在当前的数据革命中，我们有什么工具来解释每天产生的大量“组学”数据?我们能建立一个模型来理解细胞中发生的事情吗?在一个观点文章在BMC生物学， Michael Blinov和Ion Moraru提出了逻辑派生建模来应对这一挑战。

细胞生物学家使用逻辑建模的目的是什么?在基本层面上，提供路径中各组成部分(蛋白质、基因-“节点”)之间因果关系的概念表示，最终生成数据标志性的关系网络(“边缘”))．一个简单的、单一的路径容易理解，但随着更多组件的加入，以及不同路径中的参与者，交互变得更加复杂，因此需要建模。

当试图模拟一个动态的细胞系统时，面临的问题是什么?首先，在逻辑上描述的组件之间的简单因果关系实际上可能没有那么简单，是“开”还是“关”，而是更复杂，例如，需要反映分级反应或代表不确定性。第二，大多数逻辑模型都是建立在稳态系统的基础上的，当然，细胞生物学家希望建立的是动态系统的模型。

Blinov和Moraru讨论了一些解决这些问题的方法。使用基于逻辑的微分方程的算法是反映不同时间点的一种答案，他们认为以网络推断(旨在反向工程细胞内组件之间的关系)形式的逻辑建模将有助于理解测量多个参数的大型数据集。因此，逻辑建模是在应对细胞生物学家正在寻找的东西。Blinov和Moraru描述了最近的例子原核细胞的“全细胞”模型和一个新的软件-CellNOptR-基于先验知识网络优化细胞信号模型。

当然，此类逻辑模型和组学数据的图形表示不可能完全完整或正确，也不可能有助于理解功能层面上正在发生的事情——因此，它们有时被称为“荒谬”。但这将为实验细胞和分子生物学家带来探索的新途径——无论是从细胞功能的量化，还是从组学革命的大量数据和现有网络的知识之间建立联系——从而扩大理解的范围。这是一个跨学科的未来BMC生物学在2013年进入我们的第10个生日时，希望能拥抱我们。