數學->計算機->仿真->醫藥(ZT)

從別處抄來的.

以前做研究工作的時候，很喜歡自己做的神經科學，覺得離哲學很近，但是後來越來越覺得要做的好，數學很重要，因為到最後就是比數學建模，和數據分析的技能，我看到的最極端的一個例子是一個實驗的數據，被三個不同的作者發了三篇都不錯的文章，隻是用了不同的算法。那時候還和在瑞士金融機構工作的幾個中國朋友玩球，有幾個是學經濟的，最後又學了數學和電腦，在對衝基金工作，看來經濟學最後也是做計量經濟的人厲害，其他幾個在銀行證券工作的也差不多，風險分析都是用軟件加特別的算法來做的。進了藥品公司後，發現一樣，合成化學和藥代學都是數學很厲害的人在做，有的幹脆本來就高搞數學出身的。國內現在的大學生都去學mba和會計，其實最後會發現，數學才是最重要的基礎。

有道理. 物理學也是, 金融, 計算機更是. 不過搞不懂合成化學怎麽會是.

事情呢是這樣地，drug discovery依靠化學家做高通量篩選，就是從大家都知道現有的已經知道海量分子的特性，找出有潛在治療效能的分子，這個過程和中樂透的機會差不多，所以所謂的computational chemistry就能幫上忙了，從海量的數據中，經過data mining，用最有效的算法，找出盡可能高機率中獎的分子，和那些學概率的人在las vegas賭場觀察已經出現的token獎率來推算即將出現的token獎率的過程是差不多的.

reference:
http://www.sciencemag.org/products/life_031706.dtl

高通量篩選and海量分子 are %*^*&^*~!@@@ to me. :)
but this is rather interesting! Is this usually NP Hard problem? Is that how new drugs are developed?
Also realized how pathetic human beings are as far as medicine/pharmacy science go.. We are relying on lottery chance to cure many diseases.

"pathetic human beings", 厄，還沒有那麽糟糕吧. 一般來講，做藥物化學發現的都個分子庫，但是發現新的有效分子是另外一回事. 而且一般來講，一千個在動物階段有效分子，才能有一個是可能能在人身上試驗有效的，花上上億美圓錢之後.
所以，如果能用人工智能，神經網絡，蒙特卡羅simulation，離散數學，非線性仿真；超級計算機集群，mainframe陣列，“龍芯”。。等等所有可能的數學工具和computing power，能從已知的分子庫裏找出下一個新的可能的有效分子，對比在實驗室裏反複一次一次無目的的嚐試，還是有意義和省錢的多了.
萬物根本真是數學，金融股票的無非是用已知金融行情推測未來行情，或者最小化風險係數，其他的則是建立數學模型：汽車發動機，飛機，精密車床，或者數理統計：經濟指數，股票，實驗效果對比，存活率.