《Current Opinion in Systems Biology》：Understanding computation through biological self-organization
编辑推荐：
生物系统长期以来为计算提供了思想源泉。对自我复制的抽象推动了细胞自动机的建立，而对神经相互作用的抽象则催生了联想记忆与学习模型。生物自组织提供了另一个适时的机遇：研究集体动力学如何对计算作出贡献，以及何种因素限制了我们预测其结果的能力。本综述回顾了通信细胞模型
生物系统长期以来为计算提供了思想源泉。对自我复制的抽象推动了细胞自动机的建立，而对神经相互作用的抽象则催生了联想记忆与学习模型。生物自组织提供了另一个适时的机遇：研究集体动力学如何对计算作出贡献，以及何种因素限制了我们预测其结果的能力。本综述回顾了通信细胞模型的发展脉络，追踪其从细胞自主性与有效能量景观到持续空间动力学与动态构建的可预测性之演进。一个由分泌-感应细胞构成的广义细胞自动机（generalized cellular automaton, GCA）可以被精确地表示为一种递归阈值网络（recurrent threshold network），其连接由长程细胞相互作用所规定。这一映射使得研究人员能够沿着连续的隐藏状态追踪作为计算过程的自组织。在该确定性模型中，经过测试的机器学习预测器最初无法预测一个已确定的命运，但随着自组织构建出能够支持预测的结构，这些预测器逐渐取得成功。最近的神经网络研究识别出支持信号传播的集体模式，提示了自组织与机器学习推理之间进一步的关联。综上所述，这些发现表明，对生物规则的抽象为研究人员提供了一条探究计算基本问题的途径：相互作用如何产生计算能力，集体结构如何使结果变得可预测，以及预测需要多少计算代价。
论文解读：生物自组织如何构建计算的可预测性
一、研究背景与问题
生物系统长期以来为计算机科学提供了核心隐喻与抽象原型。冯·诺依曼从生物自我复制中提炼出细胞自动机的概念，而神经系统简化模型则催生了阈值神经元、感知机、联想记忆网络与玻尔兹曼机。近年来，人工智能的成功促使人们重新审视生物与计算的双向关系：不仅计算可以助力生物学，生物自组织也可能揭示计算的基本原理。然而，当前大型语言模型等人工智能系统虽然能够执行复杂任务，但其内部运作机制尚缺乏可靠的解释，人们难以从已知规则预测其在不同输入下的行为。这引出一个根本性问题：即使完全知道计算的规则，为何仍然难以预测其输出？混沌理论强调了初值敏感性，计算不可约性则认为必须逐步执行才能得到答案。但近期研究提出另一可能性：一个非混沌的确定性系统，即使初态和规则完全已知，其最终命运也可能在初始状态下不可预测，除非系统通过自身动力学逐步构建出使结果变得可预测的结构。本研究正是围绕这一设想展开。
二、研究内容与总体结论
研究人员以分泌-感应细胞构成的广义细胞自动机（GCA）为核心模型，系统考察了自组织如何作为计算过程展开，以及集体结构的形成如何影响外部观察者对最终结果的预测能力。该模型将细胞视为数字开关，通过分泌、扩散、感知和阈值调控定义更新规则。研究表明，该GCA可以被精确映射为具有卷积结构的递归阈值网络，其中扩散提供了跨越多个邻居壳层的长程连接，而时间演化对应于网络通过连续隐藏状态的前向推断。在一个双分子通信电路中，不同随机初始条件最终导向三类命运——静态构型、直线波或螺旋波。利用多种机器学习预测器（包括卷积网络、神经细胞自动机、隐马尔可夫模型和Transformer）对命运进行预测，结果显示：从初始状态出发的预测精度仅相当于随机猜测；随着自组织进程推进，预测精度逐步上升，在轨迹中点达到约65%的平衡准确率，在图案形成阶段接近100%。研究人员将这种效应称为“动态构建的可预测性”（dynamically constructed predictability）：系统自身的相互作用逐步构建出缠绕场（winding field）等集体结构，使一个早已决定的未来变得越来越容易被外部预测器读取。该研究还通过神经网络中的类Goldstone模式和涡旋结构类比，提出集体模式可能普遍存在于网络计算过程中，并可作为预测输出的关键指标。
三、关键技术与方法
该研究采用理论建模与数值模拟相结合的方法。模型方面，基于分泌-感应细胞的双分子基因调控回路构建广义细胞自动机，细胞占据具有周期边界条件的三角格点，每个细胞表达两个基因，形成四种二元状态。规则参数包括分泌速率、扩散长度、感知阈值及调控逻辑。计算方面，将GCA动力学重写为递归神经网络，通过展开网络获得深度架构；同时训练独立的有监督分类器作为“可预测性测量装置”，评估不同时间点的细胞构型对最终命运的预测能力。研究使用留出轨迹进行训练和测试，并计算平衡准确率以衡量分类性能。样本队列来源于模拟生成的轨迹集合，未涉及实验生物数据。
四、研究结果
（1）从细胞自主性到持续集体动力学
早期模型将单分子自激活通信的细胞群体映射到伪能量景观，群体状态演化类似于粒子在景观中运动，其中伪能量在数学上类似Hopfield网络能量。双分子通信则产生更丰富的动力学，包括小波状结构、移动、变形与相互作用，最终形成周期性重复图案。细胞在建立最终集体行为之前很久就已建立起空间秩序，理解最终行为要求追踪中间动力学过程。
（2）从细胞动力学到神经网络推断
通过将分泌、扩散、感知和阈值调控映射为加权求和与非线性响应，GCA被精确表示为递归阈值网络。网络的权重和阈值来自物理参数和调控参数，无需训练。权重在空间上共享，形成卷积结构；时间上的反复更新等价于网络层数的加深，且不同输入需要的更新次数不同。该网络在执行推断时权重保持不变，从而将细胞自组织视为固定参数网络中的隐藏状态推进过程。
（3）自组织如何构建可预测性
Koopmans等人利用双分子GCA轨迹进行的预测实验表明，机器学习预测器无法从初始构型预测最终命运，但随着动力学推进，其表现持续改善。缠绕字段记录了同状态区域环绕周期边界的拓扑特征，该字段在初始时几乎不存在，在自组织过程中形成并扩展。仅输入缠绕字段的分类器几乎达到与完整构型输入相同的预测精度。静态与直线波命运在涡旋湮灭后可较早预测，而螺旋波命运直到接近形成时才可靠可预测。这表明可预测性的增长依赖于特定集体结构的构建及其对可能命运的分辨。
（4）集体结构如何实现计算
通过类比物理学中的Goldstone模式，Iqbal及其同事设计的具有连续对称性的神经网络中，集体模式帮助信号穿过许多层或递归更新而持续存在；在训练好的递归网络中，涡旋在延迟记忆任务中形成并持续，部分涡旋在相遇时湮灭，这与GCA中的涡旋行为相似。此外，早期工作显示畴壁（domain walls）可在简单网络中携带信号。这些发现提示，集体结构可能是神经网络计算功能的普遍载体，但其具体贡献仍需通过扰动实验验证。
五、总结与讨论
该研究展示了生物自组织模型如何为计算研究提供新的视角。通过将分泌-感应GCA映射为递归神经网络，研究人员得以追踪计算过程中的隐藏状态，并量化外部预测能力的变化。核心结论是：自组织不仅产生空间有序性，还构建了使未来结果可预测的结构；预测的困难并非源于混沌或不可约性，而是源于初始状态中缺乏可供读取的集体结构。这一发现有助于解释为何仅知道规则并不等于能够预测结果，也为理解大型语言模型等系统的内部机制提供了类比框架。未来的研究可以系统改变相互作用符号、信号范围、感知阈值等参数，检验集体结构的功能角色；也可以分析那些需要额外中间步骤的计算任务，探讨额外步骤是否用于构建使答案可访问的结构。总体上，生物自组织为探索计算能力涌现、可预测性来源以及预测所需计算代价等基本问题提供了一个受控而灵活的实验场。
