難得可以回一下文... 小弟是做electrophysiology的 對於computational neuroscience曾有一點點的接觸 也曾經因為興趣,自己嘗試摸索過NEURON這套軟體 不過小弟對數學跟程式方面比較弱,後來還是選擇站在"欣賞"的角度來看這領域... 曾經在一些conference上接觸到這方面的人,也跟他們聊過類似的問題 因為我自己是實做派的,我也會去質疑model做出來的東西其實是比較理想化的數據 而並不一定可以反應真實的情形 經過討論後,就我所理解,並非每個做model的人都覺得自己做出來的才是真的 大部分的人都能夠了解到自己的東西是比較理想化的結果 也認為可能做出來的某些結果需要實際的實驗去驗證 那為什麼還會有這領域存在呢? 事實上,因為很多東西可能在實驗設計上有些困難,造成真的實驗很難做 (1) 以我自己電生理領去來講, 例如太小的細胞(ex. glia)不好直接做電生理紀錄 (雖然現在已經有很多實驗室可以做到axonal recording了, 但畢竟入門的門檻相對於whole-cell來講,還是比較高,也不是每個實驗室都做的起來) 或可能因為細胞的性質,致使離體或是上針之後活性不好維持 或是像現在的紀錄技術雖然可以同時紀錄到突觸前後的兩個細胞, 但一下子想要觀察多個細胞的interaction,仍有實驗上的困難 在很多現階段實驗技術無法滿足的情況下,還是需要一些modeling的東西來彌補 (2) 或是說在做篩選時(例如藥物或蛋白質的篩選), 雖然有些實驗很簡單都可以直接做的到,但是選擇太多, 你可能必須從成千上萬的選擇中,去找出最有機會的前幾%,再去進行真正的實驗, 所以也是需要先用計算的方式做初步的選取... (3) 像原文說到的MRI等,在實際上,或許T數不夠,sample太小,造成影像的resolution不足 有些東西觀察不易,MRI在這方面也不是萬能的... 例如我們之前做DSI(diffusion spectrum image)觀察fiber tract crossing 那時算是草創階段,一顆成鼠腦需要花10幾個小時去scan, 還常會因為vibration造成信號模糊掉...其實任何實驗,都還是有些不足的地方... 在實驗上那些不足的地方,有時候就需要用modeling來幫忙補充... 以上這些舉例,都是computational neuroscience可能可以使上力的地方 如果在某個程度範圍內,modeling的東西可以match真實實驗情形 那就有機會用這個model去推測一些實驗比較觀察不到的情形 當然不見得一定正確,但是至少可以提供正式實驗前的一個參考 或是在實驗做不到的情況下,提供說明及討論的空間 現在其實有很多做modeling的,還是想要找真正electrophysiology的合作 在可以驗證的範圍內,先去驗證他們的東西是否屬實,再去做更深入的推估... 所以個人覺得既然這個領域也存活了一段時間,畢竟多少還是有他存在的意義的 如果真的沒用的話,也不會一直發展下去 或許未來某一天,我們在設計實驗之前,都得先去database比對simulation的結果 實驗設計符合裡面的邏輯,才能繼續做下去...XD 當然我個人還是比較喜歡實戰啦,但是在實戰前先告訴我哪些東西是比較不可能做到的 也算是多一些有幫助的情報囉... 以上,小弟對於這領域了解僅止於此,有不足或錯誤的地方還請大家一起補充...:) ※ 引述《onehundred (Liang-Hui)》之銘言： : 小弟最近做第二個rotation : 題目有關computational neuroscience : 學習如何從spike activity : 解讀腦科學和神經科學 : 我做得很有興趣 : 但是... : 我一直覺得這種計算生物學/系統生物學/計算神經科學 : 充滿了太多的"假設" : 光是一開始程式的假設參數 就可以嚴重影響結果 : 通常都是不斷強調自己的algorithm多麼好 : 事實上心知肚明 很多都是optimized後的結果 : 論文比較 因為方法不同 根本比不出所以然 : 我嚴重懷疑這類的博士 業界真的有興趣嗎? : 我想問問不管是純生物 或者醫學類 或者工學院的人 : 這方面paper很多 : 標榜數學模型應用在生物上 琳瑯滿目 : 蛋白質結構預測,基因調控網路, : 或者是心臟數學模型 離子在細胞膜進出的數學模型 : 甚至是用控制 或者其他的工程方法 想證明可以用在生物 : 很多假設性的模擬 來自於MRI影像 micorarray data : 那還不如好好學醫學影像 或者生物統計... : 有沒有人和我有一樣的想法? : 雖然我幾個月就有poster (基本上做計算的發paper快些) : 但我嚴重懷疑這條路是走不出學術的 : 還不如多學生物統計 : 或者工學院的machine learning等其他課 : 謝謝,理性討論勿戰 :) --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 59.126.124.131 ※ 編輯: insitu 來自: 59.126.124.131 (03/28 23:47)