浅谈生物信息的职业发展规划 from mit

发信人: celler (celler), 信区: Biology
标  题: 浅谈生物信息的职业发展规划
发信站: BBS 未名空间站 (Sun Dec 19 14:37:27 2010, 美东)

这里生物信息泛指生物信息学+计算生物学，本文仅是职业技能上的浅谈，希望能够抛砖引玉～～

我觉得职业发展应该是广、深必备。
广：熟练各种编程语言，能够处理各种数据，同时学习相关生物知识；
深：在某一生物研究方向深入，熟悉从实验到数据及结论的各项环节。

广而不深的后果是没有确定的研究方向，总是给别人作工具；
深而不广的后果是在当今数据爆炸的时代发展机会少。

难点有以下几点，难度依次增加：
1. 各种类型编程语言的熟练使用：并不是指掌握所有语言，而是根据数据对象选择那
么几种有代表性的语言。理论上C/C++可做任何事情，但会用R/Matlab/Perl等会在一些
场合更高效一些。
2. 学习各种生物知识：一方面是书本知识，其主要功夫是在业余时间的利用上；另一
方面是实践知识，来自于生物实验室，交流为主。
3. 同时还得学习相关数学知识：这绝对是个难点，会编程不等于懂数学。
4. 某一个方面深入。这里说的方向必须是生物研究的方向，而不是生物信息的方向。

我觉得以上几点都达到的话，从读博士起大概需要5－10年时间。
生物信息全才＝生物+统计+建模+数据库+软件。
(建模指动力学上的，不是指统计建模）

发信人: albertchang (albertchang), 信区: Biology
标  题: Re: 浅谈生物信息的职业发展规划
发信站: BBS 未名空间站 (Mon Dec 20 15:14:44 2010, 美东)

我觉得还是有点 过分抬高科学／idea／story，轻视技术/工具的意思

研究生物问题是最终目的，但是不能看低开发工具的重要性

觉得很多生物背景的都有这毛病
大家就这么看不起码工阿，呵呵

就说这个所谓最简单的一点吧，“各种类型编程语言的熟练使用”，就这一样，你搞好
了，找个十万年薪的工作不成问题

LS都是读生物信息的么？

我感觉应该重点做的是两件事情：1.学习统计学，常用的建模、分析方法；2.了解生物问题，以教材为基础泛读最新的论文，对课题有清楚的把握。当然我是计算机的背景，写代码同吃饭感觉一样的，就没必要刻意学了。

发信人: demoner (明日的記憶), 信区: Biology
标  题: Re: 浅谈生物信息的职业发展规划
发信站: BBS 未名空间站 (Sun Dec 19 15:06:10 2010, 美东)

you need be able to first test your models in small scale,
access database, and mine on internet or manipulate text,
and finally if everything looks good, turn your small model
into industrial level program.

so you need at least one in each of the 4 following section:

1. large scale programming, building industrial level models:
C++ or Java, etc

2. quick testing of small models:
Matlab or Mathematica, or R, etc

3. database accessing:
SQL etc

4. Text mining/manipulation language:
Perl or Python, etc

发信人: bluerye (pangpang), 信区: Biology
标  题: Re: 浅谈生物信息的职业发展规划
发信站: BBS 未名空间站 (Sun Dec 19 15:22:57 2010, 美东)

浅谈几点我个人的经验。

1. 编程，文本处理
这个是入门的基础，我认为这个最倒是好办。
在有人带的情况下，如果自己对电脑比较感兴趣，那么linux+Perl有2～3个月就入门了。
之后再学其他语言要看课题需求、编程习惯和对学科的理解。比如JAVA，C++等。
这样做各种比对、文本处理应该没问题。
再熟悉了各大生物学主流数据库，那么就可以先摸爬滚打了。
只是进阶比较难。一方面靠积累，另一方面看悟性了。

2. 统计学、数学方面，
我还是主张先学统计，再结合这学语言。
我当年是先学了5年的统计，之后再学的R，这样之后做起来的时候完全是在解决统计学
语言的技术问题，而不需要再去想统计学本身的问题。
这样半年下来，R学了个皮毛，凑合发点文章够用了。
但还是那句话，进阶太难，太漫长。

3. 数据库，网页
这个相对来说还是性价比比较高的。学起来快，出东西也快，不太费脑子，运气等其他
不可预知因素小。
缺点就是做生物的不能只靠这个吃饭，这不是做生物信息的核心竞争力。（当然如果你
们实验室有能力能搞出并维持那些大型综合性数据库，算我没说）
这方面可以搞点东西凑合毕业，但也别做得过多。不然就成了码工，失去自己的核心竞
争力了。

4. Omics
包括基因组学、转录组学等等分支。
需要做各类芯片分析，序列分析，功能注释，按各种条件分类等等。
另外要时刻关注当今一些新技术，让课题的瓶颈在技术方面，而不是在你的分析和速度
方面。

5. 生物学着力点
.1point3acres对于做bioinformatics的，我认为最难最难的，就是从几个G的data里面，整理出来个各方面面都说得过去的、又容易验证的story来。
完全考验人的思维和科研背景，靠积累。

. Χ以上几点，在有人带的情况下，2～3年就能入门，再来1～2年凑合着做点东西运气不差
应该够毕业了。
头脑灵活又运气好的，可能4年之内就能弄出点东西出来。
进阶比较难，看个人了。

这个行业虽然杂，但也不是那么难入门，不需要耗那么长时间。
我个人建议先从某些简单的分析入手，之后再学别的。
少林72绝技，你只要会那么一两手大家都欢迎的主流技术，够你闯江湖的就够了。
关键是需要一个比较成型的实验室，或者有熟手带你。如果自己摸索就会很迷茫。
.1point3acres至于经验、视野、科研思维这类真正重要，却靠积累的事情，毕业之后慢慢来吧。

发信人: demoner (明日的記憶), 信区: Biology
标  题: Re: 浅谈生物信息的职业发展规划
发信站: BBS 未名空间站 (Sun Dec 19 17:34:33 2010, 美东)

Thanks, it was actually not by myself originally...

I first heard about this two years ago when the Head/Founder of
Statistical Arbitrage dept of Citadel gave a lecture at my school.
He said all these 4 parts are on the workflow of daily job for a
quantitative finance professional. I think it's the same for every
quantitative XXX professional, including biology.

To find a job is just that easy, just to polish your skillset...
it can be applied to any area, biology, engineering, finance, etc.

I hope I can remember more from his 2 hour lecture, all his words
were so insightful. But I was just too dumb then..

难点有以下几点，难度依次增加：
1. 各种类型编程语言的熟练使用：并不是指掌握所有语言，而是根据数据对象选择那
么几种有代表性的语言。理论上C/C++可做任何事情，但会用R/Matlab/Perl等会在一些
场合更高效一些。
2. 学习各种生物知识：一方面是书本知识，其主要功夫是在业余时间的利用上；另一
方面是实践知识，来自于生物实验室，交流为主。
3. 同时还得学习相关数学知识：这绝对是个难点，会编程不等于懂数学。
4. 某一个方面深入。这里说的方向必须是生物研究的方向，而不是生物信息的方向。

小K 发表于 2010-12-20 14:17

数学确实是瓶颈, 编程这种都是小事情, 好的idea和数学应该是最大的瓶颈了吧.  
Bioinformatics有时候定位很尴尬, 不知道是偏重method/tool还是偏重science.  基本上统计/数学/物理的人都可以转这个方向(但"生物劝退指南"中都说不要转...这是题外话了..=.=), 生物背景的其实没太大竞争力, 毕竟基本生物知识多看书多看paper就差不多了, 但是数学/统计/编程这种很多生物出身的人不太在行, 而且上手比较慢.  做出来的东西很容易变成四不像, 数学的人嫌方法太小儿科, 生物的人嫌缺乏生物学意义... 总之, 做这个混口饭还凑合, 想做牛X了不太容易, 需要积累的知识太多了.

so you need at least one in each of the 4 following section:

1. large scale programming, building industrial level models:
C++ or Java, etc

2. quick testing of small models:
Matlab or Mathematica, or R, etc

3. database accessing:
SQL etc

4. Text mining/manipulation language:
Perl or Python, etc
小K 发表于 2010-12-20 14:17

第一条里面的Java正在学, 其他三条基本上都差不多够用了.
不过还是那句话, 编程这种都是小事情, 不难学, 好的idea和math最重要了.

5. 生物学着力点
对于做bioinformatics的，我认为最难最难的，就是从几个G的data里面，整理出来个各方面面都说得过去的、又容易验证的story来。
完全考验人的思维和科研背景，靠积累。
. 1point 3 acres
小K 发表于 2010-12-20 14:17

非常同意这点.  所以我还是倾向于自己做model讲故事...一切都是可以控制的...而且不会太盲目.

第一条里面的Java正在学, 其他三条基本上都差不多够用了.
不过还是那句话, 编程这种都是小事情, 不难学, 好的idea和math最重要了.
RehsuR 发表于 2010-12-21 05:45

牛叉啊！！！学到差不多够用大概要多久？
我这儿天天为编程能力低下而发愁呢

我觉得还是有点 过分抬高科学／idea／story，轻视技术/工具的意思

研究生物问题是最终目的，但是不能看低开发工具的重要性

觉得很多生物背景的都有这毛病
大家就这么看不起码工阿，呵呵
. 1point3acres.com
就说这个所谓最简单的一点吧，“各种类型编程语言的熟练使用”，就这一样，你搞好
了，找个十万年薪的工作不成问题
小K 发表于 2010-12-20 14:18

哈哈, 所以说这个方向混口饭吃还是可以的, 但是如果真想好好做science, 光是“各种类型编程语言的熟练使用”肯定是不够阿, science方面的成就不是多少年薪可以衡量的吧, 呵呵.
总体来讲这个还是看个人的职业规划了, 做技术是有一些出路的, 做science就路漫漫需要上下求索一番了...不过如果自己喜欢也就无所谓了, 努力就是了. :)