基本上我觉得 roqe大给的资讯大多是正确的 但是有些点是我有自己看法的地方 另外我也帮忙补充一下 bioinformatics/comp bio这领域个人的想法 先讲一下自己的背景,然後才有个比较好比较的对象 我大学是念applied math 硕班去国外念biostatistics 在硕班的时候在当时的学校跟一个教授做microarray data analysis 主要分析 RNA expression between breast cancer patients and healthy controls 同时也在National Cancer Institute做genome-wide association studies 毕业後在原校的医学院做longitudinal data analysis, population genetics and GWAS 现在博班做很多很多的deep resequencing studies, endophenotype analysis and meta analysis 我博班所有的东西,都是从实验PCR, library preparation, DNA purification and quantification到之後的分析,alignment, variant calling, and genotyping 都是自己来 目前在做 mutagenesis and in vitro cell surface expression and RNA Seq 我给的建议是要在一个主要是wet lab 里面做comp bio or bioinformatics 这样你发的paper才会好,学的东西才会广且紮实 而且拿到的data才会是一手的 我目前的学校有一个不会差Broad Institute太多的sequencing center genome sequencing center's directors几乎都是做biochem/molecular biology起家 分析也是自己一手包办不假他人之手 当然也有纯computer scientists纯做alignment tool development, algorithm 或是statistician做新的统计方法,或是 big data analysis 但是除非你自己的programming language能达到 CS研究生的水准 或是你的统计能力跟 Biostat PhD研究生差不多的水准 不然你要凭甚麽去打败这些纯做dry lab的人 个人在目前这个molecular genetics lab学到的东西相当广 我的PI受过各式各样的training但是主要还是molecular genetics/biochem 统计也懂,而且解释结果的能力一流 我觉得她总是能从不同於统计学家的观点去看data 但是为啥这个lab总是世界上最好的neurogeneitcs lab之一在於 我们能自己generate lots of and high quality first-hand data 然後又是自己分析 George Church 里面出来的几乎都可以一手包办bench work and analysis 个人觉得如果是半路出家不是 computer science or math 毕业的 不要走pure-dry lab 你的统计能力或是写程式能力差真正的科班差远了 当然你只是要糊口饭吃,发一些无关痛痒的journal 写写程式发发paper毕业当然无所谓 但是我个人建议进去一个有做实验能力的lab,让自己受多样的training 培养在各个领域都能快速理解并加以应用到自己的研究的能力是非常重要的 个人一点浅见 ※ 引述《roqe (sojourner)》之铭言： : 之前一直在犹豫要不要回上面那篇博班甘苦谈的文章 : 不过那篇後来都在讨论制度的问题 : 我的背景回这篇应该也很切题，另外我想顺便回应 Carlo 大的提问 : 先从背景交代开始 : 我大学是医技系的，硕班就念生资所，然後直升 : 今年九月开始就是读研究所的第六年，一直都在同一间学校 ||| : 大学的时期虽然有修过程式设计相关的课程，但那有跟没有一样 : （字面意义，可能还减低了我对资讯领域的兴趣 orz） : 我的资讯启蒙课程是四下时去生资所修的演算法 : 阿，离题一下，当我那时准备研究所考试时 : 当时是我 summer 的指导教授跟我说： : roqe，生资要作的很好其实很辛苦，因为你每一个领域都要很强 : 当时我一点感觉都没有 XD 最近才深深的感觉到 QQ : 不是说只有一个领域强不行 : 而是念书的时候，就要决定自己的定位跟以後的卖点在哪里 : 有那种很生物的生资人，专门整合别人的工具然後做生物验证，处於比较应用端 : 或那种很资讯的生资人，题目的本质只是用生物 data 做 ML，其他没有差异 : 也有很统计的生资人 XD，开发新的统计值等等 : 刚刚说了我以前是生物人，但其实我的第一篇 paper 竟然做演算法分析 : 那种 big O 进步了多少的、非常资讯的题目 XD : 做这个题目的时候，我还学会了写 C : 在这个题目之前，我只有修课跟自学的一点点 C++ 跟 JAVA 基础 : 那时後合作的 J 老师（他的题目、知道我是生物人）问我 : Dr.J：你有没有写程式的经验阿？ : roqe：有呀！（自信满满，初生之犊不畏虎 XD） : Dr.J：....你之前写过的程式大概几行阿？ : roqe：两三百行吧 @@（就是个修课作业的程度) : Dr.J：这样好像不太算写过阿 XDDD : roqe：QQ : 当然最後还是有写出来 : 所以老实说，我觉得没有跳很大学不会的问题 : 要确定的是，有没有兴趣跟愿不愿意投入时间 : 如果原本是生物人要念生资的话 : 投个几年念资讯跟统计的基本知识我觉得是必要的 : 这某种程度就是跨领域研究所跟专一领域研究所的差异 : 我念研究所修了非常多课，除了毕业要求的 24 学分，我超修了 20 学分 : 那些课一部分是补我大学时欠缺的数学漏洞 : （如离散跟线代等等，没修过要怎麽理解 machine learning orz） : 一部分是资讯领域课程（资料结构、演算法、ML） : 一部分是统计领域课程（生物统计、数理统计、SML） : 当然不是说一直修课不管研究 : 只是我觉得在学生时期就应该把这些基本的洞补一补 : 阿，这里就可以分享我留在台湾念书的原因 : 之一，我大学成绩颇糟，我知道出国不可能念到什麽梦幻名校 : 之二，我不打算做实验，我欠缺的知识（资讯跟统计）我觉得国内师资很够 : 器材也没什麽差异，桌机都差不多 XDD : 之三，我的指导教授是一个非常善於解说的人 : 我的指导教授就是我在四下跑去生资所修演算法的授课教师 : 那时候我就觉得这堂课无敌好玩 : 我的老师不是那种天才横溢的学者 : 但他对於他所掌握的知识可以用非常好理解的方式传达给你 : 老实讲我觉得这超重要，尤其那时我对於资讯完全就是超新手 : 我前年修数理统计时也是非常幸运的碰到这种老师 : 然後我的修课成绩，上学期是全班第二高分、下学期是第一高分 : 班上不乏大学就是统计/公卫系的学生 : 再次证明了只要有兴趣跟努力，跳领域不是问题 :P : 总结一下， : 1. 我觉得从生物转生资其实不错 : 因为我个人认为生资的本质还是解决生物的问题 : 生物的背景比较不会让你偏离问题的重点 : 2. 转领域的痛苦点在於有很多相关知识需要补足 : 这个时候，好的授课老师或教材可能帮你许多忙 : 当然自己真的需要下苦工好好念书 : 3. 如果是生物背景，我推荐找资讯或统计的老师当指导教授 : 我觉得可以学到不同领域的人的思维 : 呼应前面，我对自己的定位是： : 我期许自己是一个能跟生物领域的人讲生物语言、 : 跟资讯领域的人讲资讯语言、跟统计领域的人讲统计语言的人 : 以後的研究一定会更需要跨领域合作 : 我希望我的角色就是能领导不同领域的人、加速合作跟讨论的进展 : 这也是为什麽我下非常多功夫在这些课程当中 : 每每在学习的过程中，就会出现串通不同领域的新研究点子 : 我觉得这是念生资最大的有趣点了！ : 很感谢我的老师不会像有些人觉得修课都是浪费时间，给我非常充分的自由 : 我的博士生涯真的是很开心～（虽然还没结束 XD） : PS 原 po 有任何问题欢迎站内信给我 :D --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 108.216.81.224 ※ 编辑: ahot 来自: 108.216.81.224 (07/03 02:20)