个体独特的偏离本征情况是一种基于马尔科夫模型的选择性表达的结果，我们可以通过多变量的探究来逼近其变化情况。
序列具有一定的分布，这是网络的幂律分布性质决定的。以分布这种高维结构来构建不同对象的关系，线性相关是底层的关系，可以在这个基础上遍历出不同的复杂非线性关系，我们认为可以使用傅里叶级数的思路来通过游戏基底的选择性表达来无穷逼近这种复杂关系。
数据的图论分析，使用各种网络的知识来进行统计分析，从而能够对各种情况作出比较准确的预测。
疾病的各种指标形成的数据集可以通过机器学习来分类，从而为新患者的确诊提供帮助。这是基于一个假设：足够多的分类可以划分世界的所有疾病，而我们可以通过比对这些疾病的特征（傅里叶级数的思想，一对基底的线性组合可以遍历空间中的每一个点，理论上足够多的分类可以对世界上所有的基本类型进行准确定义）来对病人的情况进行快速的分类，首先排除一系列的可能性，然后根据进一步的各种数据收集来逐渐收敛，这是一种贝叶斯推断的过程，进行一定的模式识别，最终能够得到有限可能的诊断（模式），我们甚至可以分配一下可能的权重即发生的概率，如a53%b41%c36%d26%。一个比较可实现的例子是通过基因的表达组合来识别特定肿瘤的类型，这需要大规模的测量（基因芯片），然后提取出有意义的模式（表达具有特异性的基因组合），如不动点式的群体（山中伸弥的四个转录因子）。这是我们进一步实验的基础，理论上是如同动态规划算法能够以局部最优逼近整体最优的，我们需要网络的幂律分布形成来形成特定的模式，即一定的特征聚类
喜欢学医路漫漫请大家收藏：(m.talebook.win),宅魂书库更新速度最快。