博文
世界模型与系统生物学模型有什么不同？
||
当我们讨论“医学世界模型”时，专业读者很自然会提出一个问题：
生命科学里不是早已有系统生物学模型了吗？为什么还需要“世界模型”这个新说法？
这个问题非常重要。因为如果不能清楚地区分“系统生物学模型”和“医学世界模型”，世界模型很容易被误解为系统生物学的重新包装，或者被看成又一个 AI 热词。
更准确地说，二者不是替代关系，而是问题重心不同。
系统生物学的核心贡献，是帮助我们理解生命系统的网络结构、动态调控和机制关系。医学世界模型则进一步面向个体化干预决策，把状态、动作、机制证据、状态转移假设和真实反馈组织成一个可审计的推演闭环。
简单说：
一、系统生物学的贡献：从单基因到系统网络系统生物学主要回答“生命系统如何运行”；医学世界模型进一步追问“如果采取某个行动，生命系统可能如何改变”。
系统生物学的兴起，本质上是对还原论生物学的重要补充。
传统生物医学研究常常从单个基因、单个蛋白、单条通路出发，试图解释疾病或生命现象。但生命系统并不是简单零件的线性相加。基因、蛋白、代谢物、细胞、组织、器官和环境之间存在复杂的反馈、冗余、补偿和非线性关系。
系统生物学的价值在于，它把生命系统看作一个动态网络，强调：
多层级组分之间的相互作用；
通路与网络结构；
动态调控；
非线性反馈；
稳态、扰动与恢复；
多组学数据的整合解释。
例如，在代谢综合征、肿瘤、免疫疾病、神经退行性疾病和衰老等复杂问题中，单一指标往往不足以解释整体状态。系统生物学可以帮助我们看到更大的网络结构：哪些模块被扰动，哪些通路被激活，哪些反馈环可能参与疾病进展。
这正是系统生物学的重要贡献。
没有系统生物学、生理学、病理生理学、药理学、临床研究和因果推断等多类知识基础，医学世界模型很容易退化为黑箱预测或经验推荐。
二、系统生物学并不排斥扰动和干预需要先澄清一点：系统生物学并不是只做静态解释，也并不排斥扰动、动力学和干预研究。
事实上，许多系统生物学研究正是通过基因敲除、药物扰动、环境变化、动力学模拟或网络控制来理解系统响应。系统生物学也可以研究药物作用、通路调控和疾病网络的变化。
因此，本文强调的差别，不在于系统生物学“能不能研究干预”，而在于医学世界模型是否把干预动作组织成面向个体决策的可审计推演闭环。
系统生物学模型常常问：
这个生命系统由哪些部分组成？
它们之间如何相互作用？
某个通路为什么被激活？
某个疾病状态背后可能有哪些网络机制？
某个扰动如何影响系统结构？
而面向医学干预的世界模型进一步追问：
当前个体处于什么状态？
可以采取哪些干预动作？
不同动作可能导致怎样的状态转移？
这种推演基于什么机制证据？
后续真实反馈如何修正模型判断？
这里的关键不是“系统生物学没有 action”，而是：
如果医学世界模型要服务于干预推演，而不仅是状态描述或风险预测，那么就必须显式表达 action。
它需要把干预动作结构化为模型的一部分：
State + Action + Evidence -> Transition Hypothesis -> Feedback Update也就是说，医学世界模型不只关心“系统为什么这样”，还关心：
三、预测模型、系统生物学模型和医学世界模型如果我们采取某个动作，系统可能如何改变？这种推演依据是什么？后续如何验证和校准？
为了避免概念混淆，可以把三类模型放在一起比较。
| 模型类型 | 核心问题 | 典型输入 | 典型输出 | 主要价值 |
|---|---|---|---|---|
| 预测模型 | 未来风险有多高？ | 个体特征、检测指标、历史数据 | 风险分数、分类结果、预后概率 | 识别高风险个体 |
| 系统生物学模型 | 生命系统如何运行？ | 组学数据、通路、网络、动力学参数 | 机制解释、网络结构、动态关系 | 理解复杂生命机制 |
| 医学世界模型 | 采取某个动作后，状态可能如何变化？ | 个体状态、干预动作、机制证据、反馈数据 | 状态转移假设、证据链、反馈更新 | 支持干预推演与长期校准 |
预测模型回答的是：
未来可能发生什么？
系统生物学模型回答的是：
系统为什么这样运行？
医学世界模型进一步回答的是：
如果采取某个行动，系统未来可能如何改变？
三者并不是互相排斥，而是处在不同问题层级上。
四、骑手与马：理解马，不等于学会骑马为了更直观地理解这个差别，可以使用“骑手与马”的类比。
生命系统像一匹马。它有自己的结构、状态、疲劳、反应、适应能力和不确定性。
系统生物学帮助我们理解这匹马：
它的骨骼、肌肉、神经和代谢如何工作；
它为什么会疲劳；
它在不同环境下如何反应；
它的内部系统如何互相调节。
这非常重要。没有对马的理解，骑手不可能安全地骑马。
但医学干预不仅仅是理解马。医学还要面对另一个问题：
骑手如何在不伤害马的前提下，让马朝目标方向前进？
这就需要：
识别马当前的状态；
明确方向；
选择动作；
观察马的反应；
根据反馈调整下一步；
必要时停止或改变策略。
对应到医学世界模型，就是：
马的状态 -> 个体生命状态 缰绳动作 -> 干预动作 马的反应 -> 状态转移 骑行反馈 -> 复测数据与症状变化 骑手校准 -> 下一轮决策更新因此，可以用一句话概括：
系统生物学让我们理解马；医学世界模型让我们模拟不同动作下马的反应；可驾驭医学世界模型进一步关心骑手如何在反馈中校准方向。
需要强调的是，这里的“驾驭”不是控制生命系统，更不是宣称可以精确控制人体结果。它指的是在不确定性中明确目标、动作、证据、反馈和边界。
五、从机制解释到干预推演医学世界模型最重要的跃迁，是从 mechanism-centered modeling 走向 action-centered modeling。
系统生物学中的机制解释通常关注：
A influences B B regulates C C participates in phenotype D医学世界模型则需要进一步表达：
Given state S, if action A is applied, under evidence E and assumptions U, transition T may occur within time window W, and feedback F should update the next cycle.用中文说，就是：
在某个个体状态下，如果采取某个干预动作，在特定机制证据和假设条件下，系统可能出现某种状态转移，并需要通过后续反馈来验证和修正。
这里的关键词不是“预测疗效”，而是“状态转移假设”。
医学世界模型不应轻易写成：
模型预测某个干预一定有效。
更稳妥的科学表达应是：
模型在机制约束和证据链支持下，提出一个可被后续反馈检验的状态转移假设。
这种表述更符合当前科学边界，也更适合医学 AI 的安全发展。
六、干预推演不能绕开因果问题还需要强调一点：只要模型试图回答“如果采取某个动作会怎样”，就已经进入了因果问题。
如果一个模型只是根据历史数据发现相关性，它可以用于风险提示，但不能直接推出某个干预动作会导致某种状态变化。医学世界模型要支持干预推演，就至少需要显式记录：
因果假设；
适用人群；
可能的混杂因素；
证据等级；
不确定性；
反馈观察窗口；
失败或偏差时的解释路径。
否则，所谓 transition hypothesis 很容易从机制约束的推演退化为相关性外推。
因此，医学世界模型并不是简单把更多数据喂给 AI，也不是让大语言模型生成更像医学建议的文本。它真正需要的是把机制、因果、证据和反馈放进同一个可审计结构中。
七、医学世界模型为什么必须有反馈？系统生物学模型可以用于解释，也可以用于模拟。但医学世界模型如果没有反馈更新，就很难称为真正面向医学行动的世界模型。
原因很简单：医学干预面对的是个体，而个体差异巨大。
同样的营养、运动、药物、睡眠或行为干预，在不同个体中可能产生不同结果。即便是同一个个体，在不同时间、压力、疾病阶段、药物背景和生活环境下，反应也可能不同。
因此，医学世界模型必须承认不确定性，并把反馈作为系统的一部分。
一个合理的医学世界模型应该记录：
干预前状态；
干预动作；
机制假设；
证据链；
不确定性；
预期观察窗口；
实际反馈；
偏差解释；
下一轮更新。
这也是它与普通医学建议生成系统的差别。
普通系统可能输出一句建议；医学世界模型必须能解释这条建议的状态依据、动作定义、证据来源、反馈计划和更新逻辑。
八、数字孪生、系统生物学和医学世界模型的关系在医学 AI 和精准医学语境中，“数字孪生”也是一个常被提及的概念。
数字孪生通常强调为个体或系统建立数字化镜像，用于模拟、监测和预测。它与医学世界模型有明显交集，尤其在个体建模、动态模拟和反馈更新方面。
但二者的表述重点仍然可以区分：
系统生物学强调机制网络；
数字孪生强调个体镜像与动态模拟；
医学世界模型强调状态、动作、转移、证据和反馈；
可驾驭医学世界模型进一步强调目标、边界、人类复核和校准能力。
因此，不必把这些概念对立起来。更合理的看法是：
系统生物学提供机制层，数字孪生提供个体镜像思路，医学世界模型提供行动推演结构，而可驾驭框架提供目标、边界和反馈校准。
当然，这些概念在医学中的成熟度不同，很多仍处于研究、验证或早期应用阶段，不能简单等同于已经可临床部署的系统。
对长寿医学、功能医学和精准健康管理来说，这些层次未来可能需要整合，而不是互相替代。
九、可驾驭医学世界模型：把模拟推演放入目标、边界和反馈中如果医学世界模型只是模拟未来，仍然不够。
医学真正关心的是：如何在科学边界内，帮助医生、研究者和健康管理者更透明地选择方向、定义动作、观察反馈并及时校准。
以 SteeraMed 这样的可驾驭生物医学世界模型框架为例，其重点不是宣称自动控制人体，而是强调状态表示、干预动作、状态转移假设、证据链、反馈更新和人类复核。
这里的关键不是“模型更大”，而是模型结构更适合医学问题：
状态必须明确；
动作必须可定义；
机制必须可解释；
证据必须可追溯；
反馈必须可更新；
边界必须可审计；
专业人员必须能复核。
这也是医学世界模型区别于普通预测模型、普通系统生物学模型和普通生成式 AI 的地方。
十、科学边界：不要把世界模型神化最后需要强调科学边界。
医学世界模型不是万能人体模拟器，也不是已经成熟的临床治疗系统。当前更合理的定位是：
假设生成框架；
机制约束的推演框架；
辅助决策框架；
可审计证据链框架；
长期反馈校准框架。
它不能替代医生判断，也不能绕过临床验证，更不能把“状态转移假设”说成确定疗效。
尤其在医学和长寿医学中，个体差异、数据质量、因果识别、干预依从性、长期反馈周期和安全伦理都会限制模型能力。
因此，真正有价值的医学世界模型，不是最会生成答案的模型，而是最能说明以下问题的模型：
我们如何定义当前状态？
我们如何定义干预动作？
我们为什么认为这个动作可能改变状态？
证据强度如何？
不确定性在哪里？
如何设计反馈窗口？
如果结果偏离预期，如何更新模型？
这些问题，才是医学世界模型走向科学化和工程化的关键。
结语：不是替代系统生物学，而是把机制理解推进到行动推演系统生物学是医学世界模型的重要基础，但不是医学世界模型的全部。
系统生物学帮助我们理解生命系统的结构、网络和机制；医学世界模型进一步把这些理解放入状态、动作、转移、证据和反馈框架中，用于支持更透明、更可追踪的干预推演。
如果用一句话总结：
系统生物学回答“生命系统如何运行”；医学世界模型回答“当我们采取某个行动时，生命系统可能如何改变”；可驾驭医学世界模型进一步回答“人类如何在证据和反馈约束下校准这个改变过程”。
这不是对系统生物学的否定，而是对系统生物学在医学 AI 和长期健康管理场景中的延伸。
对于长寿医学、功能医学和精准健康管理而言，未来真正重要的可能不是单个模型概念，而是一套能够把机制理解、个体状态、干预动作、长期反馈和安全边界连接起来的医学推演基础设施。
参考文献与延伸阅读Kitano, H. Systems Biology: A Brief Overview. Science, 295(5560), 1662–1664, 2002. https://doi.org/10.1126/science.1069492
Kitano, H. Computational systems biology. Nature, 420, 206–210, 2002. https://doi.org/10.1038/nature01254
Ideker, T., Galitski, T., & Hood, L. A new approach to decoding life: systems biology. Annual Review of Genomics and Human Genetics, 2, 343–372, 2001. https://doi.org/10.1146/annurev.genom.2.1.343
Barabási, A.-L., Gulbahce, N., & Loscalzo, J. Network medicine: a network-based approach to human disease. Nature Reviews Genetics, 12, 56–68, 2011. https://doi.org/10.1038/nrg2918
Noble, D. The Music of Life: Biology Beyond Genes. Oxford University Press, 2006.
Ha, D., & Schmidhuber, J. Recurrent World Models Facilitate Policy Evolution. Advances in Neural Information Processing Systems 31, 2018. https://arxiv.org/abs/1803.10122
LeCun, Y. A Path Towards Autonomous Machine Intelligence. OpenReview, 2022. https://openreview.net/forum?id=BZ5a1r-kVsf
Pearl, J., & Mackenzie, D. The Book of Why: The New Science of Cause and Effect. Basic Books, 2018.
Katsoulakis, E., Wang, Q., Wu, H., et al. Digital twins for health: a scoping review. npj Digital Medicine, 7, 77, 2024. https://doi.org/10.1038/s41746-024-01073-0
Yang, Y., Wang, Z.-Y., Liu, Q., Sun, S., Wang, K., Chellappa, R., Zhou, Z., Yuille, A., Zhu, L., Zhang, Y.-D., & Chen, J. Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning. arXiv:2506.02327, 2025. https://arxiv.org/abs/2506.02327
Xiong, J. World Models for Biomedicine: A Steerability Framework. Preprints.org, 2026. https://doi.org/10.20944/preprints202605.0366.v1
SteeraMed 项目网址：https://SteeraMed.com
Steerable World 项目网址：https://steerable.world
https://blog.sciencenet.cn/blog-508476-1535861.html
上一篇：医学里的世界模型：从诊断疾病到模拟干预
下一篇：抗衰老研究为什么不能只盯单一靶点？
