คำตอบ Soundbite: การคำนวณดีเอ็นเอไม่ได้ให้ไม้กายสิทธิ์ในการแก้ปัญหา NP-Complete แม้ว่านักวิจัยที่เคารพนับถือบางคนในปี 1990 คิดว่ามันอาจจะเป็นเวลา
การทดลองประมวลผล DNA แบบปฐมภูมิได้ดำเนินการในห้องปฏิบัติการที่นำโดยนักทฤษฎีจำนวนมากชื่อ Len Adleman Adleman แก้ไขปัญหาพนักงานขายเดินทางขนาดเล็ก - ปัญหา NP ที่สมบูรณ์ที่รู้จักกันดีและเขาและคนอื่น ๆ คิดว่าในขณะที่วิธีการอาจขยายตัว Adleman อธิบายวิธีการของเขาในวิดีโอสั้น ๆ นี้ซึ่งฉันพบว่าน่าหลงใหล ปัญหาที่พวกเขาพบคือการแก้ปัญหา TSP ที่มีขนาดพอเหมาะพวกเขาต้องการ DNA มากกว่าขนาดของโลก พวกเขาหาวิธีประหยัดเวลาด้วยการเพิ่มปริมาณงานที่ทำควบคู่กัน แต่นี่ไม่ได้หมายความว่าปัญหา TSP นั้นต้องการทรัพยากรน้อยกว่าในการแก้ปัญหาแบบเอกซ์โปเนนเชียล พวกเขาเปลี่ยนต้นทุนเอ็กซ์โปเนนเชียลจากจำนวนเวลาไปเป็นปริมาณทางกายภาพเท่านั้น
(มีคำถามเพิ่มเติม: หากคุณต้องการจำนวนเครื่องจักรชี้แจงเพื่อแก้ปัญหาคุณต้องใช้จำนวนเวลาโดยอัตโนมัติหรืออย่างน้อย preprocessing เพื่อสร้างเครื่องจักรในสถานที่แรกฉันจะปล่อยให้ แม้ว่าด้านหนึ่ง)
ปัญหาทั่วไปนี้ - การลดเวลาในการคำนวณที่ต้องเสียค่าใช้จ่ายจากทรัพยากรอื่น ๆ - ได้แสดงให้เห็นหลายครั้งในรูปแบบการคำนวณทางชีวภาพที่ได้รับแรงบันดาลใจ หน้า Wikipedia เกี่ยวกับการคำนวณเมมเบรน (นามธรรมของเซลล์ชีวภาพ) กล่าวว่าระบบเมมเบรนชนิดหนึ่งสามารถแก้ไขปัญหา NP-complete ในเวลาพหุนาม สิ่งนี้ได้ผลเพราะระบบดังกล่าวอนุญาตให้สร้าง subobjects จำนวนมากแบบเอกซ์โปเนนเชียลภายในเมมเบรนโดยรวมในเวลาพหุนาม ทีนี้ ... ปริมาณวัตถุดิบชี้แจงมาจากโลกภายนอกผ่านเยื่อหุ้มเซลล์ที่มีพื้นที่ผิวคงที่ได้อย่างไร? คำตอบ: มันไม่ได้พิจารณา พวกเขาไม่ได้จ่ายเงินสำหรับทรัพยากรที่การคำนวณนั้นต้องการ
ในที่สุดเพื่อตอบโต้ Anthony Labarre ที่เชื่อมโยงกับกระดาษที่แสดง AHNEPs สามารถแก้ปัญหา NP-complete ในเวลาพหุนาม มีแม้กระทั่งกระดาษแสดง AHNEPs สามารถแก้ปัญหา 3SAT เป็นเส้นตรงเวลา. AHNEP = ยอมรับเครือข่ายไฮบริดของโปรเซสเซอร์ที่มีวิวัฒนาการ ตัวประมวลผลเชิงวิวัฒนาการเป็นแบบจำลองที่ได้รับแรงบันดาลใจจาก DNA ซึ่งแกนกลางมีสตริงที่ในแต่ละขั้นตอนสามารถเปลี่ยนแปลงได้โดยการแทนที่การลบหรือการแทรก (สำคัญ) นอกจากนี้สตริงจำนวนมากตามอำเภอใจสามารถใช้ได้ในทุกโหนดและในแต่ละขั้นตอนการสื่อสารโหนดทั้งหมดจะส่งสตริงที่ถูกต้องทั้งหมดไปยังโหนดที่แนบทั้งหมด ดังนั้นโดยไม่มีค่าใช้จ่ายจึงเป็นไปได้ที่จะถ่ายโอนข้อมูลจำนวนมากและเนื่องจากกฎการแทรกแต่ละสตริงจึงมีขนาดใหญ่กว่าตลอดช่วงเวลาของการคำนวณดังนั้นมันจึงเป็นสองเท่า
หากคุณสนใจงานล่าสุดใน biocomputation โดยนักวิจัยที่มุ่งเน้นการคำนวณที่ใช้งานได้จริงฉันสามารถเสนอรีวิวหนังสือเล่มนี้ที่ฉันเขียนเมื่อเร็ว ๆ นี้สำหรับข่าว SIGACT ซึ่งสัมผัสสั้น ๆ ในหลาย ๆ ด้าน