目标控制与部分可控
药物治疗、神经调控往往只需要改变少数“目标”变量——致病蛋白的活性、某些肌肉的状态、某个脑区的活动——而其余节点状态任意。Gao、Liu、D’Souza 与 Barabási（2014，Nature Communications）把它形式化为目标控制（target control）。
目标可控性：给定目标节点集合 （），用输出矩阵 选出这些节点。若存在输入能在有限时间内把 驱动到任意值，则称 对 目标可控（输出可控），判据为
k-walk 理论（单输入、有向树）：一个节点能控制一组目标节点，只要从它到每个目标节点的路径长度互不相同。直观上，长度为 的路径在 中第一次出现，长度不同的目标在可控性矩阵中“错开”出现，因而线性无关；长度相同的两个目标（如星形的两个叶子）只能收到同一信号的不同倍数。该结论在无环的树状网络中严格成立，并且能找出结构可控性理论遗漏的可控子系统。
多输入的贪心算法（GA）：
- 构造二分图：右侧是当前目标集合，左侧是指向这些目标的上游节点；求最大匹配；
- 未被匹配的目标必须直接驱动，加入驱动集合（第一轮的结果给出所需驱动节点数的下界）；
- 被匹配的上游节点成为新的“目标”，重复 1–2，直到目标集合为空或开始重复；
- 输出驱动集合（若只迭代一轮就收敛，结果恰好是最小值）。
论文证明该集合确实能控制全部目标，但一般不保证最少；用最大匹配做全控制则给出上界——全控制的驱动节点集合高估了目标控制的需要。伪代码见数学推导与算法。代码示例中，40 节点随机有向网络全控制需要 13 个驱动节点，而随机选 4、10、20 个目标分别只需 2、4、8 个，且都通过目标可控性秩检验。
结构如何影响目标控制。与全控制相反，当平均度较大时，度异质的网络（如无标度网络）比 ER 网络有更高的目标控制效率；控制网络中“局部聚集”的目标（彼此相邻）比控制随机散布的目标更省驱动节点（Gao 等 2014）。
目标控制在生物系统中的应用。（1）线虫运动控制：Yan 等（2017，Nature）以触觉感受神经元为输入、肌肉为目标，用目标可控性预测消融后会降低肌肉可控性的神经元，并实验验证了 PDB 与 DD04/DD05 的作用（见精读 Yan 2017）。（2）癌症蛋白网络：Kanhaiya 等（2017，Scientific Reports）在乳腺癌、胰腺癌和卵巢癌的有向蛋白相互作用网络中，以各癌种的生存必需蛋白为目标，找到能控制它们的较小驱动节点集合，并把驱动节点限制在 FDA 已批准药物的靶点中——部分药物已用于相应癌症，另一些提示重定位的可能。两项研究都说明，定义合适的目标集合是把可控性理论用于生物医学问题的关键一步。
目标控制仍是线性、结构意义上的结论：它保证“存在输入使目标到达任意值”，但非目标节点可能被推到极端甚至生理上不允许的状态，而且控制能量可能很大。另一种思路是要求非目标节点“保持不动”或保持在安全范围内，这需要额外的约束。