我们打算使用随机过程这个模型来介绍各种疾病的作用机制以及为什么各种疗法只能期待部分的作用。
首先我们定义一个药物作用的网络空间，各种具体的分子机制是其具体的路径形成。我们假设疾病的发生是一个随机过程，即其是如同隐马尔科夫过程的序列形成，只有部分特定组合的序列对应于特定的健康和疾病状态，于是我们可以发现其可以形成一定的概率分布。药理网络的作用目前来说是分解为一定的作用通路的影响，如各种受体的激动剂/拮抗剂，从底层的蛋白质的功能如钠离子通道蛋白往上遍历，如通过对钠离子通道的阻滞可以抑制癫痫的神经元放电，从对膜超级化使得膜兴奋性降低遍历到对癫痫的治疗。但同时，其可能有各种副作用，这是基于一定的高维结构即概率矩阵的选择性表达的序列，其具有一定的分布，因此特定的序列可能是我们需要的作用，但往往不能避免其他的效应的发生。我们可以通过一定的药物的组合来选择性抵消这些效应，但一般情况还是存在的，毕竟药物制剂的竞争博弈在于在体内的血药浓度的变化，这很难做到精确的匹配。如果是在高维层次的影响，也是很难改变使得其具体的状态的比例能够以一定概率形成我们希望的序列。本质上具体的临床应用也因为这种序列的匹配使得我们能够不断挖掘已有药物的新作用。具体的临床应用科研理解为这些序列的匹配的打分矩阵有更高的分数。
这些特定的序列是我们暂时不能定义的如同量子的底层，但我们知道其可以与现实世界构建一定的相关性，即我们的各种药物作用的机制就是对其亚层基因蛋白表达网络的影响，其能够以一定的概率涌现出一定的路径，可以一系列的实验来展现其具体的表达量的变化，如药物对各种底层的钠离子通道的激活/抑制可能往上遍历产生的其他影响，如抑制神经元的信号传递，从而最终抑制癫痫的发作。这些具体的机制就是我们现有的各种可能的靶点。我们可以对其施加确定性的影响，从而观察其可能产生的需要，只要我们新发现的化学物能够对一定的动物模型产生比较好的影响，可以进一步在人体进行临床实验。但问题在于这是很大程度的碰运气希望，而且各种可能的副作用的出现也让人很不满意。
于是我们开始考虑对这些机制的综合，我们希望能够以更高的维度来统合这些我们付出极大代价换来的知识。在这方面，微积分基本定理给我们很大的启发，我们可以假设这个药物的具体作用函数是连续性的，我们对具体的机制的综合就如同对无穷小量的加和（我知道这是很不合理的假设，比较具体的机制的颗粒度还是挺大的，但如果我们首先不苛求精确度的话，可以整理成比较好的近似，这是我们下一步工作的基础），于是不同的具体机制就对应这个函数的不同部位，根据各种中值定理我们知道在这个连续函数中，至少存在某一点，能够以局部的性质来指代整体的性质，如该点的值乘以区间长度等于函数覆盖的面积等等。这就启发我们是不是能够对该点的处理可以起到其他的药物机制都起不到的作用，即更好的疗效和更小的副作用？当然，其在生物网络中是动态变化的，不同状态的机体的这个点是不同的，我们可能找到这个具体的点，然后施加作用后状态的情况发生变化，然后这种点又发生了变化。这种情况让人想想都很绝望，因此我们打算暂时忽略这种情况，以已知静态的观点，假设其是相对固定的，或者其变化是有一定的分布模式的。
但这种效果的加和是比较静态的，与现实的情况可能有更大的差别，于是我们引入了博弈这个概念，我们将这些可能的机制是有一定的倾向的，即追求更大的存在度，彼此在竞争有限的生存空间，最后能够达成一定的均衡，即不同的机制以相对稳定的比例存在，这就是纳什均衡。而纳什均衡的概念源于布劳威尔不动点原理，是在整体的变换中存在特定部分的变化是不变的，这种定理已经有很多有趣的衍生定理如毛球定理等等。但这都是从整体对局部的性质发现，我们于是有个猜想，是不是我们能够对这些局部的影响产生对整体情况的影响？我们以这种大胆的想法进行一系列的推论（如果这种猜想错的话，那么接下来的一切都是扯淡），我们能够根据已知的信息来找到最好的疗法，如各种药物组合。
接着我们引入随机过程思想，因为本质上生物网络的事件发生都是概率性的。于是在一个疾病的病因的集合中，存在多个元素即可能的底层机制，我们认为疾病的具体发生是一个概率性事件，可能是这些底层机制的不同比例的表达的结果，即均衡的达成。于是根据前面的不动点假设，我们认为存在这样的一种机制，其能够以一定程度整体综合所有的机制，我们能够对这种机制施加的影响是整体性的，即把机体疾病状态的平衡移动，使得机体恢复健康。其中不同机制与这个机制有一定比例的转换率，以阿尔兹海默疾病为例子，其中的Tau蛋白的过度磷酸化能够对这个机制起到x%的作用，Aβ蛋白沉积能够对这个机制起到y%的作用……，然后把以上的已知机制的概率加和，我们能够不断逼近100%。把这个整体的框架把握后，我们就可以认为在具体的个体的疾病发生中，虽然其具体的机制起到的作用比例是不同的，但我们能够从高维的角度来寻找其可能的不动点式的作用通路，然后我们就可以对其施加影响，起到比较好的疗效。我曾经使用隐马尔科夫模型来构建这些底层状态具有一定的比例，其可以形成一定的转移概率矩阵，然后在具体的序列形成中是各种序列的具体形成的概率之和的竞争，而这些序列就对应于机体的不同健康状况。具体算法可以参考生物信息学的动态规划、BLAST算法，我们可以认为具有更高匹配度，即打分矩阵的分数的组合及序列可能更加逼近我们需要的不动点，即以匹配度来构建一定的概率分布函数。
当初作为一种模型的建立，我只是惊叹于这种数学模型的优美结构，但一直搞不懂有什么用，也曾一度怀疑是不是自己过度自嗨了。但现在发现，其可能在我们的药物治疗的机制寻找和最后的治疗方案的确定上可以起到很好的作用。
当然现在也还是停留在纸面上的猜想，但我想，或许这是医学大数据应用的底层哲学和数学工具。