推 reinherd:推 07/03 05:59
推 tainanuser:推 07/03 17:10
推 daniel0523:推 07/05 14:55
推 Meshif:有自己的data真的才是王道 XD 07/06 10:22
基本上我覺得 roqe大給的資訊大多是正確的
但是有些點是我有自己看法的地方
另外我也幫忙補充一下 bioinformatics/comp bio這領域個人的想法
先講一下自己的背景,然後才有個比較好比較的對象
我大學是念applied math
碩班去國外念biostatistics
在碩班的時候在當時的學校跟一個教授做microarray data analysis
主要分析 RNA expression between breast cancer patients and healthy controls
同時也在National Cancer Institute做genome-wide association studies
畢業後在原校的醫學院做longitudinal data analysis, population genetics and
GWAS
現在博班做很多很多的deep resequencing studies, endophenotype analysis
and meta analysis
我博班所有的東西,都是從實驗PCR, library preparation, DNA purification and
quantification到之後的分析,alignment, variant calling, and genotyping
都是自己來
目前在做 mutagenesis and in vitro cell surface expression and RNA Seq
我給的建議是要在一個主要是wet lab 裡面做comp bio or bioinformatics
這樣你發的paper才會好,學的東西才會廣且紮實
而且拿到的data才會是一手的
我目前的學校有一個不會差Broad Institute太多的sequencing center
genome sequencing center's directors幾乎都是做biochem/molecular biology起家
分析也是自己一手包辦不假他人之手
當然也有純computer scientists純做alignment tool development, algorithm
或是statistician做新的統計方法,或是 big data analysis
但是除非你自己的programming language能達到 CS研究生的水準
或是你的統計能力跟 Biostat PhD研究生差不多的水準
不然你要憑甚麼去打敗這些純做dry lab的人
個人在目前這個molecular genetics lab學到的東西相當廣
我的PI受過各式各樣的training但是主要還是molecular genetics/biochem
統計也懂,而且解釋結果的能力一流
我覺得她總是能從不同於統計學家的觀點去看data
但是為啥這個lab總是世界上最好的neurogeneitcs lab之一在於
我們能自己generate lots of and high quality first-hand data
然後又是自己分析
George Church 裡面出來的幾乎都可以一手包辦bench work and analysis
個人覺得如果是半路出家不是 computer science or math 畢業的
不要走pure-dry lab 你的統計能力或是寫程式能力差真正的科班差遠了
當然你只是要糊口飯吃,發一些無關痛癢的journal
寫寫程式發發paper畢業當然無所謂
但是我個人建議進去一個有做實驗能力的lab,讓自己受多樣的training
培養在各個領域都能快速理解並加以應用到自己的研究的能力是非常重要的
個人一點淺見
※ 引述《roqe (sojourner)》之銘言：
: 之前一直在猶豫要不要回上面那篇博班甘苦談的文章
: 不過那篇後來都在討論制度的問題
: 我的背景回這篇應該也很切題，另外我想順便回應 Carlo 大的提問
: 先從背景交代開始
: 我大學是醫技系的，碩班就唸生資所，然後直升
: 今年九月開始就是讀研究所的第六年，一直都在同一間學校 |||
: 大學的時期雖然有修過程式設計相關的課程，但那有跟沒有一樣
: （字面意義，可能還減低了我對資訊領域的興趣 orz）
: 我的資訊啟蒙課程是四下時去生資所修的演算法
: 阿，離題一下，當我那時準備研究所考試時
: 當時是我 summer 的指導教授跟我說：
: roqe，生資要作的很好其實很辛苦，因為你每一個領域都要很強
: 當時我一點感覺都沒有 XD 最近才深深的感覺到 QQ
: 不是說只有一個領域強不行
: 而是唸書的時候，就要決定自己的定位跟以後的賣點在哪裡
: 有那種很生物的生資人，專門整合別人的工具然後做生物驗證，處於比較應用端
: 或那種很資訊的生資人，題目的本質只是用生物 data 做 ML，其他沒有差異
: 也有很統計的生資人 XD，開發新的統計值等等
: 剛剛說了我以前是生物人，但其實我的第一篇 paper 竟然做演算法分析
: 那種 big O 進步了多少的、非常資訊的題目 XD
: 做這個題目的時候，我還學會了寫 C
: 在這個題目之前，我只有修課跟自學的一點點 C++ 跟 JAVA 基礎
: 那時後合作的 J 老師（他的題目、知道我是生物人）問我
: Dr.J：你有沒有寫程式的經驗阿？
: roqe：有呀！（自信滿滿，初生之犢不畏虎 XD）
: Dr.J：....你之前寫過的程式大概幾行阿？
: roqe：兩三百行吧 @@（就是個修課作業的程度)
: Dr.J：這樣好像不太算寫過阿 XDDD
: roqe：QQ
: 當然最後還是有寫出來
: 所以老實說，我覺得沒有跳很大學不會的問題
: 要確定的是，有沒有興趣跟願不願意投入時間
: 如果原本是生物人要唸生資的話
: 投個幾年唸資訊跟統計的基本知識我覺得是必要的
: 這某種程度就是跨領域研究所跟專一領域研究所的差異
: 我唸研究所修了非常多課，除了畢業要求的 24 學分，我超修了 20 學分
: 那些課一部分是補我大學時欠缺的數學漏洞
: （如離散跟線代等等，沒修過要怎麼理解 machine learning orz）
: 一部分是資訊領域課程（資料結構、演算法、ML）
: 一部分是統計領域課程（生物統計、數理統計、SML）
: 當然不是說一直修課不管研究
: 只是我覺得在學生時期就應該把這些基本的洞補一補
: 阿，這裡就可以分享我留在台灣唸書的原因
: 之一，我大學成績頗糟，我知道出國不可能念到什麼夢幻名校
: 之二，我不打算做實驗，我欠缺的知識（資訊跟統計）我覺得國內師資很夠
: 器材也沒什麼差異，桌機都差不多 XDD
: 之三，我的指導教授是一個非常善於解說的人
: 我的指導教授就是我在四下跑去生資所修演算法的授課教師
: 那時候我就覺得這堂課無敵好玩
: 我的老師不是那種天才橫溢的學者
: 但他對於他所掌握的知識可以用非常好理解的方式傳達給你
: 老實講我覺得這超重要，尤其那時我對於資訊完全就是超新手
: 我前年修數理統計時也是非常幸運的碰到這種老師
: 然後我的修課成績，上學期是全班第二高分、下學期是第一高分
: 班上不乏大學就是統計/公衛系的學生
: 再次證明了只要有興趣跟努力，跳領域不是問題 :P
: 總結一下，
: 1. 我覺得從生物轉生資其實不錯
: 因為我個人認為生資的本質還是解決生物的問題
: 生物的背景比較不會讓你偏離問題的重點
: 2. 轉領域的痛苦點在於有很多相關知識需要補足
: 這個時候，好的授課老師或教材可能幫你許多忙
: 當然自己真的需要下苦工好好唸書
: 3. 如果是生物背景，我推薦找資訊或統計的老師當指導教授
: 我覺得可以學到不同領域的人的思維
: 呼應前面，我對自己的定位是：
: 我期許自己是一個能跟生物領域的人講生物語言、
: 跟資訊領域的人講資訊語言、跟統計領域的人講統計語言的人
: 以後的研究一定會更需要跨領域合作
: 我希望我的角色就是能領導不同領域的人、加速合作跟討論的進展
: 這也是為什麼我下非常多功夫在這些課程當中
: 每每在學習的過程中，就會出現串通不同領域的新研究點子
: 我覺得這是唸生資最大的有趣點了！
: 很感謝我的老師不會像有些人覺得修課都是浪費時間，給我非常充分的自由
: 我的博士生涯真的是很開心～（雖然還沒結束 XD）
: PS 原 po 有任何問題歡迎站內信給我 :D
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 108.216.81.224
※ 編輯: ahot 來自: 108.216.81.224 (07/03 02:20)