上實驗桌之前，先建模

學生聽到「建模」，想到的是一整面牆的微分方程。實際上，在學生的合成生物學專案裡最有用的模型都很小，一個下午就能建好，而且只回答一個問題：這個設計到底可不可行？

模型是用來做什麼的

模型是一組寫得夠精確、可以計算的假設。它的價值不在預測準確的數字（它很少做到），而在三個比較謙虛的服務：

1. 檢查可行性。 如果感測器必須在一微莫耳偵測到目標分子，而模型說在那個濃度下輸出和雜訊無法區分，隊伍在訂購任何零件之前就學到了東西。
2. 找出什麼重要。 逐一改變每個參數，看哪些會改變結果。通常只有兩三個最關鍵。那些才需要仔細量測，其他的估計就好。
3. 設計能失敗的實驗。 一個預測反應曲線的模型，告訴你該測哪些濃度，結果才真的可能推翻設計。

一個簡單的例子

考慮一個全細胞生物感測器：一株細菌帶有在目標分子存在時啟動的啟動子，驅動螢光蛋白表現。最簡單的模型只追蹤一個量，螢光蛋白的量，並說它以取決於目標濃度的速率生成，以固定速率降解或被稀釋。

用文字說：生成減去損失。生成隨目標濃度呈飽和曲線（Hill 函數），有最大速率、半飽和常數與陡度。損失與現有蛋白量成正比。

有了這些，一張試算表就能回答真實的問題。訊號多久到達最終值的一半？這幾乎完全取決於損失速率，而在稀釋主導的培養中，它由生長速率決定。如果答案是三小時，而你在 Human Practices 訪談中遇到的養殖戶需要三十分鐘，這個設計的問題不是再多選殖幾次能解決的。

參數從哪裡來

已發表的論文、零件登錄庫與資料庫列出許多零件的量測值。什麼都沒有時，從類似的系統估計，並且說明。建立在誠實、有標記的猜測上的模型仍然有用；敏感度分析會告訴你哪些猜測需要變成量測。

保持可重現

把模型寫成一段短程式或一張標示清楚的試算表，和專案一起保存，並記錄每個參數的來源。實驗資料到手後，擬合模型、比較、更新。模型預測與實驗結果的比較本身就是一個值得報告的結果，尤其在兩者不一致的時候。