【 在 mitbbsrobot (机器人) 的大作中提到: 】 bioinformatics是非常好的去处，不光对生物，对很多领域也是非常好的研究领域，尤 其对中小的组和学校 最近几年大数据和深度学习的风潮起来，数据成了一个最重要的方面，NIH最近对生物 大量投入，产生了大量的数据，比如各种roadmap，encode，在DNA 测序方面，大批的 测序数据进入实际应用。最最重要的是，这些数据，都是真正的生产数据。 为什么称为生产数据？因为这些数据都是真实原始数据的，不是为了某些目的处理过的 ，除了生物信息，请举个例子，学术界哪里还有这种真实原始的高纬度的数据。对小学 校小课题组，比如做computer vision，能用数据库就是ImageNet等专门的数据库。 ImageNet的意义当然毋庸置疑，但是这个数据毕竟是在真实生产中不存在的，哪里来的 这么多手工加label的training data呢？ ...................
【 在 nowhere7 (折腾) 的大作中提到: 】 你个cs背景做方法的成天来biology版误导 很没人品你造不？ 绝大部分生物背景的弄这个就是跑跑pipeline，parse些结果，看看各种association， 根本没机会搞什么高大上的各种learning。 所以一定要摆正姿势，不要觉得自己在探索真知，赶紧趁机自学编程和数学线代统计之 类的才是正途。也就是说，很多东西是课题用不上的，你自己借机自学而已 切勿觉得bioinfo是个好去处 这些个high throughput data，里面多少是信号，多少噪音，真的天知道。这也直接导 致bioinfo的很多东西，都是试试而非，不能在实际生活，比如疾病诊断中用上。这也 就意味着，没啥钱途，是能学术圈混着
【 在 happycn (cnnnnc) 的大作中提到: 】 其实是在不同层面的忽悠罢了，杀老鼠固然无趣，做数据依旧是靠天吃饭。 从职业发展的角度讲，还是现实一些好。 如果是有做faculty的情怀，拿全当我没说。
【 在 oldpostdoc (oldpostdoc) 的大作中提到: 】 个人觉得bioinformatics这个领域，如果有一定编程和计算能力，但是做不了PI，还是 尽早往其他方向跳吧，哪怕是biostat也行。如果不是专心搞算法的，你suppose什么数 据类型都得会分析，好多软件都得会用，最好是明白里面的算法，光调试好，深刻理解 一个软件就得花不少时间。如果专心搞算法，就得focus一个小领域，这样自然对其他 topic就没那么熟悉。
还有一点，很多时候，生物学家或者医生眼里，bioinformaticians就是些画heatmap和做t test的，就是些technician,这种感觉很不爽，虽然大部分时间确实是做这些的LOL【 在 nowhere7 (折腾) 的大作中提到: 】 然 你说的基本就是跑pipeline的工作 人肉数据处理机 费力不讨好
【 在 oldpostdoc (oldpostdoc) 的大作中提到: 】 还有一点，很多时候，生物学家或者医生眼里，bioinformaticians就是些画heatmap和 做t test的，就是些technician,这种感觉很不爽，虽然大部分时间确实是做这些的LOL
【 在 nowhere7 (折腾) 的大作中提到: 】 所以说是人肉数据处理机 数据进去，结果出来 别人觉得你就是会跑跑一些工具罢了 事实大部分时间也是做这些 问题是，即使跑跑工具的活， 各种实验层出不穷， 具体到某种实验，处理的工具还是层出不穷 文档基本都是烂的一坨 这些都是很杀脑细胞的 弄完这些DR们还觉得，结果怎么跟我想的不一样？ ...................
【 在 oldpostdoc (oldpostdoc) 的大作中提到: 】 同感。做一种分析，各种软件一大堆，文档几乎没有写的好的，有很多还要求先运行其 他软件的结果作为input，发现自己的结果远没有人家paper里吹的那么美好，或者干脆 什么信号都没有，那才frustrating
【 在 yikeli (斯德哥尔摩症患者) 的大作中提到: 】 感觉楼主挖坑的。 除非是当pl, 否则生信比纯生物还吃力不讨好。生信狗同意 nowhere7 前辈的每一句话， 生信真的只能当跳板。 所谓的transferable skill ， 在别的行业积累得快多了。
最近几年大数据和深度学习的风潮起来，数据成了一个最重要的方面，NIH最近对生物
大量投入，产生了大量的数据，比如各种roadmap，encode，在DNA 测序方面，大批的
测序数据进入实际应用。最最重要的是，这些数据，都是真正的生产数据。
为什么称为生产数据？因为这些数据都是真实原始数据的，不是为了某些目的处理过的，除了生物信息，请举个例子，学术界哪里还有这种真实原始的高纬度的数据。对小学校小课题组，比如做computer vision，能用数据库就是ImageNet等专门的数据库。
ImageNet的意义当然毋庸置疑，但是这个数据毕竟是在真实生产中不存在的，哪里来的这么多手工加label的training data呢？
对bioinformatics领域来说，是training非常好的一个平台。学生要自己找available
的数据，要自己找可能有效的方法，要自己找能够用的资源，并且要能快速评估结果，这个training，对PhD学生来说，到了工业界都是transferable的skill。比如Facebook或者Google的里的PhD做的工作，给定目标，比如提高点击率或者啥的，也要自己找数
据源，自己找可行的方法，自己找能用的资源，在bioinformatics中的training的确是受益匪浅的
很没人品你造不？
绝大部分生物背景的弄这个就是跑跑pipeline，parse些结果，看看各种association，根本没机会搞什么高大上的各种learning。
所以一定要摆正姿势，不要觉得自己在探索真知，赶紧趁机自学编程和数学线代统计之类的才是正途。也就是说，很多东西是课题用不上的，你自己借机自学而已
切勿觉得bioinfo是个好去处
这些个high throughput data，里面多少是信号，多少噪音，真的天知道。这也直接导致bioinfo的很多东西，都是试试而非，不能在实际生活，比如疾病诊断中用上。这也
就意味着，没啥钱途，是能学术圈混着
从职业发展的角度讲，还是现实一些好。
如果是有做faculty的情怀，拿全当我没说。
你看的哪些是你老婆在你电脑上看的，后台都不知道啊，还不是要慢慢研究。
哪是信号哪是噪音，都研究清楚了，还要雇PhD干啥？
更好。毕竟做CV的，除了个别牛校牛组，拿到的都是那几种数据，其实研究范围很窄，但是bioinformatics里的数据，基本都是现实数据，并且不管是数据还是方法，都是没有边界的，只要能解决问题就可以
topic就没那么熟悉。
你说的基本就是跑pipeline的工作
人肉数据处理机
费力不讨好
我现在只要让我做pure bioinformatician我就开心了，也就是做纯的“heatmap和
ttest”
命苦啊
数据进去，结果出来
别人觉得你就是会跑跑一些工具罢了
事实大部分时间也是做这些
问题是，即使跑跑工具的活，
各种实验层出不穷，
具体到某种实验，处理的工具还是层出不穷
文档基本都是烂的一坨
这些都是很杀脑细胞的
弄完这些DR们还觉得，结果怎么跟我想的不一样？
我不到万不得已不会碰那些来路不明的软件
文章发得再好，吹的再响也不用
要么用大家检验过的，要么自己写
其实自己写爽多了，完全掌握各种细节
就是没工夫做些花活，帮别人处理东西的话别人可能觉得不爽
这些作者里面，我很服气li heng，特别是他说过
这些工具就应该用default参数就能跑的很好才对
非要你折腾来折腾去的不合理
还有一个华裔，thomas wu，在genetech，十多年如一日的维护他的软件
performance也确实很好，用起来让我觉得很放心
不过我现在对这些都厌倦了
没啥意思，折腾半天对自己是0积累
nowhere7 前辈的每一句话， 生信真的只能当跳板。 所谓的transferable skill ，
在别的行业积累得快多了。
bioinformatics，因为“pay 的高”，而且相对“轻松”。 这确实很能理解。
不过对于做计算，统计，CS的，除非热爱生物学，还是尽早转行比较好。这个行业积累的东西，确实都比较皮毛，长远来讲很不划算。而且，如果真的想加强生物背景的话，还真得花时间学习生物知识，以便和生物学家沟通。有这时间真不如多刷题做题，练习coding呢。