※ 引述《roqe (sojourner)》之铭言： (恕删) 难得看到bioinfo的讨论串, 忍不住回个文. 小弟背景是CS, 在国内拿到CS Master後"过了很多年"出国拿bioinfo PhD. 一开始转bioinfo纯属意外--出国前生物背景相当薄弱 是在中研院历练两年加上国外PhD的训练後才稍微好一点. CS背景的人强项当然就是algorithm和programming, 而弱项正是biology. Biology背景和CS背景的人各有各的强项, 但是要全部都强的很难. 像我现在在西岸作postdoc, 老板和身边的工作伙伴全都是生物背景. 这时候就会发现在meeting时, 我在讲我的东西时他们会放空; 而他们在讲他们的东西时我也只能懂一部分. 不过会来这个地方作postdoc本来就是因为老板希望我专门作computational analysis, 所以我就尽量贡献所长啦. : 到目前为止，我觉得有一个很奇妙的情况就是很多生物学家根本不太相信生资的结果 : 原因之一就是很多纯做 dry lab 的人想出来的方法 : - model 很漂亮没错，但是生物学家基本看不懂/没时间看那些数学 : - 这些 model 很少考量到生物资料背後的 complexity 这点原po说的的确没错. 我今年三月去JGI参加User Meeting, 巧遇台大的某教授 (作生物的). 因为小弟专长是genome/metagenome analysis, 当时有向他提起中研 院作computational metagenomic analysis的几位研究员; 但这位台大要授的意见 是我提到的人太CS了, 对生物的部分贡献不大. 他反而比较推崇几位多样性中心的 研究员, 我猜大概是因为他们会自己作实验吧. 我事实上在现在的工作也碰到了类似的事情. 我开发出了一套metagenomic analysis 的工具後, 必须想办法用各种图表/数据/visualization来说服我的工作伙伴我的结 果"大致上"是对的. 之所以会有"大致上"这个term是因为在CS, 我们讲求的是precision/recall; 我们 用错误率来衡量一个algorithm/tool的好坏. 但Biology的人很强调结果的正确性 (尤其是publication purpose). 所以小弟目前的困境就在於我对我开发出来的 algorithm还算满意; 但无法否认这个algorithm仍然有error rate. 老板希望我在 发表前用manual的方式把error给拿掉. 目前小弟还在伤脑筋中.... : 我可以把我生物相关的知识 implement 进去我的 model 里 : 而这就不是纯做 dry lab 的人会做的，因为他们从一开始不会这样想 : 这也是生物人做生资的优势，你的思维其实比较接近生物学家 这的确是生物人的优势(也是我的劣势XD). 纯dry lab的确不会以生物学家的思维去想. 对我来说, sequence就一串string (好吧, 虽然这串string可能超级长); 但这串sequence怎麽来的我就没那麽care. 大概是因为我主要作sequence analysis吧, 我比较少接触其他的实验data, e.g. micro array 不过呢, 资讯人的优势在於我们对CS比较熟悉, 所以可以设计algorithm来解决生物问题. 像我来西岸後就设计了一套machine learning algorithm作data analysis, 并且自己implement/debug. 生物人不太有有办法做这件事. 这就是CS背景的人的优势. (基本上我的工作伙伴只能把资料丢给JGI去annotate, 并使用他们的结果来分析. 我则是完全自己来.) 好像没什麽重点. 我大概想说的是Bio和CS在Bioinfo里面同等重要. 小弟还在试着训练自己去了解更多biology相关的东西, 或是写一些比较biology的paper. 目前还在努力中. 有兴趣的话也欢迎彼此交流. K at Bay Area --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 131.243.46.243