※ 引述《roqe (sojourner)》之銘言： (恕刪) 難得看到bioinfo的討論串, 忍不住回個文. 小弟背景是CS, 在國內拿到CS Master後"過了很多年"出國拿bioinfo PhD. 一開始轉bioinfo純屬意外--出國前生物背景相當薄弱 是在中研院歷練兩年加上國外PhD的訓練後才稍微好一點. CS背景的人強項當然就是algorithm和programming, 而弱項正是biology. Biology背景和CS背景的人各有各的強項, 但是要全部都強的很難. 像我現在在西岸作postdoc, 老闆和身邊的工作伙伴全都是生物背景. 這時候就會發現在meeting時, 我在講我的東西時他們會放空; 而他們在講他們的東西時我也只能懂一部分. 不過會來這個地方作postdoc本來就是因為老闆希望我專門作computational analysis, 所以我就盡量貢獻所長啦. : 到目前為止，我覺得有一個很奇妙的情況就是很多生物學家根本不太相信生資的結果 : 原因之一就是很多純做 dry lab 的人想出來的方法 : - model 很漂亮沒錯，但是生物學家基本看不懂/沒時間看那些數學 : - 這些 model 很少考量到生物資料背後的 complexity 這點原po說的的確沒錯. 我今年三月去JGI參加User Meeting, 巧遇台大的某教授 (作生物的). 因為小弟專長是genome/metagenome analysis, 當時有向他提起中研 院作computational metagenomic analysis的幾位研究員; 但這位台大要授的意見 是我提到的人太CS了, 對生物的部分貢獻不大. 他反而比較推崇幾位多樣性中心的 研究員, 我猜大概是因為他們會自己作實驗吧. 我事實上在現在的工作也碰到了類似的事情. 我開發出了一套metagenomic analysis 的工具後, 必須想辦法用各種圖表/數據/visualization來說服我的工作伙伴我的結 果"大致上"是對的. 之所以會有"大致上"這個term是因為在CS, 我們講求的是precision/recall; 我們 用錯誤率來衡量一個algorithm/tool的好壞. 但Biology的人很強調結果的正確性 (尤其是publication purpose). 所以小弟目前的困境就在於我對我開發出來的 algorithm還算滿意; 但無法否認這個algorithm仍然有error rate. 老闆希望我在 發表前用manual的方式把error給拿掉. 目前小弟還在傷腦筋中.... : 我可以把我生物相關的知識 implement 進去我的 model 裡 : 而這就不是純做 dry lab 的人會做的，因為他們從一開始不會這樣想 : 這也是生物人做生資的優勢，你的思維其實比較接近生物學家 這的確是生物人的優勢(也是我的劣勢XD). 純dry lab的確不會以生物學家的思維去想. 對我來說, sequence就一串string (好吧, 雖然這串string可能超級長); 但這串sequence怎麼來的我就沒那麼care. 大概是因為我主要作sequence analysis吧, 我比較少接觸其他的實驗data, e.g. micro array 不過呢, 資訊人的優勢在於我們對CS比較熟悉, 所以可以設計algorithm來解決生物問題. 像我來西岸後就設計了一套machine learning algorithm作data analysis, 並且自己implement/debug. 生物人不太有有辦法做這件事. 這就是CS背景的人的優勢. (基本上我的工作伙伴只能把資料丟給JGI去annotate, 並使用他們的結果來分析. 我則是完全自己來.) 好像沒什麼重點. 我大概想說的是Bio和CS在Bioinfo裡面同等重要. 小弟還在試著訓練自己去了解更多biology相關的東西, 或是寫一些比較biology的paper. 目前還在努力中. 有興趣的話也歡迎彼此交流. K at Bay Area --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 131.243.46.243