研究前沿与开放问题

线性可控性能否推广到非线性生物网络？ 基因调控网络本质上是非线性、多稳态的。Zañudo、Yang 与 Albert（2017，PNAS）提出基于反馈顶点集的控制框架，在非线性动力学下把系统驱动到任一吸引子，所需节点集合与最大匹配给出的往往不同（基因调控网络中前者只需 1%–18% 的节点，后者需要 75%–96%，见非线性网络的控制）。两种框架在具体疾病网络上何者更能预测有效靶点，仍需实验比较；如何在只有部分参数已知时，把结构判据与具体模型结合，也是开放问题。

控制的能量代价。 Yan 等（2012，PRL）表明，仅控制少数驱动节点在理论上可行，但所需能量可能随网络规模急剧增加。Gu 等（2015，Nature Communications）把可控性指标用于人脑结构连接组，引起广泛关注，也引出关于线性模型适用性和数值稳定性的批评。Tu 等（2018）与 Pasqualetti 等（2019）的争论表明，“可控”与“可实际操控”之间的差距如何量化（数值精度、零模型、时间尺度），是神经调控研究的现实问题（见脑网络控制与控制能量与 Gramian 的数值问题）。驱动节点布置的次模优化、能量与鲁棒性的权衡，也仍在发展中。

只控制关心的那部分节点。 治疗通常只要求改变少数致病相关分子的状态。Gao 等（2014，Nature Communications）提出目标控制（target control），给出控制指定子集所需驱动节点数的贪心算法。如何在部分观测、权重未知的生物网络中定义合适的“目标”，以及如何约束非目标节点不被推到有害状态，仍是开放问题（见目标控制与部分可控）。

可控性指标能否找到疾病基因与药物靶点？ Vinayagam 等（2016，PNAS）在有向人类蛋白相互作用网络中按控制角色对蛋白分类，发现“不可或缺”蛋白富集于疾病基因和药物靶点。这类相关性有多少来自网络构建偏倚（被研究得多的蛋白连接也多），需要用保度随机网络与独立数据检验。Zhang 等（2023）提出的控制核心点（见驱动节点的枚举、分类与自适应控制）也面临同样的验证问题。

观测与控制的联合设计。 临床上能测量的指标（血液标志物、量表、影像）和能干预的靶点往往不是同一批节点。如何同时选择观测节点与驱动节点，使基于有限观测的反馈控制可行，在网络规模上尚缺系统方法；目标可观测性为生物标志物设计提供了起点（见可观测性与观测节点）。

时变、多层与带噪声的网络。 真实生物网络的拓扑随细胞周期、发育和疾病进程变化，并且存在多层（转录、蛋白、代谢）耦合与内在噪声。时序网络的可控性、网络之网络的控制和噪声下的控制都是 Liu 与 Barabási（2016）综述列出的展望方向；Pan 等（2026）的动态网络自适应控制是这一方向的一个尝试。