Systembiologi og intelligent design: En naturlig match
Av Emily Reeves 15. januar 2026, Oversatt herfra

I desember 2025 markerte Molecular Systems Biology sitt 20-årsjubileum med en spesiallederartikkel som reflekterer over feltets utvikling siden 2005 (Bheda et al. 2025). Systembiologi er en tilnærming til å studere levende systemer som forutsetter hierarkisk, ovenfra-og-ned-design. Artikkelen -lenke, forfattet av tidsskriftets redaktører og flere bidragsytere, deler personlige perspektiver på hvor feltet står i dag - og hvor det er på vei. Ruedi Aebersold, den første bidragsyteren, sier: "De første 20 årene med MSB var storslåtte; de neste 20 årene vil bli enda større."

Bilde 1. DNA-sekvensering

Jeg er også optimistisk med tanke på feltets fremtid. Min optimisme kommer spesielt fra hvor kraftig ovenfra-og-ned-design har lyktes med å gi oss de komplekse systemene i den moderne verden. Topp-og-ned-design beskjærer det enorme søkerommet av muligheter gjennom en forståelse av den overordnede systemfunksjonen, ytelseskrav og begrensninger. Vi har alle dratt enormt nytte av topp-og-ned-designet som har ført til datanettverk, datamaskiner, smarttelefoner og utallige andre teknologier.

En "omvendt" anvendelse
Jeg mener biologi trenger en sammenlignbar "omvendt" anvendelse av disse prinsippene. For å lære mer om tilnærmingen jeg foreslår, kan du lese en artikkel jeg var medforfatter av, "A Model-Based Reverse System Engineering Methodology for Analyzing Complex Biological Systems With a Case Study in Glycolysis", som er anmeldt her -lenke. Denne tilnærmingen tror jeg kan hjelpe oss med å avkode og forstå biologiske systemer på måter som rene bottom-up-tilnærminger sliter med å oppnå.

Som en forkjemper for intelligent design ser jeg på systembiologi - med sin iboende top-down-filosofi - som en naturlig og sømløs tilpasning til intelligent design. I motsetning til dette føles forsøk på å forene systembiologiens top-down-virkelighet med bottom-up-naturen til darwinistisk evolusjon alltid litt påtvunget. For eksempel har jeg ikke sett seriøs undersøkelse av ventetidene som kreves for å oppnå top-down-designet av selv et enkelt system. Det tas ingen hensyn til hvor mange enkelttrinnsmutasjoner som ville være nødvendige, og heller ingen estimater av mengden koordinering som kreves. Jeg tror dette er fordi problemet faktisk er for vanskelig. Hvis ett protein ikke kan utvikle seg (Dilley et al. 2023; Axe 2004) fra bunnen av, hva er sannsynligheten for at ti utvikler seg samtidig på en koordinert måte mot et mål som en blind prosess ikke kan se?
I resten av dette innlegget vil jeg gi noen kommentarer til denne lederartikkelen - som gjør en utmerket jobb med å kartlegge feltet - og fokusere spesielt på hvordan intelligent design kan bidra med flere unike og verdifulle innsikter til systembiologi.

Bilde 2. Ingen svakheter i reduksjonisme- unntatt

De tre fasene i systembiologi
Aebersold deler feltets utvikling inn i tre distinkte faser:
Fase 1: Høykapasitets molekylærbiologi
Feltets fødsel ble drevet av eksplosjonen av "omics"-teknologier - genomikk, transkriptomikk, proteomikk og metabolomikk. Disse verktøyene genererte enorme datasett som raskt avslørte grensene for det klassiske "ett gen - ett protein - én funksjon"-paradigmet. Disse dataene viste at biologi ikke ligner en Rube Goldberg-samling av suboptimale, ombrukte deler, men snarere et svært optimalisert system der hver komponent ser ut til å være finjustert for sin spesielle plass i helheten (unntak finnes sannsynligvis, men de er unntak, ikke regelen).

Det intelligent design tilbød den gang, og fortsatt tilbyr i dag, er et rammeverk som aktivt oppmuntrer til antagelser om optimalitet, funksjon og målrettet design når man tolker stordata. Ved å anta funksjon og optimalisering som standardforventninger, er man berettiget til å undersøke elementer som ellers (fra et darwinistisk perspektiv) ofte antas å være uviktige. Noen slike elementer inkluderer ikke-essensielle gener, såkalt "junk"-DNA, mRNA med lav forekomst, lange ikke-kodende RNA-er og alternativt spleiset protein-isoformer.
Jeg tror at i løpet av de neste tjue årene vil noen av de store suksessene innen systembiologi komme fra å anta god design og optimalitet rundt viktige ovenfra-og-ned-designkrav når man ser på store datasett.

Fase 2: Nettverksbiologi
Etter at flommen av stordata kom inn, endret feltet seg mot å prøve å kartlegge alle dataene, noe som førte til oppdagelsen av biologiske nettverk. Ved å integrere transkriptomiske data med genomiske data kartla forskerne for eksempel interaksjoner mellom transkripsjonsfaktorer og deres målgener, noe som ga opphav til transkripsjonsregulatoriske nettverk.
Det er imidlertid stor forskjell på å se statiske interaksjoner (transkripsjonsfaktor 1 retter seg mot gen 1 og gen 2), og å kunne forstå hva som skjer og hvorfor nettverket har en gitt struktur. Et godt eksempel på det høyere forståelsesnivået er presentasjonen av transkripsjonsnettverksmotiver av Uri Alon, en av mine personlige vitenskapelige helter. I boken sin *Introduction to Systems Biology* (Alon 2019) beskriver Alon hvordan man finner forbindelsesmønstre, noe som hjelper oss å forstå hvordan og hvorfor nettverket er strukturert på en bestemt måte. For eksempel, etter å ha sammenlignet E. coli-transkripsjonsnettverket med et tilfeldig nettverk, avdekket han motiver som negativ autoregulering (som akselererer responstider og reduserer støy), feed-forward-løkken (både koherent type-1, som fungerer som et tegnfølsomt forsinkelseselement, og inkoherent type-1, som muliggjør responsakselerasjon og pulsgenerering), og enkeltinngangsmoduler (koordinerende grupper av gener). Hver av disse har spesielle funksjonelle fordeler som forklarer deres spesielle bruk på et punkt i nettverket.

Bilde 3. Systembiologi -en analogi til ingeniørkunst

Igjen tror jeg at intelligent design har noe unikt å tilby feltet. Flere foreløpige analyser, inkludert den som er nevnt ovenfor, har oppdaget at nettverksmotivene eller designmønstrene i biologi ofte er de samme som brukes i menneskelig ingeniørkunst. årsaken er at når designere står overfor de samme fysiske begrensningene og designmålene, konvergerer de om lignende designmønstre. Dette er grunnen til at de fleste biler har fire hjul i stedet for fem eller tre, selv om de er laget av forskjellige designere. å vite dette kan være nyttig for reverse engineering (også kjent som biologi). Vi kan se etter kjente ingeniørdesignmotiver i biologi. Når vi finner dem, vet vi ofte allerede fra erfaring med menneskelig ingeniørkunst hvorfor de er nødvendige, og dette kan hjelpe oss å forstå arkitekturen til det biologiske systemet.

Fase 3: Komplekse Adaptive Systemer (KAS)
Jeg syntes Aebersolds notater om fase 3 var spesielt interessante, ettersom jeg har tenkt på flere av dens bestanddeler (tilpasningsevne, distribuert kontroll, robusthet), men jeg hadde ikke tenkt på disse sammen som den neste fasen. Det som skiller seg ut er at fase 3 går fra statiske til dynamiske beskrivelser av systemer (derav bruken av "adaptiv") hvor prediksjon begynner å bli mer av en realitet.
I denne lederartikkelen skriver en annen bidragsyter, Joel Bader, at vi kjenner delene, men hva med ledningene? Jeg tror dette er den vanskelige utfordringen for fase 3. Vi har omfattende kunnskap om gener og proteiner, men å forstå deres forhold som et integrert system er fortsatt unnvikende. Min favorittartikkel om dette emnet er Yuri Lazebniks klassiker, "Kan en biolog fikse en radio?" (Lazebnik 2002). Lazebnik illustrerer humoristisk, men kraftfullt, vanskeligheten med å tyde komplekse biologiske systemer ved hjelp av tradisjonelle reduksjonistiske tilnærminger.

Bilde 4. Systembiologi mer avansert enn teknologi

Jeg tror en del av løsningen ligger i bedre modellering av systemer og større integrering av kravanalyse i biologien. Du må ha en solid kvalitativ modell før du prøver å bygge en kvantitativ. Følgelig ønsker jeg å se at systemmodellering blir mer vanlig innen biologi. Det gjøres noen fremskritt - for eksempel gir ressurser som Gene Ontology og AmiGO verdifull strukturert kunnskap - men de er fortsatt ikke nok til å oppfylle ekte systemmodeller. Jeg bruker nå OpCloud til å bygge modeller av ethvert biologisk system jeg undersøker. Det hjelper meg å organisere data fra forskningsartikler, konstruere et mentalt rammeverk basert på reelle systemprinsipper og -forhold, og enkelt abstrahere fra detaljer på lavt nivå til synspunkter på høyere nivå, samtidig som jeg kobler tilbake til systemkrav. Men jeg er én person; vi trenger dette i mye større skala.

Bilde 5. Levende organismer er avhengig av informasjon

Biologi og optimal design
Det føltes dypt bekreftende å lese denne lederartikkelen. Refleksjonene rundt feltutvikling - spesielt fasene innsamling av stordata nettverkskartlegging adaptive dynamiske systemer - speiler tanker jeg har hatt siden starten av arbeidet mitt på dette feltet rundt 2020. Det som forener alle disse fasene er at den systembiologiske tilnærmingen antar det reduksjonistisk biologi ikke gjorde - og jeg vil hevde at det ikke kunne: kompleksitet, bruk av matematiske prinsipper, bruk av ingeniørprinsipper, som kanskje alle kan oppsummeres som en antagelse om at biologi viser optimal design.

For Referanser se slutten av originalartikkelen -lenke.

EMILY REEVES: Bilde 6 til venstre.

Emily Reeves er en biokjemiker, metabolsk ernæringsfysiolog og aspirerende systembiolog. Doktorgradsstudiene hennes ble fullført ved Texas A&M University i biokjemi og biofysikk. Emily er for tiden en aktiv kliniker for metabolsk ernæring og ernæringsgenomikk ved Nutriplexity. Hun liker å identifisere og designe ernæringsintervensjon for subtile medfødte metabolismefeil. Hun jobber også med stipendiater fra Discovery Institute og det større vitenskapelige samfunnet for å fremme integrering av ingeniørvitenskap og biologi. Hun tilbringer helgene sine på tur med mannen sin, brygger kombucha og løper i nærheten av Puget Sound.

Oversettelse, via google oversetter, og bilder ved Asbjørn E. Lund