难得可以回一下文... 小弟是做electrophysiology的 对於computational neuroscience曾有一点点的接触 也曾经因为兴趣,自己尝试摸索过NEURON这套软体 不过小弟对数学跟程式方面比较弱,後来还是选择站在"欣赏"的角度来看这领域... 曾经在一些conference上接触到这方面的人,也跟他们聊过类似的问题 因为我自己是实做派的,我也会去质疑model做出来的东西其实是比较理想化的数据 而并不一定可以反应真实的情形 经过讨论後,就我所理解,并非每个做model的人都觉得自己做出来的才是真的 大部分的人都能够了解到自己的东西是比较理想化的结果 也认为可能做出来的某些结果需要实际的实验去验证 那为什麽还会有这领域存在呢? 事实上,因为很多东西可能在实验设计上有些困难,造成真的实验很难做 (1) 以我自己电生理领去来讲, 例如太小的细胞(ex. glia)不好直接做电生理纪录 (虽然现在已经有很多实验室可以做到axonal recording了, 但毕竟入门的门槛相对於whole-cell来讲,还是比较高,也不是每个实验室都做的起来) 或可能因为细胞的性质,致使离体或是上针之後活性不好维持 或是像现在的纪录技术虽然可以同时纪录到突触前後的两个细胞, 但一下子想要观察多个细胞的interaction,仍有实验上的困难 在很多现阶段实验技术无法满足的情况下,还是需要一些modeling的东西来弥补 (2) 或是说在做筛选时(例如药物或蛋白质的筛选), 虽然有些实验很简单都可以直接做的到,但是选择太多, 你可能必须从成千上万的选择中,去找出最有机会的前几%,再去进行真正的实验, 所以也是需要先用计算的方式做初步的选取... (3) 像原文说到的MRI等,在实际上,或许T数不够,sample太小,造成影像的resolution不足 有些东西观察不易,MRI在这方面也不是万能的... 例如我们之前做DSI(diffusion spectrum image)观察fiber tract crossing 那时算是草创阶段,一颗成鼠脑需要花10几个小时去scan, 还常会因为vibration造成信号模糊掉...其实任何实验,都还是有些不足的地方... 在实验上那些不足的地方,有时候就需要用modeling来帮忙补充... 以上这些举例,都是computational neuroscience可能可以使上力的地方 如果在某个程度范围内,modeling的东西可以match真实实验情形 那就有机会用这个model去推测一些实验比较观察不到的情形 当然不见得一定正确,但是至少可以提供正式实验前的一个参考 或是在实验做不到的情况下,提供说明及讨论的空间 现在其实有很多做modeling的,还是想要找真正electrophysiology的合作 在可以验证的范围内,先去验证他们的东西是否属实,再去做更深入的推估... 所以个人觉得既然这个领域也存活了一段时间,毕竟多少还是有他存在的意义的 如果真的没用的话,也不会一直发展下去 或许未来某一天,我们在设计实验之前,都得先去database比对simulation的结果 实验设计符合里面的逻辑,才能继续做下去...XD 当然我个人还是比较喜欢实战啦,但是在实战前先告诉我哪些东西是比较不可能做到的 也算是多一些有帮助的情报罗... 以上,小弟对於这领域了解仅止於此,有不足或错误的地方还请大家一起补充...:) ※ 引述《onehundred (Liang-Hui)》之铭言： : 小弟最近做第二个rotation : 题目有关computational neuroscience : 学习如何从spike activity : 解读脑科学和神经科学 : 我做得很有兴趣 : 但是... : 我一直觉得这种计算生物学/系统生物学/计算神经科学 : 充满了太多的"假设" : 光是一开始程式的假设参数 就可以严重影响结果 : 通常都是不断强调自己的algorithm多麽好 : 事实上心知肚明 很多都是optimized後的结果 : 论文比较 因为方法不同 根本比不出所以然 : 我严重怀疑这类的博士 业界真的有兴趣吗? : 我想问问不管是纯生物 或者医学类 或者工学院的人 : 这方面paper很多 : 标榜数学模型应用在生物上 琳琅满目 : 蛋白质结构预测,基因调控网路, : 或者是心脏数学模型 离子在细胞膜进出的数学模型 : 甚至是用控制 或者其他的工程方法 想证明可以用在生物 : 很多假设性的模拟 来自於MRI影像 micorarray data : 那还不如好好学医学影像 或者生物统计... : 有没有人和我有一样的想法? : 虽然我几个月就有poster (基本上做计算的发paper快些) : 但我严重怀疑这条路是走不出学术的 : 还不如多学生物统计 : 或者工学院的machine learning等其他课 : 谢谢,理性讨论勿战 :) --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 59.126.124.131 ※ 编辑: insitu 来自: 59.126.124.131 (03/28 23:47)