抱歉，我提出一些疑問以及挑一些骨頭。 : 找出來的解答　都不會有多好 這應該是因問題而異吧， 有些問題的approxmation algorithm已經達到很低的approx factor， 對於那些問題我們可以當作"能於poly-time內找到很好的解答"。 但是因為我也對生物，醫藥不了解， 所以未知生物醫藥界的人所遇到的問題是否有好的approxmation algorithm。 : 例如　以folding當例子 : 解蛋白質結構 : 完全使用電腦技術　不作實驗的 : 不到全部的3% : 因為會錯的很慘　為什麼呢? : 其中一個很簡單的原因　NPC問題根本不可能找過全部的space : 而藥物設計就比較難統計出比例 : 因為絕大部分是要廠開發　因此他們不會告訴你他的開發流程是什麼 : 但以在學術借來看 : 完全以電腦模擬設計藥物 : 大約有九成失敗率　因為要考量東西太多(pathway) : 加上又一堆NPC問題 : 而NPC問題沒辦法用目前電腦解 : 那要怎麼辦呢 : 我有兩個寄於厚望的方向 : 一個是大家之前討論熱烈的量子電腦 : 我就不多說了 : 第二個就是學習生物　nature方法(其實量子電腦也算是利用nature力量) : 因為人腦　大自然根本不會遭遇NPC : 只有人設計出來的東西才有NPC : 所以直接用大自然來解 對上述敘述有點疑惑， 人腦難道不用花大把時間來解NPC problem嗎? 譬如大家日常生活中都會遇到的TSP problem， (呵呵，至少我個人頗常遇到啦，尤其在規劃要去哪些地方玩的時候。) 只要node、edge多一點， 相信人腦也沒辦法在有效時間(efficient time)給出解答， 另外，大自然不會受困於NPC嗎? 至少目前的結果似乎是傾向於量子電腦不能解NPC problem， 而DNA computer似乎也停滯不前5年有了吧。 : 在199x年就有人拿基因序列解NPC問題　而且成功 : 登在top journal Science上面 是Adleman的那個結果嗎，也是解TSP的。 : 過幾年我在bioinformatic上面也看到antibody技術解NPC 可以解釋一下什麼是antibody嗎，我也挺好奇這是什麼技術的。 : 其中更有許多大大小小篇有提到這些 : 有興趣的人我可以翻出來跟大家分享 --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 140.109.23.58