任何没有集中供暖和制冷的人都必须学习正确的开窗组合，打开散热器或调节百叶窗以使温度恰到好处。现代恒温器消除了所有这些：你设置它们一次，内置控制器完成其余工作，无论天气变化或家庭类型如何。温度可能仍然有一点变化，但只要加热器和冷却器设计正确，它应该在设定点附近变化，而不是仅仅取消冷或热的边缘。

在写自然，青木和同事报告1类似的系统，用于在活细胞中的化学反应。具体来说，他们设计了一个反应模块，其中两个组件相互隔离，并表明将其添加到几乎任何网络可以迫使系统的输出保持与输入信号成比例的精确值，以一种稳健的方式外部干扰和内部参数的不确定性 - 一种被称为鲁棒完美适应的行为。

由于两个原因，结果令人震惊。首先，大多数自我纠正的生化电路只是抑制外部变化的影响，而不是完美地补偿它们。例如，通过自动抑制它们自己的生产，蛋白质可以使其丰度对参数变化的响应性低于其他情况，但仍然在某种程度上有所反应(图1a)。因此，这种系统被称为稳态调节剂，因为它们保持相似(homeo)，而不是相同(同源)蛋白质水平。其次，向生物分子网络添加额外反应的影响通常取决于背景。例如，根据网络的其余部分，添加抑制步骤可以创建正反馈循环或负反馈循环。因此，大多数系统都是根据具体情况进行建模和设计的，

青木和同事采取的方法与其结果一样惊人。任何与合成生物学家合作的人最终会听到他们引用物理学家理查德·费曼在他的黑板上写下的最后一句话：“我不能创造，我不明白。”然而，费曼所指的是数学推导，而不是建立真实的 - 世界系统，如生物网络，以及青木及其同事的论文，是合成生物学中为数不多的真正符合引文的人之一。作者首先得出适用于广泛的化学反应系统的精确数学规则，然后才开始物理构建说明规则的系统。

尽管作者的结果涉及整个细胞群中分子的平均丰度，但它们是使用框架得出的，这些框架解释了单个细胞中个体反应事件的固有随机性。这似乎是一种微妙的区别 - 在数学上考虑了概率机制，但随后仅预测了所得统计分布的平均值。但对于大多数化学网络而言，其反应速率通常非常依赖于浓度，即使预测正确的平均值，也需要考虑概率反应。Aoki及其同事在这方面的不同寻常的严谨程度因此使他们的结果更加强大。

更具体地，作者关注于称为反对积分反馈控制2的系统架构，其中反馈由致动器和传感器分子实现，这些分子彼此不可逆地结合(图1b)。如果每个传感器分子始终找到伙伴致动器分子，则系统检测到输出正确匹配输入。相反，如果传感器分子太多或太少，执行器分子会自动调整传感器的产量，以试图获得正确的平衡，就像分子“伙伴系统”一样。Aoki等。在数学上证明，该电路不仅能够在任何化学反应网络中实现稳健的完美适应，而且所有表现出强大完美适应性的网络必须在某种程度上嵌入这种反对反馈主题。

作者继续证明他们的理论控制架构可以在活细胞中实施。他们专注于一个包含称为σ因子的蛋白质的系统，这些蛋白质调节细菌中基因表达的起始。一些σ因子被结合配偶体(抗-σ因子)隔离，例如来自细菌枯草芽孢杆菌的σ因子SigW及其抗-σ因子RsiW。研究人员将SigW整合到模型细菌大肠杆菌中，并用它来调节绿色荧光蛋白(GFP)作为基因表达报告基因的表达。然后，他们将产生GFP的基因的激活与RsiW的产生相结合，随后隔离SigW。SigW的水平也受诱导sigW基因表达的小分子调节，并且作为电路的输入。如果电路按预期工作，那么大肠杆菌细胞产生的绿色荧光量应与SigW水平成比例，并且在稳态下应独立于任何其他参数。

果然，Aoki等人。表明，改变诱导物的浓度可以用于控制GFP输出，如预期的那样。然而，当系统因添加降解GFP和影响RsiW产生的蛋白质的蛋白酶而受到干扰时，荧光信号会瞬间改变，但随后又恢复到与起始值无法区分的水平，证明该电路确实表现出稳健性。完美适应。相比之下，在缺乏反馈控制的类似系统中，相同的干扰系统地将GFP的浓度降低到其初始值的大约一半。作者甚至用一种调节细胞生长的蛋白替代了GFP，从而产生了一种大肠杆菌尽管因素会改变生长速度的因素发生变化，但这种菌株会以恒定的速度生长。

这种工作未来的一个可能方向是研究单个细胞中的回路，而不是其对种群的平均影响。在一方面，最近的工作3表明，这种类型的电路可以增加自发的波动，因为也有报道4对相关类的反应方案。另一方面，先前发表的理论着作5来自与Aoki等人相同的研究小组。表明更复杂的电路架构可以表现出强大的完美适应性，而不会放大自发波动。尽管有固有的噪声和不确定性，这种行为对于确保电路可以在任何给定的单元中执行精确的定量功能是必要的。与降低数字电路中的错误率对于现代计算机的发展至关重要的方式相同，当我们寻求组装与之相当的复杂合成蜂窝系统时，可能需要设计能够精确且稳健地工作的蜂窝电路子网络的能力。那些在自然界中发现的。