》]====<br />
剧情简介:利用动画生动的展现了由于一只蝴蝶扇动翅膀而造成的一系列事件，从而诠释[[蝴蝶效应]]。<br />
<br />
<br />
----<br />
本中文词条由[[用户:Yillia Jing|Yillia Jing]]参与编译，[[用户:木子二月鸟|木子二月鸟]]审校，[[用户:许许|许许]]、[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:混沌理论]]<br />
[[Category:动力系统]]<br />
[[Category:预测]]<br />
[[Category:以动物作比喻]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16440
系统生物学
2020-10-21T14:06:23Z
<p>许许：/* 相关领域 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式（生物组织）相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”（Sauer 等人）“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”（丹尼斯 · 诺贝尔 Dennis Nobel）<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个（假设的）细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等）；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰） ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术（先进的高效液相色谱系统加上质谱法），进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子；糖组学，有机体、组织或细胞水平的碳水化合物测量；脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用（相互作用组学）。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体；<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象（肿瘤发生和癌症治疗）来区分。它使用特定的数据（患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性）。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的（RNA干扰，野生型和突变型基因的错误表达）和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家（计算生物学家、统计学家、数学家、计算机科学家和物理学家）正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程（著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算）和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群（称为模块）、建立集群之间的关系模型、计算集群（模块）成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16439
系统生物学
2020-10-21T14:03:43Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式（生物组织）相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”（Sauer 等人）“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”（丹尼斯 · 诺贝尔 Dennis Nobel）<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个（假设的）细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等）；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰） ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术（先进的高效液相色谱系统加上质谱法），进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用（相互作用组学）。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象（肿瘤发生和癌症治疗）来区分。它使用特定的数据（患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性）。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的（RNA干扰，野生型和突变型基因的错误表达）和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程（著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算）和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群（称为模块）、建立集群之间的关系模型、计算集群（模块）成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16433
系统生物学
2020-10-21T13:44:25Z
<p>许许：/* 生物信息学和数据分析 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式（生物组织）相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”（Sauer 等人）“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”（丹尼斯 · 诺贝尔 Dennis Nobel）<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等）；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰） ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术（先进的高效液相色谱系统加上质谱法），进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用（相互作用组学）。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象（肿瘤发生和癌症治疗）来区分。它使用特定的数据（患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性）。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的（RNA干扰，野生型和突变型基因的错误表达）和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程（著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算）和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群（称为模块）、建立集群之间的关系模型、计算集群（模块）成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16432
系统生物学
2020-10-21T13:43:25Z
<p>许许：/* 相关领域 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式（生物组织）相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”（Sauer 等人）“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”（丹尼斯 · 诺贝尔 Dennis Nobel）<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等）；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰） ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术（先进的高效液相色谱系统加上质谱法），进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用（相互作用组学）。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象（肿瘤发生和癌症治疗）来区分。它使用特定的数据（患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性）。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的（RNA干扰，野生型和突变型基因的错误表达）和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16431
系统生物学
2020-10-21T13:40:03Z
<p>许许：/* 概述 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式（生物组织）相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”（Sauer 等人）“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”（丹尼斯 · 诺贝尔 Dennis Nobel）<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16430
系统生物学
2020-10-21T13:39:04Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月（“系统医学和药理学”称）。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994（关于系统遗传学和术语杜撰的概念）。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学（如基因组学和蛋白质组学）数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了（例如，哈佛医学院的系统生物学系）<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16428
系统生物学
2020-10-21T13:34:43Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16427
系统生物学
2020-10-21T13:32:01Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16426
系统生物学
2020-10-21T13:30:18Z
<p>许许：/* 相关领域 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如'''<font color="#FF8000">生物力学 Mechanobiology</font>'''，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
'''<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>'''是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16424
系统生物学
2020-10-21T13:29:33Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的'''<font color="#FF8000">一般系统论 general systems theory</font>'''可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16423
系统生物学
2020-10-21T13:29:05Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于'''<font color="#FF8000">酶动力学 enzyme kinetics</font>'''的定量模型（酶动力学在1900年到1970年间蓬勃发展）、'''<font color="#FF8000">种群动力学 population dynamics</font>'''的数学模型、神经生理学模拟、控制理论和'''<font color="#FF8000">控制论 control theory</font>'''以及'''<font color="#FF8000">协同学 Synergetics</font>'''。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16420
系统生物学
2020-10-21T13:27:31Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、'''<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16419
系统生物学
2020-10-21T13:26:34Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法('''<font color="#FF8000">整体论 holism</font>'''而不是更传统的'''<font color="#FF8000">还原论 reductionism</font>''')进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为'''<font color="#FF8000">复杂系统生物学 complex systems biology</font>'''的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。'''<font color="#FF8000">人类基因组计划 Human Genome Project</font>'''是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现'''<font color="#FF8000">细胞 cells</font>'''、<font color="#FF8000">组织 tissues</font>'''和'''<font color="#FF8000">有机体 organisms</font>'''作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16408
系统生物学
2020-10-21T13:03:03Z
<p>许许：/* 生物信息学和数据分析 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16407
系统生物学
2020-10-21T13:02:16Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非 Carl Ludwig von Betarronfe和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金 Alan Lloyd Hodgkin和安德鲁•费尔丁•赫克斯利 Andrew Ferdinand Hoxley在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵 Alan Turing在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，Dennis Noble创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇 Mikhailo Mesarovich于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16406
系统生物学
2020-10-21T12:57:56Z
<p>许许：/* 概述 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔 Dennis Nobel)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16405
系统生物学
2020-10-21T12:40:09Z
<p>许许：/* 概述 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物）。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16404
系统生物学
2020-10-21T12:38:01Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年至1994年，曾斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation（NSF）提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16403
系统生物学
2020-10-21T12:34:15Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化。基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达。干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法。代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16402
系统生物学
2020-10-21T12:31:54Z
<p>许许：/* 相关领域 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16399
系统生物学
2020-10-21T12:18:38Z
<p>许许：/* 参见 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* [[计算生物学]]<br />
<br />
* [[暴露组]]<br />
<br />
* [[相互作用组]]<br />
<br />
* [[生物学中组学主题列表]]<br />
<br />
* [[代谢网络建模]]<br />
<br />
* [[生物系统建模]]<br />
<br />
* [[分子病理流行病学]]<br />
<br />
* [[网络生物学]]<br />
<br />
* [[网络医学]]<br />
<br />
* [[合成生物学]]<br />
<br />
* [[系统生物医学]]<br />
<br />
* [[系统免疫学]]<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=16398
系统生物学
2020-10-21T12:17:07Z
<p>许许：/* 参见 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证。<br />
<br />
'''<font color="#FF8000">系统生物学 Systems biology</font>'''是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* [[生物计算]]<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15007
系统生物学
2020-10-10T13:09:45Z
<p>许许：/* Further reading 延伸阅读 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15006
系统生物学
2020-10-10T13:04:46Z
<p>许许：/* 历史 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15005
系统生物学
2020-10-10T13:04:14Z
<p>许许：/* 建立生物学模型 */</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15004
系统生物学
2020-10-10T13:01:28Z
<p>许许：</p>
<hr />
<div>{{#seo:<br />
|keywords=生物信息 系统科学 <br />
|description=生物信息 系统科学<br />
}}<br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15003
系统生物学
2020-10-10T12:58:33Z
<p>许许：/* 编者推荐 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15002
系统生物学
2020-10-10T12:58:13Z
<p>许许：/* 集智文章推荐 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:QQ图片20201010205649.png|190px|thumb|right|生命的涌现]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E6%96%87%E4%BB%B6:QQ%E5%9B%BE%E7%89%8720201010205649.png&diff=15001
文件:QQ图片20201010205649.png
2020-10-10T12:57:32Z
<p>许许：基于MsUpload的文件上传</p>
<hr />
<div>基于MsUpload的文件上传</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=15000
系统生物学
2020-10-10T12:55:30Z
<p>许许：/* 集智文章推荐 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:(11).png|190px|thumb|right|机器学习]]<br />
====[https://swarma.org/?p=20086 生命是怎样涌现的：系统生物学入门全路径]====<br />
:系统生物学及相关跨学科领域正在兴起，近年来基于各类疾病的组学研究成果频出。作者整理了这份结合多门教材、多篇经典论文的学习路径，供你入门参考。<br />
<br />
[[File:(12).png|190px|thumb|right|书籍封面]]<br />
====[https://swarma.org/?p=1441 意识如何自下而上地涌现？来自系统生物学的启示 | 长文综述]====<br />
:智识健全的成年人通过内省而认知、感受到的“意识”，被称为现象意识。这往往是与意识相关的定义中最让人摸不着头脑、而又最令人着迷的概念。然而它终究是从一些不那么复杂的事物中，自下而上地涌现出来的。但即使是在研究意识的科学社群，也很少有人深入思考这一点<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14999
系统生物学
2020-10-10T12:52:04Z
<p>许许：/* 相关链接 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
== 编者推荐 ==<br />
<br />
=== 集智文章推荐 ===<br />
<br />
[[File:(11).png|190px|thumb|right|机器学习]]<br />
====[https://swarma.org/?p=3913 Google AutoML项目：自创生理论的实践]====<br />
:在一个Google的一个名为 AutoML 的项目中，研究员实现了设计机器学习程序来写机器学习程序。在某些情况下，它所产生的结果比研究人员自己设计的最好的系统更加强大和高效。研究人员表示，该系统最近在一个图像分类任务中实现了破纪录的82%的正确率。<br />
<br />
[[File:(12).png|190px|thumb|right|书籍封面]]<br />
====[https://swarma.org/?p=19769 张江：从复杂科学视角，追问生命是什么]====<br />
:个体之于群体，如滴水之于百川。但在对生命本质的探索中，一些概念模糊不清，究竟什么才是生命个体？个体与环境的边界在哪里？5月15日，由集智俱乐部、苇草智酷、信息社会50人论坛举办的《生命是什么？——从圣塔菲研究所“个体信息论”谈起》【云上思想】研讨会就这一问题展开了分析。期间，北京师范大学系统科学学院张江教授做了题为《生命自主体理论一瞥》的专题分享。以下是报告纪要。<br />
<br />
<br />
=== 集智课程推荐 ===<br />
====[https://campus.swarma.org/course/566 系统科学导引（一）：概论部分]====<br />
:本课程以实际研究工作的例子来阐述什么是系统科学，内容丰富，可以帮助学习者把数学物理学的概念思想分析方法用于具有系统科学特点的实际问题。<br />
<br />
====[https://campus.swarma.org/course/1348 Scaling in Biology and Society]====<br />
:本课程中，讲解在生物系统和社会系统中的规模特性。<br />
<br />
----<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14998
系统生物学
2020-10-10T12:46:55Z
<p>许许：/* 建立生物学模型 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
<br />
<br />
<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14997
系统生物学
2020-10-10T12:46:02Z
<p>许许：/* 相关领域 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:QQ图片20201010204403.png|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
[[File:Toy_Biological_Model.jpg|thumb|326x326px|A simple three protein negative feedback loop modeled with mass action kinetic differential equations. Each protein interaction is described by a Michealis Menten reaction.<ref name=":03">{{Cite journal|last=Transtrum|first=Mark K.|last2=Qiu|first2=Peng|date=2016-05-17|title=Bridging Mechanistic and Phenomenological Models of Complex Biological Systems|journal=PLOS Computational Biology|volume=12|issue=5|pages=e1004915|doi=10.1371/journal.pcbi.1004915|pmid=27187545|pmc=4871498|arxiv=1509.06278|bibcode=2016PLSCB..12E4915T|issn=1553-7358}}</ref>]]<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
[[File:Toy_Model_Plot.jpg|thumb|325x325px|Plot of Concentrations vs time for the simple three protein negative feedback loop. All parameters are set to either 0 or 1 for initial conditions. The reaction is allowed to proceed until it hits equilibrium. This plot is of the change in each protein over time.]]<br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
<br />
<br />
<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E6%96%87%E4%BB%B6:QQ%E5%9B%BE%E7%89%8720201010204403.png&diff=14996
文件:QQ图片20201010204403.png
2020-10-10T12:45:20Z
<p>许许：基于MsUpload的文件上传</p>
<hr />
<div>基于MsUpload的文件上传</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14995
系统生物学
2020-10-10T12:40:39Z
<p>许许：/* 相关领域 */</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[:File:Signal_transduction_pathways_(zh-cn).svg|190px|thumb|right|细胞讯息传递途径概述]]<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
[[File:Toy_Biological_Model.jpg|thumb|326x326px|A simple three protein negative feedback loop modeled with mass action kinetic differential equations. Each protein interaction is described by a Michealis Menten reaction.<ref name=":03">{{Cite journal|last=Transtrum|first=Mark K.|last2=Qiu|first2=Peng|date=2016-05-17|title=Bridging Mechanistic and Phenomenological Models of Complex Biological Systems|journal=PLOS Computational Biology|volume=12|issue=5|pages=e1004915|doi=10.1371/journal.pcbi.1004915|pmid=27187545|pmc=4871498|arxiv=1509.06278|bibcode=2016PLSCB..12E4915T|issn=1553-7358}}</ref>]]<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
[[File:Toy_Model_Plot.jpg|thumb|325x325px|Plot of Concentrations vs time for the simple three protein negative feedback loop. All parameters are set to either 0 or 1 for initial conditions. The reaction is allowed to proceed until it hits equilibrium. This plot is of the change in each protein over time.]]<br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
<br />
<br />
<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E6%96%87%E4%BB%B6:Signal_transduction_pathways_(zh-cn).svg&diff=14994
文件:Signal transduction pathways (zh-cn).svg
2020-10-10T12:39:39Z
<p>许许：基于MsUpload的文件上传</p>
<hr />
<div>基于MsUpload的文件上传</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14993
系统生物学
2020-10-10T12:34:42Z
<p>许许：</p>
<hr />
<div><br />
<br />
[[File:Genomics_GTL_Pictorial_Program.jpg|190px|thumb|right|生物学的系统方法说明]]<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:Signal transduction pathways.svg|280px|thumb|right|Overview of [[signal transduction]] pathways]]<br />
<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
[[File:Toy_Biological_Model.jpg|thumb|326x326px|A simple three protein negative feedback loop modeled with mass action kinetic differential equations. Each protein interaction is described by a Michealis Menten reaction.<ref name=":03">{{Cite journal|last=Transtrum|first=Mark K.|last2=Qiu|first2=Peng|date=2016-05-17|title=Bridging Mechanistic and Phenomenological Models of Complex Biological Systems|journal=PLOS Computational Biology|volume=12|issue=5|pages=e1004915|doi=10.1371/journal.pcbi.1004915|pmid=27187545|pmc=4871498|arxiv=1509.06278|bibcode=2016PLSCB..12E4915T|issn=1553-7358}}</ref>]]<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
[[File:Toy_Model_Plot.jpg|thumb|325x325px|Plot of Concentrations vs time for the simple three protein negative feedback loop. All parameters are set to either 0 or 1 for initial conditions. The reaction is allowed to proceed until it hits equilibrium. This plot is of the change in each protein over time.]]<br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
<br />
<br />
<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许
https://wiki.swarma.org/index.php?title=%E7%B3%BB%E7%BB%9F%E7%94%9F%E7%89%A9%E5%AD%A6&diff=14992
系统生物学
2020-10-10T12:28:48Z
<p>许许：</p>
<hr />
<div><br />
<br />
[[:File:Genomics_GTL_Pictorial_Program.jpg 文件：基因组学 GTL 图片程序|生物学的系统方法说明]]<br />
<br />
系统方法研究生物学的一个例证<br />
<br />
<font color="#FF8000">系统生物学 Systems biology</font>是对复杂生物系统进行演算分析、数学分析和建模的学科。它是一个以生物学为基础的跨学科研究领域，侧重于生物系统内复杂的相互作用，采用整体的方法(<font color="#FF8000">整体论 holism</font>而不是更传统的<font color="#FF8000">还原论 reductionism</font>)进行生物学研究。<ref name="Tavassoly 487–500">{{Cite journal|last=Tavassoly|first=Iman|last2=Goldfarb|first2=Joseph|last3=Iyengar|first3=Ravi|date=2018-10-04|title=Systems biology primer: the basic methods and approaches|journal=Essays in Biochemistry|volume=62|issue=4|pages=487–500|doi=10.1042/EBC20180003|issn=0071-1365|pmid=30287586}}</ref>它跨越了系统论和应用数学方法的领域，发展成为<font color="#FF8000">复杂系统生物学 complex systems biology</font>的一个分支。<br />
<br />
<br />
<br />
特别是从2000年起，这个概念在生物学中被广泛应用于各种场合。<font color="#FF8000">人类基因组计划 Human Genome Project</font>是生物学中应用系统思维的一个例子，它在遗传学这个生物学领域中引入了新的协作型工作方式。。系统生物学的目标之一是模拟和发现<font color="#FF8000">细胞 cells</font>、<font color="#FF8000">组织 tissues</font>和<font color="#FF8000">有机体 organisms</font>作为一个系统运作的涌现特性，其理论描述只有使用系统生物学技术才有可能实现。<ref name="pmid21570668">{{cite book|author=Bu Z, Callaway DJ|title=Protein Structure and Diseases|volume=83|pages=163–221|year=2011|pmid=21570668|doi=10.1016/B978-0-12-381262-9.00005-7|series=Advances in Protein Chemistry and Structural Biology|isbn=978-0-123-81262-9|chapter=Proteins MOVE! Protein dynamics and long-range allostery in cell signaling}}</ref><ref name="Tavassoly 487–500"/><br />
<br />
<br />
<br />
==概述==<br />
<br />
系统生物学可以从许多不同的方面来考虑。<br />
<br />
<br />
系统生物学作为一个研究领域，具体探讨关于生物系统的组成部分之间的互动，以及各系统要素的相互作用如何产生该系统的功能和行为（例如，代谢通路中或心跳时产生的酶和代谢物)。<br />
<br />
<br />
作为一种研究范式，系统生物学通常被认为与所谓的还原论范式(生物组织)相对立，尽管它完全符合科学方法。以下几句话中提到了两种范式之间的区别: “还原论方法成功地确定了大多数组成部分和许多相互作用，但不幸的是，没有提供令人信服的概念或方法来理解系统特性是如何出现的... 通过多个组分同时进行定量测量”改为“通过观察多个分组同时进行的定量实验。”(Sauer 等人)“系统生物学...是合并而不是分解，是整合而不是简化。它要求我们建立起与我们的还原论方法一样严谨但不同的整合思维方式...这意味着彻底改变我们的哲学。”(丹尼斯 · 诺贝尔)<br />
<br />
<br />
作为一系列用于进行研究的操作方案，即一个由理论、分析或计算模型组成的循环，系统生物学提出关于生物系统的具体可检验的假设，接着进行实验验证，然后使用新获得的细胞或细胞过程的定量描述来优化计算模型或理论。由于目标是一个系统中相互作用的模型，所以最适合系统生物学的实验技术就是那些全系统范围的、尽可能完整的实验技术。因此，转录组学、代谢组学、蛋白质组学和高通量技术被用来收集定量数据，从而用于模型的建立和验证。<br />
<br />
<br />
作为动力系统理论在分子生物学领域的应用，系统生物学对所研究的系统在动力学上的关注正是它和生物信息学之间的主要概念差异。<ref name=Voit01>{{cite book|last1=Voit|first1=Eberhard|title=A First Course in Systems Biology|date=2012|publisher=Garland Science|isbn=9780815344674}}</ref><br />
<br />
<br />
作为一种社会科学现象，系统生物学由利用多样的跨学科的工具和人员的实验资源，寻求整合有关生物系统相互作用的复杂数据的战略所定义。<ref>{{Cite book |last1=Baitaluk|first1=M. |chapter=System Biology of Gene Regulation |doi=10.1007/978-1-59745-524-4_4 |title=Biomedical Informatics |journal=<!--Bypass Citation bot --> |series=Methods in Molecular Biology |volume=569 |pages=55–87 |year=2009 |isbn=978-1-934115-63-3 |pmid=19623486 |pmc= }}</ref><br />
<br />
各种各样的观点说明了这样一个事实，即系统生物学指的是一系列周边重叠概念的集合，而不是一个独立的领域。然而，随着系统生物学的教职和研究机构在全球范围内的激增，这个术语在2007年已经广泛流行和普及。<br />
<br />
==历史==<br />
<br />
系统生物学根植于<font color="#FF8000">酶动力学 enzyme kinetics</font>的定量模型（酶动力学在1900年到1970年间蓬勃发展）、<font color="#FF8000">种群动力学 population dynamics</font>的数学模型、神经生理学模拟、控制理论和<font color="#FF8000">控制论 control theory</font>以及<font color="#FF8000">协同学 Synergetics</font>。<br />
<br />
理论家卡尔·路德维希·冯·贝塔郎非和他的<font color="#FF8000">一般系统论 general systems theory</font>可以被看作是系统生物学先驱之一。英国神经生理学家、诺贝尔奖获得者艾伦•劳埃德•霍奇金和安德鲁•费尔丁•赫克斯利在1952年发表了最早的细胞生物学的数理分析之一，他们也创建了一个数学模型，解释了沿神经元细胞轴突传播的动作电位。他们的模型描述了一种由钾和钠两种不同的分子成分之间的相互作用所产生的细胞功能，所以这可以被看作是演算系统生物学的开端。无独有偶，艾伦•图灵在1952年发表了形态发生的化学基础，描述了最初同质的生物系统中是如何产生不均匀性的。<ref>{{Cite journal|last1=Turing|first1=A. M.|authorlink=Alan Turing|title=The Chemical Basis of Morphogenesis|journal=Philosophical Transactions of the Royal Society B: Biological Sciences|volume=237|issue=641|pages=37–72|doi=10.1098/rstb.1952.0012|url=http://www.dna.caltech.edu/courses/cs191/paperscs191/turing.pdf|jstor=92463|year=1952|pmid=|pmc =|bibcode=1952RSPTB.237...37T}}</ref><br />
<br />
1960年，丹尼斯·诺布尔创建了第一个心脏起搏器的计算模型。<br />
<br />
系统理论家米哈伊洛 · 梅萨罗维奇于1966年在俄亥俄州克利夫兰市的凯斯理工学院召开了一次题为“系统理论与生物学”的国际研讨会，开启了系统生物学作为一个独特领域的正式研究。<br />
<br />
人们在20世纪六七十年代研究出几种研究复杂分子系统的方法，如代谢控制分析和生化系统理论。整个20世纪80年代分子生物学的成功，以及人们对理论生物学的怀疑，加之收获小于预期，使得生物过程的定量模拟成为一个日渐被轻视的领域。<br />
<br />
<br />
不同时间维度生物学论文中被引用频率前30的文章里各个主题的占比，显示了系统生物学研究的趋势。<ref>{{Cite journal|last=Zou|first=Yawen|last2=Laubichler|first2=Manfred D.|date=2018-07-25|title=From systems to biology: A computational analysis of the research articles on systems biology from 1992 to 2013|journal=PLOS One|language=en|volume=13|issue=7|pages=e0200929|doi=10.1371/journal.pone.0200929|issn=1932-6203|pmc=6059489|pmid=30044828|bibcode=2018PLoSO..1300929Z}}</ref><br />
<br />
<br />
然而，20世纪90年代功能基因组学的诞生意味着人们可以得到大量高质量的数据，同时计算能力爆炸式增长，使得更真实的模型成为可能。1992年，1994年，曾斌斌撰写系列文章《论人体的全息模型》 ，第一届全国比较研究会议研究中医和西医，医学和哲学，1992年4月(“系统医学和药理学”称)。《转基因动物表达系统-转基因卵子计划》关于转基因动物的交流，第1卷，第11期，1994(关于系统遗传学和术语杜撰的概念)。曾斌，《自我组织结构理论》，《转基因动物的交流》,曾斌于1996年在中国出版了《系统医学、系统遗传学和系统生物工程》 ，并在北京举行的第一届国际转基因动物会议上作了关于生物系统理论和系统方法研究的演讲。1997年，富田正丸小组发表了第一个关于整个(假设的)细胞新陈代谢的定量模型。<br />
<br />
2000年左右，在西雅图和东京建立了系统生物学研究所之后，由于各种基因组项目的完成、组学(如基因组学和蛋白质组学)数据的大量增加以及随之而来的高通量实验和生物信息学的进展，系统生物学作为一项独立的运动而涌现出来。不久之后，第一个完全致力于系统生物学的院系成立了(例如，哈佛医学院的系统生物学系)<ref>{{cite web|title=HMS launches new department to study systems biology|url=https://news.harvard.edu/gazette/story/2003/09/hms-launches-new-department-to-study-systems-biology/|publisher=Harvard Gazette|date=September 23, 2003}}</ref>。<br />
<br />
<br />
2003年，麻省理工学院的研究从CytoSolve开始，这是一种通过动态整合多个分子通路模型来建立整个细胞模型的方法。<ref>{{cite journal|pmc=3032229|pmid=21423324|doi=10.1007/s12195-010-0143-x|volume=4|issue=1|title=CytoSolve: A Scalable Computational Method for Dynamic Integration of Multiple Molecular Pathway Models|date=March 2011|journal=Cell Mol Bioeng|pages=28–45|last1=Ayyadurai|first1=VA|last2=Dewey|first2=CF}}</ref>从那时起，各种致力于系统生物学的研究机构已经发展起来。例如，美国国立卫生研究院的 NIGMS 建立了一个项目补助金，目前正在支持美国的十多个系统生物学中心。<ref>{{cite web|title=Systems Biology - National Institute of General Medical Sciences|url=http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|publisher=|access-date=12 December 2012|url-status=dead|archive-url=https://web.archive.org/web/20131019100123/http://www.nigms.nih.gov/Research/FeaturedPrograms/SysBio/|archive-date=19 October 2013}}</ref>截至2006年夏天，由于系统生物学人才短缺，全球多地建起了系统生物学博士培养计划。同年，美国国家科学基金会 National Science Foundation,NSF 提出了二十一世纪系统生物学的一个巨大挑战：为整个细胞建立数学模型。2012年，纽约西奈山伊坎医学院的卡尔实验室完成了第一个对整个生殖支原体细胞的建模。该细胞模型能够预测基因变异后的生殖支原体细胞的存活时间。<ref>{{cite journal|last1=Karr|first1=Jonathan R.|last2=Sanghvi|first2=Jayodita C.|last3=Macklin|first3=Derek N.|last4=Gutschow|first4=Miriam V.|last5=Jacobs|first5=Jared M.|last6=Bolival|first6=Benjamin|last7=Assad-Garcia|first7=Nacyra|last8=Glass|first8=John I.|last9=Covert|first9=Markus W.|title=A Whole-Cell Computational Model Predicts Phenotype from Genotype|journal=Cell|date=July 2012|volume=150|issue=2|pages=389–401|doi=10.1016/j.cell.2012.05.044|pmid=22817898|pmc=3413483}}</ref><br />
<br />
<br />
系统生物学发展的一个重要里程碑是国际性课题 Physiome。<br />
<br />
==相关领域==<br />
<br />
[[File:Signal transduction pathways.svg|280px|thumb|right|Overview of [[signal transduction]] pathways]]<br />
<br />
[信号转导通路]概览<br />
<br />
系统生物学具有利用跨学科工具从多个实验来源获取、整合和分析复杂数据集的能力，一些典型的技术平台包括：表型组学，即生物表型在其生命周期内的变化；基因组学，即生物脱氧核糖核酸序列、包括生物内部细胞特异性变异（例如端粒长度变化）；表观基因组学或表观遗传学，生命体和相应的细胞特异性转录调控因子没有经验性地编码在基因组序列中（例如 DNA 甲基化、组蛋白乙酰化和脱乙酰化等)；转录组学，通过 DNA 微阵列或基因表达的系列分析来测量生物体、组织或整个细胞的基因表达; 干扰素组学，即生物体、组织或细胞水平的转录校正因子（例如RNA干扰) ； 蛋白质组学，通过二维凝胶电泳、质谱法或多维蛋白质识别技术(先进的高效液相色谱系统加上质谱法)，进行生物体、组织或细胞水平的蛋白质和多肽测量。子学科包括磷酸蛋白质组学、糖蛋白质组学和其他检测化学修饰蛋白质的方法; 代谢组学，测量有机体、细胞或组织水平系统中被称为代谢物的小分子; 糖组学，有机体、组织或细胞水平的碳水化合物测量; 脂质组学，有机体、组织或细胞水平的脂质测量。<ref name=":1">{{Cite journal|last=Cascante|first=Marta|last2=Marin|first2=Silvia|date=2008-09-30|title=Metabolomics and fluxomics approaches|journal=Essays in Biochemistry|language=en|volume=45|pages=67–82|doi=10.1042/bse0450067|pmid=18793124|issn=0071-1365}}</ref><br />
<br />
<br />
除了识别和定量化上述给定的分子之外，有进一步的技术来分析细胞内的动力学和相互作用。研究的相互作用包括生物、组织、细胞和细胞内分子的相互作用(相互作用组学)。<ref>{{Cite journal|last=Cusick|first=Michael E.|last2=Klitgord|first2=Niels|last3=Vidal|first3=Marc|last4=Hill|first4=David E.|date=2005-10-15|title=Interactome: gateway into systems biology|journal=Human Molecular Genetics|language=en|volume=14|issue=suppl_2|pages=R171–R181|doi=10.1093/hmg/ddi335|pmid=16162640|issn=0964-6906|doi-access=free}}</ref>目前，在这一领域的权威分子学科，尽管这一效用的定义并不仅仅局限于该领域，也有其它分子学科的作用。这些分子学科包括: 神经电动力学，这是一个有机体网络，其中大脑的计算功能作为一个动态系统，包括潜在的生物物理机制和新兴的电力相互作用的计算<ref>{{Cite journal|last=Aur|first=Dorian|date=2012|title=From Neuroelectrodynamics to Thinking Machines|journal=Cognitive Computation|language=en|volume=4|issue=1|pages=4–12|doi=10.1007/s12559-011-9106-3|issn=1866-9956}}</ref>；流体学，测量一个系统里分子随着时间的动态变化，如细胞、组织或有机体;<ref>{{Cite journal|last=Diez|first=Mikel|last2=Petuya|first2=Víctor|last3=Martínez-Cruz|first3=Luis Alfonso|last4=Hernández|first4=Alfonso|date=2011-12-01|title=A biokinematic approach for the co--mputational simulation of proteins molecular mechanism|journal=Mechanism and Machine Theory|volume=46|issue=12|pages=1854–1868|doi=10.1016/j.mechmachtheory.2011.07.013|issn=0094-114X}}</ref>在处理系统生物学问题时，有两种主要的方法。它们分别是自上而下和自下而上的方法。自上而下的方法尽可能多把系统考虑在内，并且在很大程度上依赖于实验结果。RNA-seq 技术是自上而下实验方法的一个例子。相反，自下而上的方法用于创建详细的模型，同时也结合了实验数据。自下而上方法的一个例子是使用电路模型来描述一个简单的基因网络。<ref>{{Cite journal|title=Application of Top-Down and Bottom-up Systems Approaches in Ruminant Physiology and Metabolism|last=Loor|first=Khuram Shahzad and Juan J.|date=2012-07-31|journal=Current Genomics|volume=13|issue=5|pages=379–394|language=en|doi=10.2174/138920212801619269|pmc=3401895|pmid=23372424}}</ref><br />
<br />
<br />
<br />
有各种技术用于捕获mRNA、蛋白质的动态变化和翻译后修饰。如<font color="#FF8000">生物力学 Mechanobiology</font>，研究跨尺度的力学和物理性质，以及它们与其他调节机制的相互作用<ref name="MechanicalSystemsBiology">{{cite journal|last1=Spill|first1=Fabian|last2=Bakal|first2=Chris|last3=Mak|first3=Michael|date=2018|title=Mechanical and Systems Biology of Cancer|journal=Computational and Structural Biotechnology Journal|volume=16|pages=237–245|doi=10.1016/j.csbj.2018.07.002 |pmid=30105089|pmc=6077126|bibcode=2018arXiv180708990S|arxiv=1807.08990}}</ref>；生物符号学，分析有机体或其他生物系统的符号关系系统；生理组学，生物学中生理的系统研究。<br />
<br />
<br />
<font color="#FF8000">癌症系统生物学 Cancer systems biology</font>是系统生物学研究的一个例子，它可以通过特定的研究对象(肿瘤发生和癌症治疗)来区分。它使用特定的数据(患者样本、高通量数据，特别注意在患者肿瘤样本中描述癌症基因组)和工具(永生化癌细胞系、肿瘤发生的小鼠模型、异种移植模型、高通量测序方法、基于siRNA的基因敲除高通量筛选、体细胞突变后果的计算模型和基因不稳定性)。<ref name="barillot13">{{cite book|last1=Barillot|first1 =Emmanuel |last2=Calzone|first2=Laurence|last3=Hupe|first3=Philippe|last4=Vert|first4 =Jean-Philippe|last5=Zinovyev|first5=Andrei|title=Computational Systems Biology of Cancer|year=2012|publisher=Chapman & Hall/CRCMathematical & Computational Biology|isbn=978-1439831441|page=461}}</ref>癌症系统生物学的长期目标是能够更好地诊断癌症，对癌症进行分类，并更好地预测建议的治疗结果，这是个性化癌症医学和虚拟癌症患者在更远的前景的基础。在癌症的计算系统生物学方面已经做出了重大的努力，在各种肿瘤的计算机模型中创造了真实的多尺度。<br />
<br />
<br />
这些研究经常与大规模的微扰方法结合，包括基于基因的(RNA干扰，野生型和突变型基因的错误表达)和使用小分子库的化学方法。机器人和自动化传感器使这种大规模的实验和数据采集成为可能。这些技术仍在出现，并且很多面临产生的数据量越大，质量就越低的问题。各种各样的定量科学家(计算生物学家、统计学家、数学家、计算机科学家和物理学家)正在努力提高这些方法的质量，并创建、完善和重新测试模型，以准确地反映观测结果。<br />
<br />
<br />
<br />
系统生物学方法经常涉及机制模型的发展，比如从动态系统的基本构件的定量特性重建动态系统。例如，一个细胞网络可以进行数学建模，使用的方法来自化学动力学和控制理论。由于细胞网络中参数、变量和约束的数量庞大，系统生物学经常使用数值和如流平衡分析的计算技术。<ref name=dynamicmodel>{{cite book|last1=Tavassoly|first1=Iman|title=Dynamics of Cell Fate Decision Mediated by the Interplay of Autophagy and Apoptosis in Cancer Cells|date=2015|publisher=Springer International Publishing|isbn=978-3-319-14961-5|doi=10.1007/978-3-319-14962-2|series=Springer Theses}}</ref><br />
<br />
== 生物信息学和数据分析==<br />
<br />
计算机科学、信息学和统计学的其他方面也用于系统生物学。包括新形式的计算模型，如使用过程计算模拟生物过程(著名的方法包括随机演算，BioAmbients，Beta Binders，BioPEPA 和 Brane 演算)和基于约束的建模; 使用信息提取和文本挖掘技术，综合来自文献的信息；<ref>{{cite journal|last1=Ananadou|first1=Sophia|author1-link=Sophia Ananiadou|last2=Kell|first2=Douglas|last3=Tsujii|first3=Jun-ichi|title=Text mining and its potential applications in systems biology|journal=Trends in Biotechnology|volume=24|issue=12|pages=571–579|date=December 2006|doi=10.1016/j.tibtech.2006.10.002|pmid=17045684 }}</ref>开发在线数据库和存储库共享数据和模型，以及通过软件，网站和数据库或商业诉讼的松散耦合实现数据库集成和软件互操作性的方法；; 基于网络的方法分析高维基因组数据集。例如，加权相关网络分析常常用于识别集群(称为模块)、建立集群之间的关系模型、计算集群(模块)成员的模糊度量、识别模块内中心成员，以及利用其他数据集研究集群保存; 基于通路的组学数据分析方法，例如识别和评价不同活性的基因、蛋白质或代谢物通路的方法。<ref name="pathvar2012">{{cite journal|last1=Glaab|first1=Enrico|last2=Schneider|first2=Reinhard|title=PathVar: analysis of gene and protein expression variance in cellular pathways using microarray data|volume=28|issue=3|pages=446–447|journal=Bioinformatics|doi=10.1093/bioinformatics/btr656|pmid=22123829|pmc=3268235|year=2012 }}</ref> 许多基因组数据集的分析也包括确定相关性。此外，由于大量的信息来自不同的领域，发展生物模型的语法和语义健全的表示方法是必要的。<ref>{{Cite journal|last=Bardini|first=R.|last2=Politano|first2=G.|last3=Benso|first3=A.|last4=Di Carlo|first4=S.|date=2017-01-01|title=Multi-level and hybrid modelling approaches for systems biology|journal=Computational and Structural Biotechnology Journal|volume=15|pages=396–402|doi=10.1016/j.csbj.2017.07.005|issn=2001-0370|pmc=5565741|pmid=28855977}}</ref><br />
<br />
<br />
== 建立生物学模型==<br />
<br />
[[File:Toy_Biological_Model.jpg|thumb|326x326px|A simple three protein negative feedback loop modeled with mass action kinetic differential equations. Each protein interaction is described by a Michealis Menten reaction.<ref name=":03">{{Cite journal|last=Transtrum|first=Mark K.|last2=Qiu|first2=Peng|date=2016-05-17|title=Bridging Mechanistic and Phenomenological Models of Complex Biological Systems|journal=PLOS Computational Biology|volume=12|issue=5|pages=e1004915|doi=10.1371/journal.pcbi.1004915|pmid=27187545|pmc=4871498|arxiv=1509.06278|bibcode=2016PLSCB..12E4915T|issn=1553-7358}}</ref>]]<br />
<br />
用质量作用定律动力学微分方程建立简单的三蛋白质负反馈回路。每个蛋白质相互作用都是通过米氏反应来描述的。<br />
<br />
<br />
研究人员首先选择一条生物通路，绘制所有蛋白质相互作用的图表。确定了所有的蛋白质相互作用之后，使用符合质量作用定律的动力学来描述系统中反应的速率。质量作用定律动力学将提供微分方程，把生物系统模拟成一个数学模型，其中微分方程的参数可以由实验来确定。<ref>{{Cite journal|last=Chellaboina|first=V.|last2=Bhat|first2=S. P.|last3=Haddad|first3=W. M.|last4=Bernstein|first4=D. S.|date=August 2009|title=Modeling and analysis of mass-action kinetics|journal=IEEE Control Systems Magazine|volume=29|issue=4|pages=60–78|doi=10.1109/MCS.2009.932926|issn=1941-000X}}</ref>这些参数值是系统中每对蛋白质相互作用的反应速率。这个模型决定了生物系统中主要蛋白质的行为，并且为理解单个蛋白质的特殊行为提供了新的视角。当不能够收集一整个系统的所有反应速率时。可以通过模拟已知参数的模型并且提供可能参数值的目标行为，来确定未知的反应速率。<ref>{{Cite journal|last=Brown|first=Kevin S.|last2=Sethna|first2=James P.|date=2003-08-12|title=Statistical mechanical approaches to models with many poorly known parameters|journal=Physical Review E|volume=68|issue=2|pages=021904|doi=10.1103/physreve.68.021904|pmid=14525003|bibcode=2003PhRvE..68b1904B|issn=1063-651X}}</ref><ref name=":03" /><br />
<br />
<br />
[[File:Toy_Model_Plot.jpg|thumb|325x325px|Plot of Concentrations vs time for the simple three protein negative feedback loop. All parameters are set to either 0 or 1 for initial conditions. The reaction is allowed to proceed until it hits equilibrium. This plot is of the change in each protein over time.]]<br />
<br />
<br />
简单的三种蛋白质负反馈回路的浓度-时间图。对于初始条件，所有参数设置为0或1。反应持续进行，直到达到平衡。这张图是每种蛋白质随时间的变化。<br />
<br />
== 参见==<br />
<br />
* 生物计算<br />
<br />
* 计算生物学<br />
<br />
* 暴露组<br />
<br />
* 相互作用组<br />
<br />
* 生物学中组学主题列表<br />
<br />
* 代谢网络建模<br />
<br />
* 生物系统建模<br />
<br />
* 分子病理流行病学<br />
<br />
* 网络生物学<br />
<br />
* 网络医学<br />
<br />
* 合成生物学<br />
<br />
* 系统生物医学<br />
<br />
* 系统免疫学<br />
<br />
== 参考文献==<br />
<references/><br />
<br />
<br/><br />
<br />
== Further reading 延伸阅读==<br />
<br />
* {{cite book|last1=Klipp|first1=Edda|last2= Liebermeister|first2=Wolfram|last3=Wierling|first3=Christoph|last4=Kowald|first4=Axel|title=Systems Biology - A Textbook, 2nd edition|isbn=978-3-527-33636-4|publisher=Wiley|year=2016}}<br />
<br />
* {{cite book|editor=Asfar S. Azmi|title=Systems Biology in Cancer Research and Drug Discovery|isbn=978-94-007-4819-4|year=2012}}<br />
<br />
* {{cite book|last=Kitano|first=Hiroaki|authorlink=Hiroaki Kitano|title=Foundations of Systems Biology|date=15 October 2001|publisher=MIT Press|isbn=978-0-262-11266-6|url-access=registration|url=https://archive.org/details/foundationsofsys00hiro}}<br />
<br />
* {{cite journal|last1=Werner|first1=Eric|date=29 March 2007|title=All systems go|journal=Nature|volume=446|doi=10.1038/446493a|issue=7135|bibcode=2007Natur.446..493W|pages=493–494|doi-access=free}} provides a comparative review of three books: <br />
<br />
* {{cite book|last=Alon|first=Uri|authorlink=Uri Alon|title=An Introduction to Systems Biology: Design Principles of Biological Circuits|date=7 July 2006|publisher=Chapman & Hall|isbn=978-1-58488-642-6}}<br />
<br />
* {{cite book|last=Kaneko|first=Kunihiko|title=Life: An Introduction to Complex Systems Biology|date=15 September 2006|publisher=Springer-Verlag|isbn=978-3-540-32666-3|bibcode=2006lics.book.....K}}<br />
<br />
* {{cite book|last=Palsson|first=Bernhard O.|title=Systems Biology: Properties of Reconstructed Networks|date=16 January 2006|publisher=Cambridge University Press|isbn=978-0-521-85903-5}}<br />
<br />
* {{cite book|editor1= Werner Dubitzky|editor2=Olaf Wolkenhauer|editor3=Hiroki Yokota|editor4=Kwan-Hyun Cho|title=Encyclopedia of Systems Biology|date=13 August 2013|publisher=Springer-Verlag|isbn=978-1-4419-9864-4}}<br />
<br />
<br />
<br />
==相关链接==<br />
<br />
* [http://www.bio-physics.at/wiki/index.php?title=Biological_Systems Biological Systems in bio-physics-wiki]<br />
<br />
<br />
<br />
<br />
本中文词条由[[用户:CecileLi|CecileLi]]、[[用户:Thingamabob|Thingamabob]]审校，[[用户:许许|许许]]编辑，欢迎在讨论页面留言。<br />
<br />
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''<br />
<br />
[[Category:生物信息学]]<br />
[[Category:基因学]]<br />
[[Category:系统科学]]<br />
[[Category:自动控制]]</div>
许许