如何结合生物科研和计算机科学？

 生物科研的基本思路是发现对象之间的关系，最简单的如有特定基因的表达能够促进细胞分化，但这是结果，是一将功成万骨枯，一篇文章能够得出这种确切的关系就已经很成功了，能够作为接下来研究的基石之一，然而一个论点需要很多证据来支持，需要做很多实验要有很多阳性结果，而且要从不同的角度来验证(正面是阳性结果，然后通过一定处理如基因敲除之类来制造负面的变化，然后通过施加一定的处理来回复原来的阳性结果)，从细胞做到小鼠甚至临床。
在生物网络这个复杂系统寻找这样的关系，其实是一种大海捞针，我们最后的思路是在一开始将生物体视为黑箱，通过记录特定的输入即处理和相对应的输出即观测数据来慢慢摸索出一定的模式，然后在这个基础上不断探索其它模式。这也是我们现在的科研所做的。

一般来说，正面的关系寻找是通过大规模的筛选来发现表达具有特异性的对象，在我们的基因芯片蛋白质芯片之前都是很大程度上靠运气来筛选，这是相关性。然后需要证明这种相关性是因果关系，则需要一定的手段来证明这些关系缺一不可。瘦素被发现是肥胖的影响因素之一后，就可以敲除瘦素基因来制造肥胖的动物模型来证明这个观点，甚至可以对肥胖小鼠人工注射瘦素来帮助减肥来进一步证明。至于后面出现的体重反弹则是与瘦素抵抗之类的复杂机制相关，这更加说明了生物网络的复杂性。

这个科学的范式看起来很简单，实际上也的确如此，但问题是能够做出结果来也不简单，甚至复杂到不可能。假说的提出是工作的出发点，这是当今证伪式科学范式的特点，理论上允许人们不断逼近真理。日拱一卒就是如此。当然，具体的新假设的提出需要对特定领域有比较全面的了解，才能从各种排列组合筛选出具有意义的路径，如xx处理因素对YY作用对象的zz机制有影响。就像我跟着师兄做实验，看起来像是把各种各样的试剂加来加去，但其实是有一定目的的，一切都是了解世界的工具:基于文献调研发现前人的工作成果，在这个基础上提出一定的假设，然后制定实验计划来验证该假设的正确性。如此反复，不断推进，如同螺旋式上升的认识真理过程。但是这潜在一个很危险的问题，就是前人的假设不一定完全成立，如果直接照搬可能会带来错误。当然一般情况下还是值得信赖的。只是我们必须知道这些假设不是真理，是有其适用范围的。

好，举个例子，师姐做风湿性关节炎的相关研究，首先她需要选择一定的作用对象，这是基于前人工作成果但又进一步创新的(别人做过你就不会做，这就需要大规模的文献调研)，你可以做相关的免疫细胞或者免疫分子与疾病的关系即提出这种相关性的假设。然后在一定的平台上检验这个假设，一般都是细胞模型或者动物模型，师姐就通过文献调研来发现可能的造模方法(这里也有一个假设，如果通过一定处理的动物能够表现出与人类相似的症状，病理变化，生化指标等等，那么就可以近似认为可以通过研究小鼠来类推到人体的机制)。然后通过在这个平台施加原有假设的处理，如果相应的指标揭示动物回复正常状态，那么就可以在一定程度上认为该处理因素与疾病的相关性是成立的。然后使用这种思路不断探索足够多的因素直接对特定疾病的影响，能够整理出一定的分子机制，如A-B-C之类的。那些复杂的信号通路网络就是基于这种思路一步步做出来的，可以说是皇冠上的明珠。可以说，这和计算机的递归思想异曲同工。

当然，talk is cheap，show me the act。这种关系的寻找就是说得简单，做起来要命。各种表征手段如琼脂糖电泳，western blot，染色，免疫组化绝对需要大量的时间精力的投入。而且实验有很多细节需要注意，如各种处理的步骤，试剂添加的顺序可能就会对实验造成不可挽回的后果。所以说，理论上看上去很美好，但实践上一团糟，这个只有真正去做实验才会发现的。 

所以，问题是如何结合计算机科学来指导生物科研的思路？