让细胞
读懂信号

一组元件，
不等于一个系统

同一个设计换到另一种细胞里，为什么可能不再按预期工作？今天从“序列是什么”走到“序列怎样被使用”。

软件模块通常有明确接口，而生物元件的表现还依赖宿主、位置、资源和环境。合成生物学也追求可复用设计，但“在一个背景中工作”与“换到任意背景都工作”是两件事。把这些条件写进设计描述，就是工程化的第一步。

表达盒里，各部分做什么

启动子参与启动转录；编码序列提供蛋白质序列信息；终止子参与转录终止。对于许多细菌表达系统，还需理解核糖体结合位点（RBS）对翻译起始的作用。它们不是相互独立的开关：位置、间隔与序列背景都可能影响输出。

示意用于区分角色，省略具体序列、调控元件和空间结构；不是通用构建模板。

真核细胞还涉及染色质、RNA 加工、细胞区室等层级。不能把细菌的 RBS 图直接套在所有生物上。阅读一个设计时，先确认它讨论哪种宿主，以及哪些过程发生在什么位置。[1][2]

基因表达也不是单一旋钮。转录更多，可能增加 RNA，却未必按同样比例增加可用蛋白；翻译、折叠、降解和细胞状态都可能成为限制。模型的输入如果只有启动子名称，就很难自动解释这些差异。

把输入变化，
变成可测响应

转录因子可以参与激活或抑制。诱导信号可能改变调控分子的状态，从而改变表达。工程上要关心的不只是“开或关”，还包括没有输入时的背景、达到明显响应所需的输入、最大输出，以及中间区域的变化速度。

剂量响应曲线把输入量和输出联系起来。动态范围描述输出能够变化的范围，但比较前要说明采用差值还是倍数、背景如何处理。阈值也是依赖定义的量：曲线缓慢上升时，很难找到一个天然唯一的开关点。

能拟合一条曲线，
不代表已经知道机制。

下面采用归一化 Hill 函数作思想实验：y = xⁿ / (Kⁿ + xⁿ)。在这个模型里，x = K 时输出为 0.5；n 改变转折陡峭程度。参数有直观用途，但一个拟合出的 n 不能单独证明真实结合位点数量或具体分子机制。

先固定 K 和 n，把 x 从 0 增到 10。再固定 x，改变 K。记录哪一次改变来自输入，哪一次来自响应关系本身。最后检查 x = K 的输出，不要用视觉印象代替模型定义。

反馈、噪声
与细胞的预算

负反馈意味着输出通过某条路径抑制自身进一步增加，在合适条件下可以减小变化；正反馈则可能放大差异，某些参数条件下会产生多个稳定状态。这里的“可能”很重要：反馈的符号并不能独自决定稳定性，延迟、增益和非线性也会影响动态行为。

一条静态剂量响应曲线描述的是给定条件下的输入输出关系。它没有说明系统多久达到该状态、是否振荡，或经历不同初始状态时是否得到相同结果。把静态回归做得更精确，并不会自动回答这些动态问题。

噪声也有多个来源。分子过程的随机性、细胞之间的状态差异和仪器噪声会混在最终读数里。总体均值相近的两组细胞，分布可能很不一样；只拟合均值，可能忽略实际功能所需的可靠性。

细胞还有资源预算。转录、翻译和维持蛋白都会消耗资源；把某个目标表达得更多，可能改变生长或其他过程。这种宿主负担使“把所有元件都调到最强”成为需要验证的假设，而不是默认最优解。

给模型一张变量表

把输入分成三类：可干预变量，如设计选择；需要记录的上下文，如宿主和测量时间；当前看不到的变量，如某些细胞内部状态。不要把所有相关特征都当成可操控变量。一个模型可用来预测，未必适合直接指导干预。

今天的 AI 切入点是清楚定义响应、记录背景、建立小模型。明天会进一步检查：曲线上的每一个点，是如何从真实样本变成训练标签的。

把理解，
留在一份记录里

先记录两组 Hill 参数及相应曲线，再列出输入、输出、可控变量、上下文和隐藏变量。解释一次改变来自输入、一次改变来自系统参数；最后说明为什么这个静态模型不能证明动态稳定性。

带走三个判断