熊江辉

导语：

为什么面对外伤、急症和感染，现代医学如同神明，但面对衰老、慢病和亚健康，却常常束手无策？这不仅仅是技术迭代的瓶颈，更是基础知识范式的失衡。当生命被过度还原为孤立的“零件”时，我们失去了对“系统状态”的感知。今天，我们需要重新发明医学（Re-invent Medicine）——补全医学的第二种范式。

现代医学之所以强大，很大程度上源于一种极其成功的知识范式：对外物的客观描述。它不断追问病原体是什么、组织损伤在哪里、哪条通路异常、哪个靶点可以被命中。正是这种范式，推动了病理学、影像学、分子生物学和现代药理学的发展，也让医学在感染、创伤、急危重症和器官级治疗上取得了巨大成就。

但问题在于，当医学进入慢病、多病共存、衰老、亚健康、功能失衡和复杂个体差异这些领域时，仅靠“对象描述”开始显得不够。我们越来越能够描述分子，却并不总能因此把握系统；越来越能够命名病灶，却并不总能因此理解状态。复杂疾病时代真正暴露出的，不是知识不够多，而是范式失衡。

一、医学知识并不只有一种范式

如果把医学理解为一套关于人体的知识体系，那么它至少包含两种基本范式。

第一种，是对外物的客观描述。它把疾病理解为某种可被识别、可被命名、可被定位的对象：病原、病灶、结构损伤、分子异常、受体、靶点、基因突变。它的优势在于清晰、稳定、可验证、可标准化，因而成为现代医学最成功的主干。

第二种，是对系统状态的响应映射。它不首先问“这是什么东西”，而首先问“系统当前处于什么状态”“面对何种扰动时系统将如何响应”“不同症状、功能变化与整体失衡之间存在何种模式关系”。这种范式不优先命名对象，而优先压缩和表达系统对扰动的反应方式。

前一种范式擅长把世界切分成对象，后一种范式擅长把世界组织成状态。前者更接近解剖与命名，后者更接近模式与轨迹。医学真正完整的时候，二者应当并存；但现代医学的历史演化，使前者被不断强化，而后者长期缺乏形式化语言，因此常常被误解为模糊、经验，甚至被直接排除在“硬知识”之外。

二、对象描述范式为什么仍然不够

对象描述范式并没有错，它只是不够完整。

在简单疾病里，一个对象往往就足以解释大部分现象：某种细菌感染、某处骨折、某条血管堵塞、某个突变驱动的肿瘤亚型。这时，识别对象几乎等于把握疾病。

但在复杂疾病里，情况往往不同。一个人长期疲劳、睡眠变差、情绪波动、炎症升高、代谢异常、免疫失衡，未必都能被一个单点对象解释。即使找到了若干异常指标，也仍然可能无法回答更关键的问题：为什么这些变化会共同出现？为什么相同病名的人状态差异如此之大？为什么有的人对同一干预反应明显，而另一些人几乎无效？

这说明，复杂疾病首先不是“单点错误”问题，而更像是系统状态偏移问题。早在 2011 年，Barabási 等人便提出“网络医学”概念，指出复杂疾病本质上是网络模块（Disease Modules）的扰动，而非单一基因的异常。更有趣的是，Hoel 等人提出的“宏观因果涌现”（Causal Emergence）理论证明，在复杂系统中，宏观尺度的特征（如系统级响应模式、高阶状态标签）往往比微观孤点具有更强的因果解释力。真正需要描述的，不只是一个靶点，而是一个系统在多重扰动下如何发生联动、补偿、放大、失衡和重排。医学一旦面对这种情形，就必须放弃对微观对象的执念，恢复另一种能力：识别状态。

三、什么叫“响应映射”

所谓响应映射，并不是神秘主义语言，也不是对现代医学的反动。它的真正含义是：把系统面对扰动时表现出的复杂状态，用一组可识别、可比较、可推演的模式进行压缩表达。

这里的“响应”不是单一症状，而是系统层面的反应方式；“映射”也不是任意联想，而是寻找一个可计算的物理空间。Vidal 等人指出，多尺度相互作用组（Interactome）正是描绘这种系统响应状态最成熟的现实网络底盘。而 Ruiz 等人的研究进一步表明，干预手段（如药物）并非仅靠单点命中发挥作用，而是通过这套多尺度网络传播其影响。因此，把不同层面的现象——症状、体征、功能变化、分子读出——映射到这个共享的网络空间中，就成了把握系统演化轨迹的钥匙。

一旦引入响应映射，医学的视角就会发生变化。它不再只问“哪个对象坏了”，而开始问：

• 这个系统当前偏向何种反应模式？

• 这种模式意味着哪些功能在被压制，哪些功能在被放大？

• 这种状态在未来更可能走向修复、僵化还是崩溃？

• 哪类干预更接近这个状态的改写路径？

也就是说，响应映射不是替代客观描述，而是在对象描述之外，补上一层更贴近复杂系统的状态语言。

四、为什么复杂疾病时代必须恢复响应映射

当疾病主要表现为感染、梗阻、破裂、坏死时，医学当然应优先识别对象；但当疾病更多表现为疲惫、炎症、脆弱、波动、失调、代偿、敏感化和恢复能力下降时，医学就不能只满足于找出几个异常值。

复杂疾病时代真正缺少的，是一套能够同时连接状态识别、机制理解与干预选择的中间语言。幸运的是，现代网络医学已经开始搭建这种桥梁：例如 do Valle 等人证实，非单一靶点的复杂干预（如多酚类天然产物）的治疗效应，完全可以通过其靶点与疾病蛋白在网络中的“邻近性”（Network Proximity）来精确预测。

更关键的是，为了刻画系统的长期响应，我们需要极其稳定的“状态记忆层”。研究表明，DNA甲基化等表观遗传修饰能够稳定保存环境扰动的写入，充当系统状态的记忆介质；临床数据也证实，这类特征在预测吸烟、肥胖等复杂暴露状态时，甚至比直接测量某些表型拥有更高的信噪比。有了网络（PPI等）作为映射空间，有了甲基化作为状态刻画的指针，响应映射就不再是玄学，而是可高通量测量的计算科学。这也正是能力组学（Capomics）提出“测量生命适应能力”的底层逻辑——我们终于可以将隐性的系统响应，通过算法（如SEMO）和甲基化时钟进行显性表达。

五、中医为什么值得被重新理解

如果把中医简单理解为一套古代对象命名系统，那么它当然会显得不精确，因为它并不擅长定义现代意义上的病原、受体、结构和分子。但如果换一个角度，把中医理解为一套长期积累下来的响应映射语言，很多东西就会变得不同。

中医最有价值的部分，也许并不在于它是否直接说出了现代分子机制，而在于它保存了一套对系统状态进行高阶压缩的语法。风、寒、暑、湿、燥、火，并不一定首先是“对象”，更可能是对原型响应状态的压缩标签。2023 年《Science Advances》的一项重磅研究直接验证了这一点：中医的“草药-症状”有效性，完全可以通过草药靶点与症状相关蛋白网络模块之间的“网络邻近性”来精确解释。这说明，中医传统的理法方药，本质上就是一套基于网络拓扑距离的干预映射算法。

因此，中医真正值得重读的，不是把每一个术语硬翻译成某个蛋白或某条通路，而是要看到：它代表着一种长期被现代医学忽视的知识能力——对复杂系统状态的宏观响应映射能力。当这种宏观智慧与现代DNA甲基化的大数据网络相遇时，它将焕发出全新的生命力。

结语

医学未来不应只在“对象描述”这一条线上继续加速，还需要补上另一条长期被弱化的主线：对系统状态的响应映射。前者给我们病原、结构、分子与靶点，后者给我们模式、状态、轨迹与干预方向。真正面向复杂疾病、衰老与个体化医学的理论，不应在二者之间二选一，而应学会把它们重新接合。

响应映射理论的工作，正是从这里开始：先承认医学有两种基本范式，再为第二种范式建立可计算的数字语言。

🖋 作者按 (Author's Note)：

“响应映射”并非只停留在哲学层面的思辨。从理论走到现实，我们需要一把抓手。过去几年里，我们团队（DeepOMe 深度甲基）致力于将这套基于网络医学的系统响应理论工程化。我们以 DNA 甲基化为表观遗传记忆层，以 PPI 相互作用网络为底盘，开发了 SEMO（系统响应原语）算法。我们正在做的，就是把抽象的“生命系统偏移”，变成每一次唾液检测中可量化、可追溯、可干预的数字时钟，真正实现重塑医学（Re-invent Medicine）的愿景。

参考文献与理论支撑

1. 支撑模式：宏观因果涌现（Causal Emergence）

• 标准引用： Hoel, E. P., Albantakis, L., & Tononi, G. (2013). Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences (PNAS), 110(48), 19790-19795.

• 与本文关系： 为“响应映射”范式提供了最底层的物理与方法论支撑。证明在复杂系统中，宏观尺度的特征（如系统级响应模式、高阶状态标签）往往比微观孤点（单一基因或蛋白）具有更强的因果解释力。说明放弃“微观对象描述”而采用“宏观状态压缩”不仅不虚，反而更有效。

2. 支撑模式：疾病的网络模块扰动（Disease Modules）

• 标准引用： Barabási, A. L., Gulbahce, N., & Loscalzo, J. (2011). Network medicine: a network-based approach to human disease. Nature Reviews Genetics, 12(1), 56-68.

• 与本文关系： 驳斥了“单点错误”的疾病观，支持了“复杂疾病首先是系统状态偏移”的核心判断。说明在面对慢病和复杂疾病时，医学视角必须从寻找单一异常对象转向识别整个网络模块的失衡。

3. 支撑模式：多尺度相互作用组（Interactome）作为机制底盘

• 标准引用： Vidal, M., Cusick, M. E., & Barabási, A. L. (2011). Interactome networks and human disease. Cell, 144(6), 986-998.

• 与本文关系： 确立了响应映射的“物理空间”。说明基因型到表型的映射中间层不能只看单点，多维网络骨架（PPI等）是描绘系统响应状态最成熟的现实底盘。

4. 支撑模式：干预在多尺度网络中的传播与映射

• 标准引用： Ruiz, C., Zitnik, M., & Leskovec, J. (2021). Identification of disease treatment mechanisms through the multiscale interactome. Nature Communications, 12(1), 1796.

• 与本文关系： 桥接了“状态空间”与“干预空间”。证明药物治疗疾病并非简单的靶点命中，而是通过多尺度网络传播起作用，直接支撑了理论中“建立从状态空间到干预空间的可计算变换”的必要性。

5. 支撑模式：网络邻近性（Network Proximity）预测复杂干预效应

• 标准引用： do Valle, Í. F., Roweth, H. G., Malloy, M. J., et al. (2021). Network medicine framework shows that proximity of polyphenol targets and disease proteins predicts therapeutic effects of polyphenols. Nature Food, 2(3), 143-155.

• 与本文关系： 为非单一靶点干预（如天然产物、多酚类复杂营养素）提供了可计算的理论依据。说明“响应空间”可以通过网络距离（拓扑结构）与治疗效应进行现代科学语境下的精确计算映射。

6. 支撑模式：中医“症状-草药”关系的网络拓扑解释

• 标准引用： Zhou, W., et al. (2023). Network medicine framework reveals generic herb-symptom effectiveness of traditional Chinese medicine. Science Advances, 9(43).

• 与本文关系： 直接验证了“中医本质上是一套响应映射语言”。文章证明了中药靶点与症状相关蛋白网络模块之间的“网络邻近性”可以预测疗效，为中医的“响应原语”找到了基于现代网络医学的结构解释。

7. 支撑模式：表观遗传作为环境暴露的“状态记忆层”

• 标准引用： Suter, M. A., & Aagaard-Tillery, K. M. (2009). Environmental influences on epigenetic profiles. Seminars in Reproductive Medicine, 27(5), 362-374. (或近期同源综述)

• 与本文关系： 解释了为什么不能仅用瞬时的分子波动（如转录组）来刻画系统状态。DNA甲基化等表观修饰作为高信噪比的系统记忆，能够稳定保存环境扰动的写入，是响应映射绝佳的长期状态读出接口。

8. 支撑模式：DNA甲基化在长期状态与暴露表征上的高信噪比

• 标准引用： Bollepalli, S., et al. (2019/2022). The potential of DNA methylation as a biomarker for obesity and smoking. Journal of Internal Medicine / PMC Archive (PMCID: PMC9543926).

• 与本文关系： 提供了临床级的数据支撑。证明 DNA 甲基化特征在预测复杂暴露（如吸烟、代谢状态）方面，甚至比直接测量某些表型更为准确，再次确认了它是记录和重构复杂疾病“系统状态偏移”的顶级指针。

转载本文请联系原作者获取授权，同时请注明本文来自熊江辉科学网博客。
链接地址：https://blog.sciencenet.cn/blog-508476-1531076.html

上一篇：根因医学：AI 时代通往长寿的底层算法 （第一章）
下一篇：从中医术语\'风\'的困惑到AI for Science的真正使命