基因组与DNA功能的新认知 - 基因组不应被视为指挥生物体一切的“指导手册”或“生命之书”，而应被看作一种“分子资源”，细胞可根据所处环境决定如何利用这些资源[8][9] - 基因在不同组织中可能制造出略有不同的蛋白质，且许多基因根本不编码蛋白质，而是编码具有独立功能的RNA分子，这颠覆了“一个基因编码一种蛋白质”的传统观点[13] - 基因组是一个整体实体，诺贝尔奖得主芭芭拉·麦克林托克将其称为“细胞的敏感器官”，其工作方式更像一个能对周围环境做出反应的器官，而非一串静态信息[17] 医学干预策略的再思考 - 对于由特定基因突变引起的疾病（如囊性纤维化病或镰状细胞病），在基因层面进行干预是合理的，但大多数常见疾病（如心脏病、糖尿病、神经退行性疾病）在更高层级出现，涉及基因过多，基因疗法并非总是有效[10] - 医学干预需要在最有效的层面进行，例如新冠大流行中免疫系统的反应问题就不适合在基因层面解决[10] - 药物开发仍大量依赖试错法，而非完全基于对疾病的分子层面理解，这与古代通过尝试草药发现有效成分的方法并无本质不同[11] 表观遗传学的定位与局限 - 表观遗传学是指导致细胞类型差异的过程（如DNA甲基化），但不应被过度解读为能将人类从“基因决定论”中解救出来的新“生命奥秘”[17][18] - 在高等动物（如人类）中，表观遗传因素能否真正遗传给后代证据薄弱，其重要性远不如在植物中那样明确和普遍[19] - 需要避免从“基因决定一切”的旧迷思走向“表观遗传决定一切”的新极端，遗传信息主要仍来自DNA[19] AI在生物学中的应用与局限 - AI工具如AlphaFold能基于蛋白质序列预测其三维结构，为药物开发提供了有用的起点，但其预测精度能否直接用于药物开发仍需验证[19][20] - AI可用于分析海量生物数据，识别模式，例如预测基因活性变化，解决基因调控等复杂问题[21] - AI的局限在于其通常从数据直接得出结果（如预测基因活性），但无法解释背后的生物学机制（如生物分子凝聚体的形成和作用），而理解机制对生物学至关重要[23][24] 细胞复杂性研究的技术与挑战 - 新技术如冷冻电子显微镜能快速冷冻细胞，精确显示分子位置；荧光标记技术可追踪单个分子在细胞内的活动[26][27] - 细胞内部是高度拥挤的分子环境，而非有序工厂，许多蛋白质结构无序，缺乏高度特异性识别，细胞通过形成生物分子凝聚体等临时区室来组织活动[29][30] - 理解细胞运作需要重新思考基本问题，传统的“锁钥”模型不足以解释分子在混沌环境中的行为[29] 生物学中的能动性与目的 - 生物体（从动物到细胞）具备“能动性”，即根据情境做出决定、拥有目标（如狐狸捕食）的能力，这区别于非生命体，是生命的核心特征[30][31][32] - 人类复杂的大脑使其目标超越简单的“生存与繁衍”（如选择不生育、追求科学），这体现了能动性并非完全由基因编程控制[32][33] - 生物学需要承认并研究“目的”和“能动性”，而非将其视为与科学对立的虚幻概念[32] 生命作为涌现现象 - 从物理学角度看，“涌现”是真实存在的现象，指由大量组分（如水分子、神经元）相互作用产生的集体效应（如结冰、决策），其整体行为无法通过观察单个组分预测[41][43] - 生命本身就是一种涌现现象，生物学各层级（从分子到生态系统）均存在“渗漏式涌现”，即高层级规则对低层级细节大多不敏感，但特定细节（如关键基因突变、关键物种灭绝）偶尔会产生重大影响[45][46] - 生物学可能存在普遍原则（如组合逻辑），使生命系统在面对波动时保持稳定，但可能无法形成像物理学那样的“万有理论”[47][48][49] 科学叙事与公众认知 - 生物学需要发展新的比喻和叙事（以“能动性”为核心），以取代过于简化的旧故事（如“自私的基因”、“基因组即蓝图”），更好地反映现代生物学的复杂性[49][50] - 社会现象（如交通堵塞、城市发展）同样是涌现现象的体现，其原理与生物学中的涌现有相似之处，细节信息在宏观模式中变得不重要[52][53]