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