从别处抄来的.

以前做研究工作的时候，很喜欢自己做的神经科学，觉得离哲学很近，但是后来越来越觉得要做的好，数学很重要，因为到最后就是比数学建模，和数据分析的技能，我看到的最极端的一个例子是一个实验的数据，被三个不同的作者发了三篇都不错的文章，只是用了不同的算法。那时候还和在瑞士金融机构工作的几个中国朋友玩球，有几个是学经济的，最后又学了数学和电脑，在对冲基金工作，看来经济学最后也是做计量经济的人厉害，其他几个在银行证券工作的也差不多，风险分析都是用软件加特别的算法来做的。进了药品公司后，发现一样，合成化学和药代学都是数学很厉害的人在做，有的干脆本来就高搞数学出身的。国内现在的大学生都去学mba和会计，其实最后会发现，数学才是最重要的基础。

有道理. 物理学也是, 金融, 计算机更是. 不过搞不懂合成化学怎么会是.

事情呢是这样地，drug discovery依靠化学家做高通量筛选，就是从大家都知道现有的已经知道海量分子的特性，找出有潜在治疗效能的分子，这个过程和中乐透的机会差不多，所以所谓的computational chemistry就能帮上忙了，从海量的数据中，经过data mining，用最有效的算法，找出尽可能高机率中奖的分子，和那些学概率的人在las vegas赌场观察已经出现的token奖率来推算即将出现的token奖率的过程是差不多的.

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

高通量筛选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，还没有那么糟糕吧. 一般来讲，做药物化学发现的都个分子库，但是发现新的有效分子是另外一回事. 而且一般来讲，一千个在动物阶段有效分子，才能有一个是可能能在人身上试验有效的，花上上亿美圆钱之后.
所以，如果能用人工智能，神经网络，蒙特卡罗simulation，离散数学，非线性仿真；超级计算机集群，mainframe阵列，“龙芯”。。等等所有可能的数学工具和computing power，能从已知的分子库里找出下一个新的可能的有效分子，对比在实验室里反复一次一次无目的的尝试，还是有意义和省钱的多了.
万物根本真是数学，金融股票的无非是用已知金融行情推测未来行情，或者最小化风险系数，其他的则是建立数学模型：汽车发动机，飞机，精密车床，或者数理统计：经济指数，股票，实验效果对比，存活率.