我有一个想法，通过各种因素即节点的关系构建即边制作模拟的网络，基于概率的变化，允许变化，如贝叶斯网络的先验概率和后验概率，这些数据可以来自数据库，各种比例的提取。整体医学是最高目标，目前可从循证医学出发，确定常见病和危急病的诊断，预防，处理。症状的可能性构建即降维，泰勒级数分解，多症状的分解单位集合形成的网络结构对应某一疾病。这是一种可成长的系统，前期通过原有的经验运行，内部逐渐匹配，直至生成成熟的概率网络。由于其概率性的选择性表达，其可以产生新的知识，计算机产生的无限可能的组合经过一定的筛选剩余就是有价值的信息，这是通过自然选择的高质量组合产生的机制。信息的耦合就是概率性的选择性表达，其后再重组于新的网络结构。这，就是网络的思维。
人类是高维的即选择性表达程度较高，有历史文化经验的积累，诸如胸闷气短等等难以量化的指标实际上是多维数据的耦合，人类的认知结构就在于其选择一定的最优或次优途径的概率较大。机器同样需要积累，则大规模的试错是不可避免的
我的目的不是取代医生，而是通过减少不必要的重复使得其效率提高。同时也是通过计算机的计算能力提供查漏补缺的机会。用大规模的运算逼近医生的灵光一闪，同样是高维结构的本征层次。
诊断，解释，预测，决策，尽在网络
专家系统，逻辑的推导是网络式的。逻辑语句不严格ifthen模式，而是ifxx%thenABC。一开始势必有极其巨大的可能性，大比例都是冗余数据，因而需要如自然选择的机器学习，逐步优化，形成固定的模式能够与真实的机体变化对应。
可能性，已知病例可能产生的各种影响都不能忽略，必须作为一个储备，这具体疾病具体症状的具体机制的网络结构的路径的计算是计算机优于医生的唯一途径。无论可能性多么小，可能发生的一定会发生，提供这种可能性，再在具体的逻辑推理链条不断根据贝叶斯公式提高可能性，达到一定阈值就可以做出诊断了。由于层次耦合的缘故，有时候我们要选择性的分解再组合，即路径寻找。之后再考虑复杂情况的杂合。
层次，在于遍历，维度，在于乘积新的变量。积分，多重积分
各种行为表征的可能性构建，多学科即层次的耦合:解剖构建整体的结构，宏观层次的，其下的层次，系统器官组织细胞是其泰勒级数的不同阶。系统以循环为主，倾向于保持其完整还有动态平衡。器官则有其特异性，视为多个层次不同程度耦合的表达。组织的单向性更强，同样也有耦合，其具体机制于细胞层次影响。细胞构建的网络可以视为市场中的依靠周围信息进行处理的集合
理论的解释，观测是我们普遍承认的一阶，我们要知道其背后的概率网络才是最基本的，网络的观测应该使用新的科学范式，考虑引入八卦的阴阳二分及其多阶分化，序列10100100101110101。假设：1。次的分化有一定收敛半径和边界，任何事物可等同某一层次或特定层次的集合（不动点定理和傅里叶分析）2。10是基本的划分，如同各种周期波3。序列的一定的同源性与层次耦合相关，不同的程度决定距离的远近4。分布是基本函数，各个层次在大规模都符合其概率规律
网络生成与网络存在是同等级的，这是一种层次的耦合，宏观上一个是y，一个是y’
巴拉巴西的理论包含两个假设：第一，网络中的结点从少到多，逐渐增加；第二，新加入的结点，倾向与已有连接边更多的结点连接。这个网络具有“无尺度”（Scale-free）的特性，即随机去掉网络中部分结点以及相应的边，不会改变网络的拓扑结构，因此也叫“无尺度网络”（Scale-*******work）（高维结构的形成，不被低维变化影响，除非量变引发质变，同样改变高维结构。符合我们的认知结构，有一定的稳健性）
应可提出新假设，即关系的重新构成，其生成和消失应该是动态的过程，不是节点数目的变化而是数目红色位置的整体变化
倾向是重要的背景，如熵增，还有分布是倾向于正态分布，能量的。节点链接数的马太效应，复杂度是单向变化的
几乎所有的生物网络都是无尺度网络，是概率的网络，又是整体的剧烈变化不会对整体造成影响，有时分子小小的变化带动网络剧烈变化
有研究表明，代谢通路中每一个分子的表达水平增加10%，即可导致最终代谢物产量增加100%，这是一个概率网络变化的总体变化
从网络的层次来看，势必有一定不动点层次，在人群的总体层次也应该有，但这时就失去意义了。因为大概率的是小范围，这里也有一定的分布。癌症相关的突变会显著出现在特定信号通路的基因中。也就是说，在单个突变、单个基因上没有共性，但在网络的层面上却有很强的倾向。靶点不必须是单个基因，可以是特定的通路或网络，这是二阶的结构，更具备稳健性
标志物的边际算法
应用基因芯片检测的方法，首先发现特异表达的。接下来通过检测小鼠禁食和恢复饮食过程中lncRNA的表达情况，从这3个lncRNA中筛选到一个在禁食后表达显著降低，而恢复饮食后表达也随之恢复，也就是与小鼠体内的能力水平相关的lncRNA，lncLSTR。现在关于lncRNA发现的研究很多，但具体能够解析lncRNA功能的工作较少，很多工作仅做个lncRNA的表达谱或找到差异表达的lncRNA后就无法深入了。造成这种现象的一个重要原因就是研究人员对功能检查研究还不够熟悉，找不到合适的条件去筛选某些功能相关的lncRNA。所以这个工作给了生物信息研究人员一个很好的启示，要多关注生物学问题和调控机理，多和生物学家交流或合作，这样有利于研究工作的深入。
有了功能发现如何解析分子机制？通过对NCBIGEO数据库中不同条件下芯片数据的综合分析，赵屹研究组发现参与多个代谢调控通路的基因都与lncLSTR的表达相关（关联性大），并且进一步发现胆汁合成的一个重要限速酶（Cyp8b1）的表达与lncLSTR的表达正相关，很有可能是lncLSTR下游的靶基因。这个推测被后继的实验所证实，并且完成了lncLSTR通过结合TDP-43而阻止TDP-43与Cyp8b1启动子的结合，进而解除TDP-43对Cyp8b1的转录抑制这一分子机制的解析。只可惜目前还没有在人类细胞中找到lncLSTR的同源序列，不知人类细胞中是否存在同样的lncRNA，或者存在序列不同但行使同样功能的lncRNA。
数据的整合参考层次的互补，其量化为一定的序列（傅里叶分析）再考虑其同源性和特异性，这强调的是高维结构，如孟德尔的分离率和自由组合率的基因量子。
特定的组合有更大概率形成特化区，如CPG岛，N6-甲基化区域之类的，这是二阶的层次
偏导数是一个整体对部分即变量的比例，前提是连续空间，则其高阶的顺序是等价的。积分与路径无关是高维的关系，其耦合成环。曲面积分与重积分的关系转换，多维度的偏导之和
维度的变化，如格林公式，可计算维度等于高维的低维计算
大数据的理论的高度抽象，如物理的力，相对作用，依靠概率的显现，其数学的定律是什么？群体，匹配，序列同源