Highlight

Modeling Regulatory Network

ธีรพันธ์ เหล่าเมตตาจิตต์


กลไกการทำงานของเซลล์ อาทิเช่น การเจริญเติบโต การแบ่งเซลล์ และการตายของเซลล์ (apoptosis) ถูกควบคุมด้วยปฏิสัมพันธ์ของสารชีวโมเลกุลต่างๆ ภายในเซลล์ อันประกอบด้วย DNA RNA โปรตีน ไขมัน ฯลฯ ปฏิสัมพันธ์ดังกล่าวส่วนใหญ่มักเกิดขึ้นระหว่างยีนและโปรตีน ระบบดังกล่าวจึงมักถูกเรียกว่าระบบควบคุมด้วยยีน หรือโปรตีน (gene/protein regulatory network) ปฏิสัมพันธ์่ของระบบเริ่มตั้งแต่เยื่อหุ้มเซลล์อันประกอบไปด้วยชั้นของไขมันซึ่งมีโปรตีนแทรกตัวอยู่ โปรตีนเหล่านี้ทำหน้าที่เป็นช่องทางในการรับสัญญาญจากภายนอกเซลล์และส่งต่อไปภายในเซลล์ โปรตีนกลุ่มที่ถูกเรียกว่า channel protein ทำหน้าที่เลือกโมเลกุลสัญญาณ (signaling molecule) บางชนิดให้ผ่านเข้าไปภายในเซลล์ โปรตีนกลุ่มที่ถูกเรียกว่า receptor protein มีด้านที่ยื่นออกนอกเซลล์ ทำหน้าที่จับกับตัวโมเลกุลสัญญาณ และมีด้านที่ยื่นเข้าไปภายในเซลล์ทำหน้าที่ปฏิสัมพันธ์กับสารชีวโมเลกุลอื่นๆ เพื่อส่งต่อสัญญาณเข้าไปภายในเซลล์

สัญญาณที่เซลล์รับเข้ามาอาจจะถูกส่งโดยตรงเข้าไปยังนิวเคลียสเพื่อกระตุ้นการทำงานของยีนที่แตกต่างกันออกไปขึ้นอยู่กับประเภทของสัญญาณที่ถูกส่งเข้ามา หรืออาจจะทำปฏิสัมพันธ์กับโปรตีนหรือสารชีวโมเลกุลอื่นๆ ก่อน เพื่อส่งสัญญาณเป็นทอดๆ ก่อนที่สัญญาณจะถูกส่งเข้าไปยังนิวเคลียส การส่งสัญญาณเป็นทอดๆ นี้เรียกว่า signaling cascade มักจะอยู่ในรูปของการเปลี่ยนแปลงโครงสร้างของโปรตีน (protein modifcation) อาทิเช่น การเติมหรือลบหมู่ฟอสเฟส (phosphorylation/dephosphorylation) ข้อดีสองประการของการส่งสัญญาณเป็นทอดๆ ก่อนจะส่งเข้าสู่นิวเคลียส คือ (1) เป็นการเพิ่มความแรงของสัญญาณ (amplification) ในกรณีนี้ แม้ตัวโมเลกุลสัญญาณจากนอกเซลล์จะมีปริมาณน้อย แต่เมื่อสัญญาณถูกส่งต่อไปภายในเซลล์เป็นทอดๆ จะก่อให้เกิดการเปลี่ยนแปลงโครงสร้างของโปรตีนจำนวนมาก (2) เซลล์สามารถประมวลผลสัญญาณจากนอกเซลล์เข้ากับสถานะภายในเซลล์ ในกรณีนี้การตอบสนองของเซลล์ (เช่น การกระตุ้นยีนบางชุดให้ทำงาน) จะไม่ได้ขึ้นอยู่กับสัญญาณจากภายนอกเซลล์อย่างเดียว แต่ยังขึ้นอยู่กับสถานะของโปรตีนและสารชีวโมเลกุลอื่นๆ ภายในเซลล์ ณ ขณะนั้นอีกด้วย

เมื่อยีนถูกกระตุ้นให้ทำงาน ก็จะเกิดการสังเคราะห์ของ mRNA และโปรตีนตามลำดับ โปรตีนที่ถูกสังเคราะห์ขึ้น อาจจะถูกส่งตรงออกไปยังนอกเซลล์ หรือถูกส่งไปเปลี่ยนแปลงโครงสร้างบางอย่างภายในเซลล์ หรืออาจจะทำหน้าที่เป็นโมเลกุลสัญญาณที่ส่งต่อไปภายในเซลล์

จากที่เกริ่นมาข้างต้น จะเห็นได้ว่า เซลล์แต่ละเซลล์ทำหน้าที่เสมือนกับ computational unit ที่ีประกอบไปด้วยสารชีวโมเลกุลภายในเซลล์ซึ่งทำปฏิสัมพันธ์กันเป็นเครือข่าย เพื่อรับข้อมูลจากสิ่งแวดล้อม นำข้อมูลมาประมวลผล และตอบสนองต่อสิ่งแวดล้อมอย่างเหมาะสมด้วยการเปลี่ยนแปลงทางสรีระและหน้าที่ของเซลล์ซึ่งเป็นผลจากการเปลี่ยนแปลงสถานะของโปรตีนภายในเซลล์นั่นเอง

ในช่วง 30 ปีที่ผ่านมา เทคนิคทาง molecular biology ถูกพัฒนาขึ้นมาเพื่อศึกษาความสัมพันธ์ระหว่างสารชีวโมเลกุลภายในเซลล์ ความสัมพันธ์เหล่านี้มักถูกอธิบายในรูปของแผนผังไดอะแกรม โดยแทนโมเลกุลที่เราสนใจด้วยกล่องหรือ icon และแสดงความสัมพันธ์ระหว่าง icon ด้วยลูกศร ความสัมพันธ์ที่ถูกแสดงในไดอะแกรมมักจะเป็นในเชิงนามธรรม คือลดทอนรายละเอียดของความสัมพันธ์ออกไป ยกตัวอย่างเช่น หากเราศึกษาพบว่าโปรตีน A ทำหน้าที่กระตุ้นการทำงานของยีน B โดยการเร่งอัตราการผลิต mRNA ของยีน B (transcription) หลังจากนั้น mRNA ของยีน B จึงถูกใช้เพื่อสังเคราะห์โปรตีน B (translation) เราสามารถเขียนไดอะแกรมแสดงขั้นตอนดังกล่าวแบบง่ายๆ ด้วยการเชื่อมลูกศรจาก icon ที่เป็นตัวแทนของโปรตีน A ไปยัง icon ที่เป็นตัวแทนของโปรตีน B โดยไม่คำนึงถึงรายละเอียดของกระบวนการ transcription และ translation (ดูรูปประกอบ) ต่อมาในยุคที่เทคนิก high-throughput เข้ามามีบทบาทสำคัญในการศึกษาชีวโมเลกุล ทำให้เกิดข้อมูลความสัมพันธ์ระหว่างสารชีวโมเลกุลภายในเซลล์จำนวนมาก ไดอะแกรมที่แสดงความสัมพันธ์ของชีวโมเลกุล จึงขยายใหญ่ขึ้นและซับซ้อนยิ่งขึ้น ปัจจุบันการศึกษาจึงมามุ่งเน้นไปที่การทำความเข้าใจผลลัพท์ของความสัมพันธ์ของยีนและโปรตีน ในระดับเครือข่ายที่มีผลต่อการเปลี่ยนแปลงในระดับเซลล์ การศึกษาดังกล่าวจำเป็นต้องใช้ความรู้ทั้งจากสายการทดลองและสายทฤษฎีแขนงต่างๆ เช่น คณิตศาสตร์ ฟิสิกส์ สถิติ รวมไปถึงความรู้ทางวิศวกรรม อาทิเช่น control theory การรวมกันของความรู้จากแขนงต่างๆ เพื่อศึกษาระบบทางชีววิทยา ก่อให้เกิดศาสตร์แขนงใหม่ๆ ที่เกี่ยวข้องกัน อันได้แก่ systems biology, computational cell biology และ bioinformatics

ในบทความนี้จะเป็นการแนะนำหัวข้อที่น่าสนใจในการศึกษา regulatory network โดยหัวข้อย่อยที่จะกล่าวต่อไปนี้จะถูกกล่าวในรายละเอียดอีกครั้งในบทความถัดๆไป บทความในซีรีส์นี้จะเน้นการศึกษาเชิงทฤษฎีและการประยุกต์ใช้ความรู้จากคณิตศาสตร์ ฟิสิกส์ คอมพิวเตอร์ วิศวกรรม สถิติ เพื่อที่จะทำความเข้าใจระบบ regulatory network ภายในเซลล์ และจะพยายามนำการศึกษาจากสายการทดลองมาประกอบด้วย

การศึกษา regulatory network กับแบบจำลองทางคณิตศาสตร์

การทำความเข้าใจปฏิสัมพันธ์ระหว่างโปรตีนและยีนในระบบหนึ่งๆ นั้นไม่ใช่เรื่องง่าย โดยเฉพาะระบบที่มีเครือข่ายค่อนข้างซับซ้อน อาทิเช่น ระบบที่ควบคุมการแบ่งเซลล์ ในระบบดังกล่าว เซลลจำเป็นที่จะต้องตัดสินใจตอบสนองต่อสิ่งเร้าหรือสัญญาณจากภายนอกเซลล์ที่มีความหลากหลาย ระบบควบคุมดังกล่าวจึงมีขนาดใหญ่และซับซ้อนเพื่อที่จะสามารถรวบรวมข้อมูลจากหลายๆ ระดับและประมวลผลเข้าด้วยกันเพื่อตอบสนองได้อย่างเหมาะสม การศึกษาระบบที่ซับซ้อนเหล่านี้ เป็นไปได้ยากที่เราจะสามารถทำความเข้าใจได้ด้วยการคิดและใช้ตรรกะเหตุผลภายในหัวของเรา แบบจำลองทางคณิตศาสตร์เป็นเครื่องมือหนึ่งที่สามารถช่วยให้เราเข้าใจพฤติกรรมของระบบที่ซับซ้อนได้ ทฤษฎีต่างๆ ทางคณิตศาสตร์นั้นประสบความสำเร็จในการประยุกต์ใช้เพื่อแก้ปัญหาทางฟิสิกส์และวิศวกรรมมานานแล้ว ปัจจุบันเราจะพบว่าทฤษฎีเหล่านี้ถูกนำมาประยุกต์ใช้ในปัญหาทางชีววิทยากันอย่างแพร่หลาย ในระบบ regulatory network นั้น เครือข่ายของสารชีวโมเลกุลเชื่อมต่อและควบคุมซึ่งกันและกัน เหมือนกับวงจรอิเลกโทรนิกส์วงจรหนึ่ง เครือข่ายความสัมพันธ์ของยีนและโปรตีนมักจะอยู่ในลักษณะของ feedback ซึ่งหมายถึงว่าผลลัพธ์ของระบบมีผลย้อนกลับไปยังตัวระบบเอง ยกตัวอย่างเช่น ระบบที่ต้องการรักษาปริมาณของโปรตีนตัวหนึ่งให้คงที่อยู่เสมอ ระบบดังกล่าวต้องสามารถรับรู้ถึงการเปลี่ยนแปลงเพิ่มขึ้นหรือลดลงของโปรตีน และต้องมีกลไกที่จะปรับสมดุลของปริมาณโปรตีนให้กลับมาสู่จุดที่ต้องการ หลักการทำงานของระบบนี้เปรียบได้กับหลักการทำงานของ thermostat ที่อยู่ในเครื่องปรับอากาศตามบ้าน ในทางคณิตศาสตร์และวิศวกรรม พฤติกรรมของระบบที่มี feedback ถูกศึกษาอย่างแพร่หลายด้วย control theory เป็นที่น่าสนใจว่า ทฤษฎีดังกล่าวสามารถประยุกต์ใช้เพื่อศึกษาระบบ regulatory network ได้อย่างยอดเยี่ยม แบบจำลองชนิดต่างๆ ที่มักถูกใช้ในการศึกษา regulatory network จะถูกนำเสนอในบทความต่อๆ ไป

Regulatory network ประกอบไปด้วย modules และ motifs

โมดูล หรือ module หมายถึง ส่วนย่อยของระบบที่สามารถทำงานได้เป็นอิสระจากกัน หากเปรียบกับรถยนต์ module ก็คือ ส่วนตัวเครื่องยนต์ที่ควบคุมการสันดาปของน้ำมัน ส่วนที่ควบคุมระบบความเย็นที่คอยรักษาอุณหภูมิภายในเครื่องยนต์ ส่วนของเครื่องปรับอากาศที่ควบคุมอุณหภูมิภายในรถ ส่วนของคันเร่งและเบรกที่คอยควบคุมความเร็วของรถยนต์ ส่วนย่อยๆ เหล่านี้สามารถทำหน้าที่ของตนเองได้อย่างเป็นอิสระต่อกัน แต่หากต้องการให้รถยนต์ทั้งคันทำงานได้อย่างสมบูรณ์ ส่วนย่อยๆ เหล่านี้จำเป็นต้องทำงานเชื่อมโยงกันอย่างเหมาะสม การทำงานภายในเซลล์ก็มีลักษณะเดียวกัน กล่าวคือ เครือข่ายของยีนและโปรตีนที่ควบคุมหน้าที่ต่างๆ กันของเซลล์ สามารถทำงานเป็นอิสระจากกัน แต่จำเป็นต้องเชื่อมโยงกัน เพื่อที่จะทำให้เซลล์ทั้งเซลล์ทำงานได้ปกติ ยกตัวอย่างเช่น ระบบที่ควบคุมการแบ่งเซลล์ และระบบที่ควบคุมการตายของเซลล์ ทั้งสองระบบทำหน้าที่ที่ตรงข้ามกันอย่างสิ้นเชิง และจำเป็นจะต้องมีตัวกลางที่คอยเชื่อมโยงและแลกเปลี่ยนข้อมูลกันระหว่างทั้งสองระบบ (cross talk) ในเซลล์ปกตินั้น หากระบบการแบ่งเซลล์กำลังทำงาน เซลล์จะส่งข้อมูลไปหยุดการทำงานของระบบควบคุมการตายของเซลล์ ในทางตรงกันข้าม หากเซลล์พบความผิดปกติภายในเซลล์ เซลล์ก็จะหยุดการทำงานของระบบแบ่งเซลล์ (เพื่อไม่ให้ความผิดพลาดภายในเซลล์ถูกส่งต่อไปยังเซลล์ลูก) และกระตุ้นการทำงานของระบบควบคุมการตาย (apoptosis)

นอกจากนี้หากเราศึกษาลงไปในแต่ละโมดูล เราจะพบว่าแต่ละโมดูลมักประกอบด้วยปฏิสัมพันธ์ระหว่างยีนหรือโปรตีนที่มีรูปแบบซ้ำๆ กัน (ดูรูปประกอบ) รูปแบบซ้ำๆ ของความสัมพันธ์ระหว่างยีนหรือโปรตีนที่พบทั่วไปใน regulatory network นี้ถูกเรียกว่า โมทีฟ (network motifs) จากการศึกษาโมทีฟต่างๆ ด้วยแบบจำลองทางคณิตศาสตร์และต่อมาด้วยการทดลอง แสดงให้เห็นว่า โมทีฟเหล่านี้มีหน้าที่เฉพาะตัว และหน้าที่เหล่านี้เป็นประโยชน์กับเซลล์ วิวัฒนาการจึงคัดเลือกรูปแบบความสัมพันธ์เหล่านี้เก็บไว้ ในบทความถัดๆ ไป เราจะเห็นว่าในโมทีฟแต่ละชนิด จะประกอบด้วยยีนหรือโปรตีนที่เป็นองค์ประกอบที่แตกต่างกัน แต่รูปแบบความสัมพันธ์จะเหมือนเดิมเสมอ แสดงให้เห็นว่าวิวัฒนาการของการเกิดโมทีฟแต่ละชนิดเป็นแบบลู่เข้าหากัน (convergent evolution)

ความไม่แน่นอนภายในเซลล์

ระบบทุกระบบรวมทั้งระบบของเซลล์มีความไม่แน่นอนหรือความแปรปรวนเกี่ยวข้องอยู่ด้วย ความไม่แน่นอนและความแปรปรวนที่เกิดกับเซลล์นั้นจะถูกเรียกว่า noise ความสัมพันธ์ของสารชีวโมเลกุลภายในเซลล์ เกิดจากการทำปฏิกิริยาระหว่างกัน เช่น การเติมหรือลบหมู่ฟอตเฟสของโปรตีนตัวหนึ่งโดยโปรตีนอีกตัวหนึ่ง ถ้ามองลงไปที่ระดับโมเลกุล ปฏิกิริยาเหล่านี้เกิดจากการชนกันของโมเลกุลโปรตีนที่เกิดขึ้นอย่างสุ่ม โดยปกติหากปริมาณโปรตีนที่เราสนใจมีปริมาณมาก เราสามารถละเลยความไม่แน่นอนที่เกิดจากการชนกันแบบสุ่มของโมเลกุลได้ โดยมุ่งเน้นไปที่การศึกษาพฤติกรรมโดยเฉลี่ยของระบบ แต่หากปริมาณโปรตีนที่เราศึกษามีปริมาณน้อย ความไม่แน่นอนก็จะยิ่งมากขึ้น เปรียบได้กับการสุ่มคนขึ้นมาหนึ่งร้อยคนในแต่ละวันเพื่อถามส่วนสูงแล้วหาค่าเฉลี่ย ค่าเฉลี่ยที่ได้ในแต่ละวันมักจะไม่ต่างกันมากนัก แต่หากในแต่ละวันเราสุ่มคนเพียงแค่ห้าคน ค่าที่ได้ก็จะมีความแปรปรวนสูง โดยปกติเซลล์ขนาดใหญ่ที่มีปริมาณสารชีวโมเลกุลแต่ละชนิดจำนวนมาก เราจะไม่คำนึงถึงความไม่แน่นอน และแบบจำลองที่ใช้ศึกษาก็จะเป็นแบบจำลอง deterministic หมายความว่า หากเราศึกษาระบบสองระบบที่มีลักษณะเหมือนกันทุกประการ ผลลัพธ์ที่ได้ออกมาจะต้องเหมือนกัน แต่ในกรณีที่เซลล์มีขนาดเล็กและมีปริมาณสารชีวโมเลกุลแต่ละชนิดจำนวนน้อย เช่น เซลล์แบคทีเรียหรือยีสต์ ความไม่แน่นอนก็จะมีผลต่อระบบมากขึ้น ในกรณีนี้เราจำเป็นต้องใช้แบบจำลองแบบ stochastic แทน ในบทความหัวข้อเรื่องความไม่แน่นอนภายในเซลล์ เราจะเห็นว่า เซลล์สองเซลล์ที่มีชุดยีน (genotypes) เหมือนกันทุกประการ สามารถที่จะมีลักษณะของเซลล์ (phenotypes) ที่แตกต่างกันได้ (variation) ความแตกต่างนี้เกิดจากความไม่แน่นอนภายในเซลล์หรือ stochasticity นั่นเอง นอกจากนี้เราจะเห็นด้วยว่าศาสตร์ทางสถิติมีบทบาทสำคัญในการศึกษา regulatory network

ความเสถียรของระบบ

ความเสถียรของระบบ (robustness) เป็นหัวข้อที่ตรงกันข้ามกับความไม่แน่นอนของระบบ จากที่กล่าวไปในหัวข้อก่อน เซลล์ต้องทำงานอยู่บนความไม่แน่นอน และในบางกรณีเซลล์ก็ใช้ประโยชน์จากความไม่แน่นอนเพื่อสร้างความหลากหลายให้กับตัวเอง (variation) แต่หากมองในมุมกลับระบบภายในเซลล์ก็จำเป็นต้องพยายามรักษาเสถียรภาพของระบบไว้ เพื่อให้สามารถทำงานได้ตามปกติ การศึกษาความเสถียรของระบบหรือ robustness จึงเน้นที่การศึกษาความสมดุลระหว่างเสถียรภาพและความไม่แน่นอน ในแง่ของวิวัฒนาการ โมทีฟหรือโมดูลที่มีโครงสร้างความสัมพันธ์แตกต่างกัน อาจจะสามารถทำหน้าที่ที่เหมือนกันได้ หากแต่เฉพาะโมดูลหรือโมทีฟที่มีความเสถียรสูงเท่านั้น ที่จะถูกคัดเลือกทางวิวัฒนาการมาให้เราเห็นในปัจจุบัน การศึกษาแบบจำลองของระบบทำให้เราสามารถแยกแยะได้ว่า โครงสร้างความสัมพันธ์แบบใดที่เป็นดีไซน์ที่เหมาะกับการรักษาเสถียรภาพ และดีไซน์แบบใดที่ไม่เหมาะสม

Synthetic biology ศาสตร์ที่เชื่อมแบบจำลองเข้าสู่การทดลอง

เนื่องจากการศึกษาด้วยแบบจำลอง มักจะเป็นการศึกษาในระบบที่ไม่มีความยุ่งยากซับซ้อนมากเกินไป และมักจะเป็นระบบย่อยของระบบที่ใหญ่กว่า จึงเกิดปัญาที่ตามมาว่า เราจะสามารถดึงระบบย่อยดังกล่าวออกมาจากเซลล์เพื่อศึกษาในการทดลองได้หรือไม่ นอกจากนี้ จากที่กล่าวมาข้างต้นว่า ระบบย่อยหรือโมดูลแต่ละอันมักสัมพันธ์เกี่ยวโยงกับโมดูลอื่นๆ จึงเกิดปัญหาที่ว่า การศึกษาโมดูลในเซลล์นั้น เราไม่สามารถควบคุมได้ว่า ผลลัพท์ที่ได้เป็นผลเนื่องมาจากความสัมพันธ์ภายในโมดูลที่เราศึกษา หรือเป็นผลกระทบมาจากโมดูลอื่นๆ ศาสตร์สาขาใหม่ที่เรียกว่า synthetic biology เป็นศาสตร์ที่เสนอทางออกให้กับปัญหาเหล่านี้ synthetic biology เป็นศาสตร์ที่เน้นการออกแบบวงจร regulatory network ขึ้นเอง วงจรที่สร้างขึ้นจะประกอบไปด้วยองค์ประกอบที่เราสนใจศึกษาเท่านั้น และพยายามตัดส่วนที่เป็นปัจจัยภายนอกออกให้มากที่สุด ข้อดีของ synthetic biology คือ วงจรที่เราออกแบบ ไม่จำเป็นต้องปรากฏในธรรมชาติ แต่สามารถทำให้เราเข้าใจกลไกพื้นฐานที่เกิดขึ้นภายในวงจรที่เราออกแบบขึ้นได้ ดังนั้นหากเรามีแบบจำลองที่สนใจจะยืนยันด้วยการทดลอง synthetic biology น่าจะเป็นศาสตร์ที่เหมาะสมศาสตร์หนึ่ง

นอกจากหัวข้อที่เสนอในบทความนี้ ยังมีหัวข้อที่น่าสนใจอื่นๆ อีกหลายหัวข้อ ซึ่งหัวข้อเหล่านี้จะถูกแทรกอยู่ตามบทความต่อๆ ไป ที่จะเป็นการลงรายละเอียดของหัวข้อย่อยข้างต้น ส่วนในบทความนี้ ขอปิดท้ายด้วยการกล่าวถึงประโยชน์ของแบบจำลองต่อการศึกษาระบบทางชีววิทยา

ประโยชน์ของแบบจำลอง

การใช้แบบจำลองทางคณิตศาสตร์ในการศึกษาระบบทางชีววิทยาถือว่ายังไม่ได้รับความสนใจนักในประเทศไทย เนื่องจากศาสตร์สายชีววิทยาและศาสตร์สายคำนวนดูเหมือนจะเป็นศัตรูกันสำหรับนักวิจัยในเมืองไทย อย่างไรก็ตามการใช้แบบจำลองนั้นมีประโยชน์อย่างมากในการศึกษาทางชีววิทยา แบบจำลองนั้นเป็นเครื่องมือในการทำความเข้าใจกลไกพื้นฐานภายในเซลล์อย่างเป็นระบบ โรคหลายๆ โรครวมทั้งโรคมะเร็งเกิดจากการที่ระบบควบคุมด้วยยีนหรือโปรตีนภายในเซลล์ทำงานผิดพลาดไปจากปกติ แบบจำลองสามารถช่วยให้เราเข้าใจกลไกที่ก่อให้เกิดความผิดปกตินี้ได้ และในอนาคตอาจช่วยให้เราสามารถปรับแต่งดีไซน์ของระบบเพื่อรักษาอาการผิดปกติเหล่านี้ให้กลับมาสู่ปกติ ถึงแม้ในปัจจุบันเรายังไปไม่ถึงขั้นนั้น และแบบจำลองเซลล์ส่วนมากยังคงประยุกต์ใช้กับเซลล์ที่มีความซับซ้อนไม่มาก เช่นเซลล์แบคทีเรียหรือเซลล์ยีสต์ แบบจำลองเหล่านี้ช่วยให้การศึกษาระบบดังกล่าวเป็นไปได้อย่างรวดเร็ว เนื่องจากแบบจำลองเมื่อสร้างได้อย่างถูกต้องแล้ว สามารถใช้ทำนายกลไกหรือปรากฏการณ์ต่างๆที่เกิดขึ้นกับเซลล์ได้ ปรากฏการณ์เหล่านี้สามารถยืนยันได้ด้วยการทำการทดลอง แบบจำลองจึงสามารถใช้เป็นตัวนำร่องในการออกแบบการทดลองที่น่าสนใจ และใช้ในการกำจัดการทดลองที่ไม่จำเป็นออกไปได้ อย่างไรก็ตาม เราต้องระลึกอยู่เสมอว่า ไม่มีแบบจำลองใดที่จะถูกต้องสมบูรณ์ร้อยเปอร์เซน เพราะแบบจำลองก็คือ การลดทอนความซับซ้อนของระบบลงให้อยู่ในรูปแบบที่เข้าใจได้ง่าย แต่เพียงพอที่จะอธิบายกลไกหรือปรากฏการณ์ที่เราสนใจ ผลการทำนายที่ได้จากแบบจำลอง อาจจะไม่ถูกต้องเมื่อทำการยืนยันด้วยการทดลอง อย่างไรก็ตาม ผลที่ได้จากการทดลองนี้ สามารถนำมาใช้เพื่อปรับปรุงแบบจำลองให้มีความถูกต้องสมบูรณ์ยิ่งขึ้น การสร้างแบบจำลองและการทำการทดลองจึงต้องควบคู่กันไป และในท้ายที่สุด ประโยชน์หรือการประยุกต์ใดๆ ก็ตามที่ศึกษาได้จากแบบจำลอง จำเป็นต้องพิสูจน์ได้ด้วยการทดลอง เราจึงจะเห็นได้ว่านักวิจัยในสายการทดลองและสายแบบจำลองจำเป็นต้องทำงานร่วมกันอย่างใกล้ชิด