玻尔百科在我们探索理解世界的过程中，无论是疾病的传播还是物种的演化，我们常常面临过于复杂、庞大或无形而无法直接观察的系统。这正是模拟的力量所在，特别是通过创建“虚拟种群”的方式。这些并非简单的统计平均值，而是现实世界种群的动态数字复制品，使我们得以在一个受控的环境中探索各种可能性、测试干预措施，并提出深刻的“如果……会怎样？”的问题。但这些虚拟世界是如何构建的？一个单一的概念又如何能应用于药理学和天体物理学这样截然不同的领域？本文旨在揭开虚拟种群的神秘面纱，弥合抽象理论与实际应用之间的鸿沟。首先，在“原理与机制”部分，我们将剖析创建虚拟种群的蓝图，探讨科学家如何通过模拟个体变异性来重建过去和构建可信的未来。然后，在“应用与跨学科联系”部分，我们将穿越不同的科学领域——从演化生物学到等离子体物理学——见证这一强大思想如何为理解我们的宇宙提供一个统一的视角。
想象一下，你是一位城市规划师，任务是为一座繁华的大都市设计新的公共交通系统。你会建造一条完整的地铁线路，然后看看会发生什么吗？当然不会。成本将是天文数字，造成的混乱将是巨大的，而失败的可能性也是灾难性的。相反，你会求助于计算机。你会建立一个虚拟城市，里面居住着虚拟公民——这些人工智能体模仿着真实人群的日常通勤、工作时间表和出行习惯。在这个数字沙盒中，你可以测试数十条地铁线路，调整列车频率，并观察其对交通流量和通勤者满意度的涌现效应，所有这些都无需铺设一寸铁轨。
这个简单的想法——创建一个可控的、复杂系统的数字复制品来提出“如果……会怎样？”的问题——正是我们所说的虚拟种群的核心。在科学领域，这些不仅仅是玩具模型。它们是复杂的、有原则的构造，使我们能够探索生命的隐藏机制，从药物在数十亿不同身体中的行为方式，到基因在整个大陆上缓慢而无形的演化之舞。
虚拟种群到底是什么？乍一看，这个术语可能暗示着两种截然不同的活动。一方面，它可以是一种计算考古学，一种复活我们已无法直接观察的种群的方法。
考虑渔业科学家在管理鱼类种群时面临的挑战。他们知道今年捕捞了多少鱼，但最初到底有多少鱼呢？总种群是不可见的，隐藏在波涛之下。利用一种称为虚拟种群分析（VPA）的技术，科学家可以逆时间回溯。他们从某一年捕获的特定年龄鱼的数量 开始。他们知道，年初存活的鱼 要么存活到下一年 ，要么因自然原因死亡（死亡率为 ），要么被捕获。通过逆转这个逻辑，使用像Pope的同生群分析近似公式 ，他们可以逐年、逐次捕捞地回溯时间，重建该同生群的历史规模。这个重建的种群之所以是“虚拟的”，不是因为它虚假——鱼是真实的——而是因为它的真实数量已淹没在过去，只能通过数学模型的镜头来“看见”。
然而，更常见的情况是，虚拟种群是模拟可信未来的工具。这时，我们从头开始构建我们的“幽灵社会”，将其设计得尽可能逼真，以预测像新药物治疗这样的干预措施的结果。这就引出了一个根本问题：创建一个可信的虚拟人的秘诀是什么？
一个有用的虚拟种群不能是完全相同的克隆体的集合。其力量源于捕捉真实种群中既美丽又令人困惑的变异性。现代应对这一挑战的方法，在药理学等领域得到了体现，是统计学和生物学思想的典范。
首先，每个虚拟个体都建立在一个共同的蓝图之上。这个蓝图由我们共有的生理学和生物化学基本定律组成。在一个预测药物如何在体内移动的模型——即生理药代动力学（PBPK）模型中——这个蓝图是一组描述血流量、器官体积和代谢率的数学方程。例如，药物在组织中量的变化率 是流入组织的血流量 以及药物在血液和组织间分配速度的函数。
这个蓝图并非一成不变；它会根据个体的已知特征或协变量进行调整。我们知道，平均而言，体重较重的人器官更大，血流量更高。这些确定性关系，由函数 捕获，其中 代表体重、年龄和性别等协变量，解释了种群中的可解释变异性。
但这并非全部。两个年龄、性别和体重完全相同的人，处理药物的方式仍然会有所不同。这是第二个要素：个体性，或不可解释变异性。这是在我们考虑了所有已知协变量后仍然存在的生物学上的“怪癖”。它是遗传差异、环境历史和纯粹偶然性的结果。我们通过为每个虚拟人的参数添加一点随机性来模拟这一点。对于每个个体 ，我们从一个分布（通常是钟形曲线）中抽取一个随机效应向量 ，并将其与他们的蓝图相结合。因此，我们虚拟人 的最终参数集是种群蓝图根据其特征调整后，再与其独特的随机偏差相结合的结果：。
在这里，理解Richard Feynman会津津乐道的一个区别至关重要：变异性与不确定性之间的差异。
变异性是真实、固有且不可简化的世界随机性。它是我们正在研究的种群的一个属性。在我们的模型中，随机效应 代表了这种生物学变异性。它通常被称为偶然随机性（源自拉丁语中表示骰子的词alea）。即使有了一个完美的模型，个体之间仍然会存在差异。
另一方面，不确定性是我们自身知识的一个属性。它是指我们对模型参数真实值缺乏完美信息，例如控制生理缩放定律的超参数 。这是认知不确定性（源自希腊语中表示知识的词episteme），并且是可简化的。通过更多的数据和更好的实验，我们可以对种群的“真实”平均参数变得更加确定。
一个稳健的虚拟种群必须建立在现实的变异性之上，而使用它的科学家必须坦诚面对其在底层模型中的认知不确定性。
构建虚拟种群的原理并不仅限于人类医学。同样深刻的思想在生物学的各个尺度上产生共鸣，揭示了我们模拟复杂生命系统方式中一种美妙的统一性。
让我们缩小到肠道微生物组的世界。想象一下，我们想建立一个细菌菌株的虚拟种群，以预测哪些菌株擅长产生丁酸盐，这是一种对人类健康至关重要的化合物。在这里，“虚拟个体”是一个特定的细菌菌株。“蓝图”是它的基因组——成千上万个基因的存在或缺失，用一个矩阵 表示。我们想要预测的性状是丁酸盐产量 。就像PBPK模型一样，我们面临一个挑战：细菌菌株并非相互独立。它们共享一个家族树，即系统发育。两个亲缘关系近的菌株比两个远亲菌株更有可能具有相似的性状。一个强大的模型必须考虑到这一点。先进的统计工具，如线性混合模型，可以纳入系统发育协方差矩阵 ，将共同的祖先关系视为一种变异来源，类似于人类种群模型中的随机效应。目标是相同的：创建一个能够接收一个新的、虚拟菌株的基因组并准确预测其代谢行为的模型，并设计真实世界的实验（如基因敲除或无菌小鼠定植）来验证我们的虚拟世界是否反映了现实。
现在，让我们放大到整个生态系统的尺度。考虑一种生活在沿海一排潮汐池中的海洋蜗牛，形成了一个“踏脚石”系统。基因流，或迁移（），主要发生在相邻的池子之间。在每个池子内，都会发生随机遗传漂变，其强度与当地种群大小（）成反比。这两种简单的局部力量——漂变和流动——处于持续的拉锯战中。其大规模的后果是什么？一个理论模型给了我们答案。两个种群之间的遗传分化 随着分隔它们的池子数量 的增加而增加，遵循这个优雅的公式：。这个方程就是虚拟种群模型。它不模拟每一只蜗牛，但它捕捉了整个集合种群的涌现属性。它使基因流的无形线索变得具体且可预测。它表明，通过理解系统的基本规则，我们可以创建一个揭示大规模模式的虚拟模型。
无论我们是重建一个已消失的鱼类种群，在数百万虚拟人身上模拟临床试验，还是预测海岸线的遗传结构，其基本原理都是相同的。我们将现实的纷繁复杂提炼为一组核心规则——生理的、遗传的或生态的。然后，我们在一个计算世界中释放这些规则，让我们能够见证模式的涌现，检验我们的直觉，并提出深刻的“如果……会怎样？”的问题。虚拟种群不是幻想；它是现实世界的一面精心制作的镜子，一个不仅能反映我们所能看到的，还能帮助我们理解那些原本不可见事物的工具。
在探讨了构建虚拟种群的原理之后，我们现在踏上一段旅程，见证它们在实践中的力量。科学中最美妙的事情之一，莫过于一个单一、简单的思想在十几个不同领域证明其价值，揭示了自然运作中隐藏的统一性。虚拟种群的概念正是这样一个思想。它是一个概念透镜，通过它，我们可以模拟和理解从演化生态系统的宏大尺度，到恒星核心中原子内部电子态的短暂存在的各种系统。我们的巡览将带领我们穿越这些多样的领域，展示同样的基本逻辑——追踪事物的数量及其转化规则——如何为复杂现象带来清晰的认识。
让我们从“种群”概念最适宜的领域开始：演化生物学。在这里，虚拟种群不仅是计算工具；它们是理论实验室，我们可以在其中运行、倒带和重放生命的磁带，以检验我们关于生命如何运作的最深层思想。
一个极其简单却又深刻的见解，来自于仅仅考虑混合种群时会发生什么。想象两个孤立的生物群体，每个都处于哈迪-温伯格原理所描述的遗传平衡状态。现在，让我们将它们汇集成一个更大的单一群体。直觉上，人们可能认为这个新的、更大的群体只是两个原始群体的“平均”版本。但一个简单的虚拟模型揭示了一个意外。如果我们计算杂合子（拥有某个基因的两个不同等位基因的个体）的比例，我们会发现它低于我们预期的，如果这个组合群体从一开始就是一个单一、随机交配的群体。这种杂合子的缺失，被称为瓦伦德效应，纯粹是种群结构的统计结果。它告诉我们，遗传多样性不仅仅关乎不同等位基因的数量，还关乎它们如何被包装到个体中以及如何在空间中排列。这对于保育遗传学家来说是至关重要的一课，他们可能会在一个物种中发现意想不到的杂合度缺乏，这时就必须考虑他们看到的是一个单一的近交种群，还是几个不同种群的混合体。
然而，这幅静态的图景仅仅是序曲。虚拟种群在生物学中的真正力量在于模拟动态——运动中的演化。思考演化的一大难题：一个物种如何在没有被山脉或海洋物理隔离的情况下分裂成两个？这个过程被称为同域物种形成，需要生态与“情爱”之间微妙的舞蹈。
我们可以建立一个虚拟世界来探索这场舞蹈。想象一个虚拟昆虫种群生活在一片既有浅色树皮树木也有深色树皮树木的森林里。这些昆虫有一个控制颜色的基因：它们可以是浅色、深色或中等灰色。在浅色树上，浅色昆虫得到伪装，但深色昆虫很容易被捕食者发现，反之亦然。可悲的是，灰色昆虫在两种树上都伪装得很差。这就产生了生物学家所说的*分裂选择*：极端类型受青睐，而平均类型则受罚。但仅此还不足以使种群分裂，因为随机交配会不断地搅乱基因，产生命运不佳的灰色后代。
我们的模拟揭示，关键在于添加另一个成分：选型交配。如果昆虫也发展出与自己颜色相同的个体交配的偏好，那么浅色和深色群体之间的基因流就被切断了。浅色昆虫与浅色昆虫交配，产生更多在浅色树上存活良好的浅色昆虫。深色昆虫与深色昆虫交配，创造一个适应深色树的谱系。两个群体停止交换基因，瞧——两个物种开始从一个物种中出现，就在同一片森林里。通过在我们的虚拟世界中操纵这些参数——选择的强度和择偶的严格性——我们可以发现物种形成所需的精确条件。这在真实的生态系统中几乎是不可能做到的，但在我们的虚拟种群中，我们可以成为演化的建筑师。
现在让我们把视角急剧缩小，从一个生态系统缩小到一个生物体内部，甚至一个细胞内部的战场。我们种群中的“个体”不再是鸟类或昆虫，而是病毒、蛋白质或其他分子。游戏规则仍然是出生、死亡和转化，但驱动力现在是生物化学的。
思考一下CRISPR-Cas9这项尖端医疗技术，它是一种分子剪刀，可以被编程以寻找并摧毁病原病毒的DNA。这似乎是一种完美的武器。但演化，无情而狡猾，也在这里运作。每当病毒复制一次，就有微小的突变几率。如果这个突变恰好发生在CRISPR系统需要识别的特定位点，即所谓的前间区序列邻近基序（PAM），会发生什么？
我们可以将其建模为两个虚拟种群之间的竞争：易感病毒 和新突变的耐药病毒 。我们可以写下简单的微分方程来描述它们的命运。易感种群增长，但不断被我们的CRISPR疗法清除。耐药种群则对攻击免疫，不受控制地增长。至关重要的是，由于突变，从易感池到耐药池存在持续的涓涓细流。通过解这些方程，我们可以提出一个关键问题：耐药株需要多长时间才能占据主导地位？模型给出了一个答案——一个关于耐药种群数量与易感种群数量相等的时间 的方程，它用病毒复制率 、CRISPR清除率 和突变概率 来表示。这不仅仅是一个学术练习；它是一个关乎生死的计算，可以为疗法设计提供信息，或许表明我们需要同时用多个CRISPR系统攻击病毒，使耐药性的演化变得异常困难。
我们对微观世界的探索又进了一步。到目前为止，我们的种群都是不同对象的集合。但如果“种群”仅仅是单个分子可以采取的无数不同形状呢？一个蛋白质或一个糖分子不是一个刚性的静态物体，而是一个灵活、扭动的实体，在不同的三维结构或构象之间不断闪烁。所有这些构象的集合，按其出现的频率加权，构成了一个“虚拟种群”。
分子动力学（MD）模拟是强大的计算显微镜，正是用于生成这些分子形状的虚拟种群。生物物理学中的一个关键挑战是确保这些模拟的准确性。我们如何知道我们计算机中模拟的，比如说一个糖分子，其行为是否像一个真实的分子？我们将它的虚拟构象种群与实验告诉我们的关于真实种群的信息进行比较。
例如，一个半乳糖分子可以将其环褶皱成两种主要形状，即所谓的 和 “椅式”构象。MD模拟会产生这两种椅式构象的一定比例。复杂的实验可以为我们提供试管中真实比例的线索。如果模拟的比例是，比如说，80:20，而实验表明应该是95:5，我们就知道我们的物理模型——即控制原子相互作用的*力场*——是有缺陷的。
虚拟种群的概念为我们提供了一种严谨的修正方法。我们可以定义一个数学目标函数，它衡量模拟种群与目标实验种群之间的“距离”。然后，利用统计力学的原理，我们可以精确计算如何微调我们力场的参数（例如，与扭转某些化学键相关的能量），以使模拟种群更接近实验目标。这是一个美妙的反馈循环，其中虚拟种群充当了理论与实验之间的桥梁，使我们能够系统地完善我们关于化学的基本模型。
同样的原理也适用于蛋白质。蛋白质的功能由其结构决定，但它通常以构象系综的形式存在，例如著名的 -螺旋和各种“卷曲”态。像核磁共振（NMR）波谱学这样的实验技术可以测量在整个形状种群上平均的观测量。例如，一个称为 -耦合的量对蛋白质骨架的平均几何形状极为敏感。通过运行MD模拟，我们生成一个骨架形状的虚拟种群，计算这个虚拟种群会产生的平均 -耦合，并将其与实验测量值进行比较。如果它们匹配，我们对我们的模型就更有信心。如果不匹配，我们就知道我们的模型错误地预测了螺旋态和卷曲态的平衡，我们必须回到绘图板前。通过这种方式，虚拟种群在开发正在革新药物发现和材料科学的预测模型中，是最终的仲裁者。
我们还能再小一点吗？是的。让我们前往聚变反应堆的核心，一个地球上的人造恒星。在这里，我们关心的是等离子体——一种温度高到电子已从原子中剥离的气体。为了控制这片火海，我们有时需要非常迅速地给它降温，例如通过注入像氩气这样的气体。
现在，一个氩原子是一个复杂的系统。它有18个电子，根据等离子体的严酷条件，它可以被剥离一个、两个或多个电子，形成一系列离子：、 等等。此外，这些离子中的每一个都可以存在于数量惊人的激发电子态中。我们可以将等离子体中所有氩原子的集合看作一个分布在所有这些可能的电离和激发态上的巨大、复杂的“种群”。
为了预测氩气将如何冷却等离子体，我们需要知道这个种群如何随时间演化。这是一个复杂度惊人的种群动力学问题。一个处于某种状态的原子可以通过与快电子碰撞（碰撞激发或电离）、发射光子（辐射衰变）或捕获电子（复合）而跃迁到另一种状态。这些过程中的每一个都有其特征速率。
在某些情况下，如果事物变化缓慢，种群可能会稳定在一个稳态，即“冕区平衡”。但在快速的“热猝熄”中，等离子体温度在微秒内骤降，这个假设就失效了。温度的变化速度比离子种群的响应速度要快。系统“冻结”在一个非平衡状态。电离态滞后于温度，这种现象对辐射出去多少能量有巨大影响。为了正确地模拟这一点，我们不能使用简单的平衡公式。我们必须建立一个完整的*碰撞-辐射模型*，这不过是一个巨大的耦合速率方程组——每个状态一个方程——追踪它们之间的种群流动。这是虚拟种群概念的终极体现，它不应用于动物或分子，而是应用于物质本身的量子态。
从新物种的耐心出现，到医学与微生物之间疯狂的军备竞赛，再到糖分子的微妙之舞，最后到聚变等离子体内部的量子狂潮，虚拟种群的思想一直是我们的向导。它证明了科学中抽象化的非凡力量。通过专注于系统的基本要素——离散的实体、状态以及它们之间转换的规则——我们可以构建出提供深刻见解的模型，而不管其物理基底是什么。这正是物理学的美妙与统一之处：在我们宇宙最迥异的角落里，看到相同的模式、相同的逻辑在起作用。