网络的演化和生物的发育。利用各种趋势，如中心节点偏向，熵增的抵抗
基因表达网络与疾病的相关性构建，其表达模式对应于特定疾病的发生。所谓的中心节点可能是我们能够对疾病产生比较有利影响的药物靶点。当然一般节点也可以作为表达，但效率太低。
药物组合来治疗疾病：网络分析，以可能的作用机制的药物的具体作用效果来评价，然后不断筛选出最有效的组合。在这个过程中，我们根据连续性假设可以形成一定的回归等等复杂的函数，从而做出一定的预测。当然我们要考虑浓度这个老大难的问题。线性组合的逼近，傅里叶级数。最后能够通过机器学习挖掘各种可能的特征乃至于形成一定的模式。由于医生开药不是随机的而是遵循一定原则的，我们可能有更大的难度来形成一定的本征，因为不同于食品的配方，其指标是人的味觉，比较好测量，或者说可以多次重复；而药物的使用更多时候是一锤子买卖。当然我们还是能够找到一定的高连接度/相关性的组合的，这就是我们的各种经验。我们希望能够通过模式识别来提供更多的药物组合可以作为经验使用，可以寻找各种等价的药物组合，测量各种药物的作用比例等等。
药物的作用是对网络的攻击，使得网络拓扑结构产生一定的变化，我们使用药物的目的是使得各个层次/中心节点的组合/博弈竞争恢复到原有的状态，如同外界施加能量（信息与能量的等价性）使得网络跃迁到更高能级，然后可以重新跃迁回低概率存在的能级。当然我们需要多层次的耦合来运用贝叶斯公式使得其跃迁到我们想要的能级的概率更大。
经济周期，大停电等等都是概率性的模式涌现，这是网络的概率选择决定的，其内部的各种层次的相互作用构成一定的转移概率矩阵，使得网络会具体表达为特定模式的序列。
各种对应关系可以一定的数据结构来表示，然后加以处理，如python的字典的key和value就是简单的关系构建。
网络的医学应用就是我这个医学生所孜孜以求的梦想。我们能够应用各种数学来对医学这种半经验的科学进行改进；我们能够使用大规模的数据分析来更好地诊断治疗；我们能够对多变量的影响进行综合研究……这一切，都需要数学和计算机科学的助力。