شاید کسی پیدا نشود که موجودات زنده را ساختارهایی ساده تصور کند و پدیداری آنها را به عللی اندک نسبت دهد. در واقع تقریبا همواره موجودات و ساختارهای زنده به عنوان نمونه‌ای از سامانه‌های پیچیده با سازوکارهایی درهم‌تنیده تصور می‌شود و فهم این سازوکارها از دشوارترین بخش علم انگاشته می‌شود (در اینجا از بحث در باب معنای دقیق «پیچیدگی» دوری می‌کنم و صرفا تصور شهودی ما از پیچیدگی و سادگی یک ساختار یا یک ماشین برای این بحث کفایت می‌کند). با توجه به این سطح از پیچیدگی، مدلسازی برای فهم عملکرد چنین ساختارهای پیچیده‌ای چه سودی خواهد داشت؟
نخست مراد از مدلسازی چیست؟ در کلی‌ترین معنای «مدل» بازنمودی است از عالم واقع. یکی از نخستین مدل‌هایی که در زیست‌شناسی ساخته شد، مدلی بود که فرانسیس گالتون (۱۸۲۲ - ۱۹۱۱) برای توضیح وراثت صفات از نسلی به نسل دیگر ساخت. در مدل او، که به ماشین نخود یا تخته گالتون نیز معروف است، گوی‌ها از بالای تخته با عبور از چند ردیف میخ و راهرو چوبین به پایین صفحه می‌ریزند. گرچه این مدل به شدت انتزاعی به نظر می‌رسد. ملغمه‌ای از اثر ژن‌ها و محیط فرد، صفتی چون قد را شکل می‌دهند. جنس این مواد وراثتی از گوی فلزی نیست. اما همین مدل ساده به گالتون نشان داد برای آن‌که توزیع صفتی از نسلی به نسل دیگر کم و بیش یکسان بماند (الگویی که در نبود انتخاب طبیعی آن صفت انتظار می‌رود)، راهروهایی چوبی که گوی‌ها از آن عبور می‌کنند باید زاویه‌دار باشند. این زاویه‌ها در واقع بازنمود شباهتی ژنتیکی میان والدین و فرزندان است. اهمیت مدل وقتی بیشتر مشخص می‌شود که به یاد آوریم هیچ‌کس از ماهیت ماده وراثتی و قوانین مِندِل در زمان گالتون اطلاعی نداشت.
مدل‌های امروزی در زیست‌شناسی برخلاف مدل گالتون از جنس چوب و فلز نیستند: یا از چند معادله ریاضی تشکیل می‌شوند یا از الگوریتم‌‌ها پیروی می‌کنند. با توجه به این‌که رفتار این مدل‌ها با رایانه‌ها بررسی می‌شود، می‌توان مدل را تا حد ممکن شبیه ساختار زیستی مورد مطالعه درآورد یا آن‌که به صورت انتزاعی به پدیده نگریست. از جملات قصاری که به وفور در باب مدلسازی شنیده می‌شود این است که «همه مدل‌ها غلطند»، گرچه اغلب ادامه این جمله مطرح نمی‌شود که «اما برخی مدل‌ها سودمندند.» (این جمله از جرج باکس (۱۹۱۹-۲۰۱۳)، متخصص آمار بریتانیایی است) سودمندی مدل‌ها از آنجا ناشی می‌شود که در بسیاری مواقع می‌توانند ناراستی شهود ما در نتیجه نوعی برهمکنش یا دشواری در فهم فرضیه‌ای را از میان بردارند.
البته دشواری مدلسازی وقتی دوچندان می‌شود که نتایج این مدل بر تصمیم‌گیری‌ها در عالم واقع اثر بگذارد. مدل‌های شیوع بیماری از آغاز عالمگیری کرونای جدید مورد استفاده قرار گرفته‌اند تا روند شیوع و اثر سیاست‌هایی چون فاصله‌گذاری اجتماعی بر شیوع آن پیش‌بینی شود. تا زمانی که پیش‌بینی روند کلی شیوع بیماری را از این مدل‌ها بخواهیم پاسخ قابل قبولی خواهیم گرفت اما اگر شمار دقیق مبتلایان را طلب کنیم، نتایج مدل‌ها با یکدیگر بسیار متفاوت خواهد بود. این تفاوت نه به علت بی‌فایدگی این مدل‌ها که منعکس‌کننده عوامل پرشمار دخیل در روند بیماری و پیچیدگی سامانه مورد بررسی، متشکل از تک‌تک افراد یک جامعه است که هریک رفتارها و بیماری‌های زمینه‌ای خاص‌ خود را دارند و متفاوت از یکدیگر در جامعه جابه‌جا می‌شوند.
با چنین عدم‌قطعیتی در پیش‌بینی‌ها چه باید کرد؟ در کوتاه‌مدت، بهترین کار شاید ترویج علم با تأکید بر عدم قطعیت در پیش‌بینی‌های ما بر مبنای مدل‌ها و توضیح چگونگی مدلسازی به زبان ساده باشد تا عموم مردم انتظار قطعیت از علم و علم‌ورزان - که انباشته از عدم قطعیت و تخمین و گمان موجه است - نداشته باشند. در درازمدت نیز می‌توان انتظار بهبود این مدل‌ها را داشت؛ همانگونه که مدل‌های پیش‌بینی وضع هوا در پنجاه سال اخیر همواره بهبود یافته‌اند. افزودن مدلسازی به زیست‌شناسی همانند خمره پاندورایی است که بازشده و دیگر تصور زیست‌شناسی بدون مدلسازی ناممکن است.