系统的网络结构的进化，遗传，和稳健性，与网络的耦合层次相关。模式的形成是以后所有变化的基础，但这表达的能力如同遗传的显性和隐性遗传，是选择性表达的结果。
数据优化，根据高维的结构即分布来剔除背景噪音。多维度的引入有助于精确度的提高，使得序列的表达更加精确。然后就是序列匹配的离散性运算，即动态规划使得打分矩阵的数值更高。
序列匹配和平衡的构建，相似性序列的匹配转移。
层次收敛的必然性，任何过程可以展开表示为一定的级数，任何特定层次都是其他层次的选择性表达。一般来说高阶导可以被忽略，同时由于网络的多层次耦合点特性使得运算是多次迭代的，可能有混沌状态的出现，即有效运算范围是有限的。
不同平衡是整体层次的，我们可以观测到的平衡是高维结构，是基于更多低维层次的平衡的，后者的运算使得网络的平衡保持在一定范围（稳健性），最后积累到一定程度会有一个整体的状态跃迁。这是稳定性和进化的突变性的耦合。
通路的组织性源于其比组织性差的通路更符合对环境的适应（不一定是能量最低化，但一定是效率最优化），组织的涌现基于非组织的筛选淘汰，如同自由市场的行为，适者生存。
层次的定义是一种自定义，其本质上是一种对网络的一定聚类的描述，视为相对独立的层次，实际上其是多层次的耦合。这看似陷入循环定义的牢笼，但我的初衷是构建一套自恰的具有相容性的体系，这是定性的描述，而具体的定量描述取决于选取的锚定点。
序列的耦合形成高维结构矩阵，然后矩阵选择性表达出一定的序列结构。这是一种优化。
调控元件和调控机制是网络的耦合结构的不同层次的表达，后者是高维结构，是前者构建的通路层次的序列匹配运算。
系统的相似性，层次的相似性，以数学的分形理论来理解。也是层次耦合的基础。也是趋化或共鸣，分布的基础。
调控机制的多层次耦合，对中心法则的dna~rna~protein的多环节的调控，如同猜疑链的往复，整体有一定的收敛即分布函数的本征:抗体~抗抗体~抗抗抗体……这是一个例子，我想要强调的是这些关系不是单向的。根据网络的性质，大部分情况下都是收敛的，这维持网络的稳定性；小部分是不收敛的，这提供了变异的可能性，使得网络能够进化。（小概率在足够大的尺度下表达的必然）
突变体提供变化的本征，而类似正交实验的杂交使得序列匹配运算构建的这与矩阵能够表达一定的行为即序列。这与dna的双螺旋结构，遗传的显隐性表达相关。
生物的法则表示和严密的数学推导是一种理想化。因为真正的数学强调精确和准确，其欧几里得体系的构建本质上是一种重言式的表达，是对存在的未知进行阐述，是一种发现；而生物网络更加强调对环境的适应，即可以在以数学原理为本征的基础上扩散出一定的分布，然后再进行路径的塌缩，对精确度的要求有限。
序列的最终表达是层次博弈的均衡点。
电位变化是多层次的耦合，即不同的蛋白的序列性表达，可以利用网络的等价性来使用各种元件组成的电路系统来表达具体的机制。这是一种隐结构的探索，或者是高维结构。多层次耦合不仅仅是均衡点达成，也是计算的高维结构，对信息的处理。
建模是一种简化，希望从网络的分布倒推出最基本的本征，以此为基础建立有一定预测能力的模型，我们知道具体的网络是基于其一定波动范围的分布。
系统的反馈机制是层次耦合所必然出现的模式。这是自恰系统的边界形成的要求。
反馈对稳态形成的意义。
正反馈和负反馈都是网络的选择性表达，其存在的分布使得整体维持一定的稳态。因此其并存是有意义的。其分布可能是符合幂律分布的。
以循环的通路作为一个隐结构，如同原子也满足一定的玻尔兹曼分布。这是网络的自恰形成的基础。在数学上，可以理解为曲率为负。
多层次的耦合可以表示为傅里叶级数的表示形式，是不同频率的协调，如同一首歌。而且这预示着基本的基元存在:一切非周期性函数可以分解为一定周期函数的叠加。
具体的机制涌现就是这些傅里叶级数的相乘，即一种遍历，然后会有一定有意义的模式的涌现。如同组合数学的母函数的概念，多项式的相乘的结果的系数是组合的可能性，也是一种分布。这是组织的力量。这也是概率的重要性体现，其是无限组合的模式涌现。
生命源于抵抗性变化。势差的分布是一种组织的形式，其携带一定的高维信息。如遗传机制。这是一种对个体收敛抵抗的机制，通过构建群体使得网络的信息得以延续。参见理查德的自私的基因，就是一种以基因为运算的结构的思想。
多层次的耦合提供一定的稳定性，可以抵抗一定的波动变化。这是缓冲机制，也可以解释一下反馈形成。对变化的抵抗乃至对这种抵抗导致的变化的抵抗如同级数展开的一二阶导，可以初步描述一定的网络。如细胞膜需要维持一定物质浓度的势差，于是有一定的通道蛋白，而在这些通道蛋白中也有一定的分化，即有泵进也有泵出。最后可以形成一定的模式。