为什么做实验的人觉得生物信息数据分析很容易？

心中u你

在学术界和工业界这些年，经常发现在web lab 做实验的和从事数据分析bioinformatics scientist 之间在交流上有很大的隔阂，互相不理解。和身边做实验的交流，感觉他们认为生物信息数据分析是个很容易的事，跑跑pipeline 就好了。标准化的流程分析也许简单，但后续customized 分析很花时间，如何解读数据，数据中有什么问题，采取何种好的分析方法都很花时间。

原文地址：https://www.zhihu.com/question/638672346

清风寡欲

因为他们懂的比较浅，不理解是正常的。实际上很多做生信的也不懂生信，或者说，不懂生物，就容易闹笑话
很多湿实验实验室的干实验都是外包的，公司测序出标准报告，然而这只是为了赶时髦，上点组学，下游的功能验证早就做好了，组学只是锦上添花，做给审稿人看的，不然审稿人总会问你为啥你能找到这个基因，那个蛋白
做生信的很可能不懂生物，即使他是生物出生的。一个是掉进统计学陷阱，觉得有相关性/显著性，这几个基因就在某一机制中起协同作用，然而这种机制问题其实需要严格的分子生物学实验验证，不然好一点的期刊都是不认可的。另一个是数据滥用，喜欢标新立异，不按照套路出牌。优质套路文章虽然套路，就是测个多组学然后XXX，但是别人的方法学不会受到任何质疑，文章是有保底的。而你一旦想着破除套路，用所谓的"新方法"去解决老问题，就会受到方法学合理性的质疑，因为没有别人这么玩，你是第一个，那你最后很可能底裤都没有了
综上，生信的受轻视，是湿实验人的不了解以及生信人的不自重共同造成的，很多时候，我都觉得生信被鄙视真的不冤

感恩由您

1.跑pipeline做调包侠算生信，但并不是生信的核心。生信的核心是算法开发。
2.受益于github这种开源平台，让生信码农的学习成本降至极低。实验的protocol不确定性太多，而代码和环境是直观可见的，使得生信人更容易站在巨人的肩膀上，也使得很多人有了生信很简单的误解。如果没有Seurat，scanpy这种package/module，分析单细胞数据最起码也是个原代类器官培养的难度。
3.wet lab在掌握各类测序技术的建库上机流程之前是没有资格嘲讽生信的。国内的测序尤其是医院多数都是外包，有几个懂建库原理的？医学圈很多人连align是什么都不明白。

卡卡

最主要原因就是做实验的看着做生信的只需要对着电脑就完成了，而他们不但需要对着电脑处理文件数据，还要辗转于各种实验平台，体力劳动拉满。有点类似蓝领看白领感觉对方天天空调房享福的感觉，再加上带入自己在电脑上工作的经验，自然感觉很容易。也有一种情况是，有人用公司分析的套路结果框框发文章，所以被旁人觉得很容易，随便准备一下样品又是一篇，比苦逼做实验容易多了。
如果观察再认真一点，还可能看到做生信的人电脑上打了几行命令运行上就开始摸鱼了，这也太容易了吧！但是脑力劳动跟体力劳动就是有区别的，生信流的主要工作量是靠电脑做的，人主要负责指挥电脑干活，实验流的很多工作量还是人力来做的。电脑的效率自然也是比单人人力高效的多，任务完成所需时间就少了，做题家自然认为时间少的活不难。这方面来说，真正对应生信流的其实是指挥师弟师妹干活的实验流大师兄，根本不是一个赛道的。
不过话又说回来，实验流鄙视生信流的情况我感觉并不多见，至少在我周围的小作坊课题组并不多见。可能更多见于干湿分离的大组，这种大组会有一个矛盾，生信流的数据很大程度来源于实验流，那么是数据基础更重要还是数据加工更重要呢？这种大组通常的传统观念是，数据基础更重要，实验流更生物，生信流是外道走捷径，甚至不怎么依托于具体的生物对象，署名也多是先湿后干，自然会塑造出生信更容易的误解
我其实水平也高不到哪里，大多数时候就一个跑pipeline的，最多加上几步简单的数据处理冒充一下最初级的算法，在类似话题下就是生信人的底层，滥竽充数纯混日子的那种，但是很少看到有人达到哪怕是我这个水平。是有，当然也有更强的，但真的不多。所以我周围的人并没有觉得我有多水，甚至还觉得我有点水平
实际上生信的门槛是很难越过的。我前前后后带过差不多10个师弟师妹，大多数后面都自愿去做实验了。只有三四个没太大阻碍能达到入门水平，但这三四个还是觉得做实验更容易，或许是路径依赖吧。其他的虽然多多少少都能按部就班跑一些命令，但缺乏灵感，可以说不是做生信的料子。只有一个，最终走上了生信路，达到了随便发三区的水平。我相比之下熟练一些，发二区没什么难度，但是一区就要花时间琢磨了。在我的水平往上，各个层次的一区包括CNS都能发纯生信的研究，只是难度不同。相比之下，干湿结合瞬间能够提升1-2个档次。
当然所谓的pipeline跟算法其实也没刻板印象那样差了多少档次。NBT一样有发pipeline为主最多加上简单数据处理的工具方法，有的深度学习科班出身做炼丹最后发个不知名期刊，数据还不公布或者没做用户测试根本跑不动。生信其实还是基于生物的学科，只要你做的符合生物研究的需求，其实不需要多高端的技术水平。
至少目前，能跑pipeline的水平也足够了。当然，这也不是特别容易的事情，因为你会遇到各种各样的bug，没有处理问题的能力还是很难跑的动数据的

继续前进

看你如何定义生信，跑pipeline的确是很容易.
conventional, 传统生信说的是alignment，assembly，variants calling那一块，比如liheng那一边，做genome study的
现代生信包括做system biol，population analysis，model simulation， graphic analysis，主要是做quantitative model的
广义生信包括是AI，统计，math analysis，做生统的
超广生信是biophysics，molecular dynamics之类跨学科跟生物和computational相关
调包作图的不是生信，是生信下游的用户，美食家确实有可能需要知道菜怎么做，但和厨师还是差很远的

同花顺

我读研的时候老板会问，你喜欢做工程还是做科研？
啥区别？
做工程的就是自己做一套算法、小工具、模型、pipeline、R包、数据库、软件、webservice......你只要切入角度够刁钻（有应用落地的地方且别人没做过），或者性能比现有的工具强一丢丢，就可以了，文章肯定能发的。
做工程绝对能有成果，不会失败，只是够不够好的差别，绝对不会延毕。
但是research，可能做了一圈，哦嚯，negative result。
胜败乃兵家常事，少侠请重新来过，延毕~
从这个角度来说，生信容易。

实验和生信的关系有点类似养鸡和烹饪鸡。
养鸡的成本高、周期长、风险大，可能会鸡瘟夭折；
烹饪的成本低廉、时间短，不管难不难吃，弄熟了即可，“多简单”。

说生信容易的实验人员，原因就是只要我把流程跑通了我就算会生信了——
“我会处理测序原始数据、做进化树、差异基因分析、通路分析、ggplot画图、run一些现成的脚本和包我就叫懂生信了~”（实不相瞒，很多纯生信组嫌很常规的操作浪费学生，都外包了，尤其是美工、线上工具的前端等等。我们希望越来越多的实验人员学会自己完成常规分析，就不要push我们给你屎上雕花）
“自己写个R脚本，哈哈哈能运行，但是R好慢啊，老师我要申请算力支撑。”（尼玛我一看三层嵌套循环）
“我运行代码了，没有报错，出结果了，oh yeah完美！”（预处理错了、选错了模型、设置错了参数或者流程不对）

但是专门做生信的，烹饪鸡的标准，绝对不是只把鸡弄熟。
生信新手：我选择了官方推荐的烤箱，把鸡放进去，设置说明书默认参数，然后鸡熟了oh yeah。
生信高手：这只鸡产地、品种是什么？怎么饲养的？几年鸡？有没有下过蛋？活杀还是冷鲜？基于上述信息选择烧、烤、炸、煎......哪种办法最能凸显这个鸡的美味？要不要按摩鸡肉、腌渍做预处理？如何选完美搭配鸡的调料和配菜？火候和烹饪时间怎么把控？摆盘如何呈现？米其林级别的烤鸡出炉 oh yeah。
当然，鸡的肉质特别好（数据好，而且非常贴合你的科学问题），你随便放火上烧熟，可能跟国宴级的烧鸡味道差别不大，顶多卖相差点。这种情况，厨艺加成不大。

但是不好呢？怎么改进？
生信人的手艺应该更体现在处理别人处理不了的料上——质量不好的鸡肉、被扔掉的皮、筋膜、骨头。
原始数据第一手被发表了，或者最优质的、最大块儿肉被鸡的生产者吃了，想复用再发，要在切入角度和分析方法上别出心裁，变废为宝，这才是彰显手艺的时候。
所以生信人的本事不仅在烤鸡上，也要能做出麻辣兔头、夫妻肺片、毛血旺、卤鸭舌这种下水料也能让人趋之若鹜的菜上。

另外，做实验的和生信合作不畅（相轻还好吧，至少我没有怎么遇到），我经历过以下情况：
1 没有理解生信的投入成本。
以前有篇nature纯生信的文章，正文两页纸不到，supplimentary 70多页，导师让我们学习。仔细一看，人家一篇文章用了30多个软件或者工具。查这个实验室的网站，人家课题组十年累积了100多个小工具（发表加未发表的）。我们照它的方法做一遍复现它的结果，愣是花了一个月。
我当时的想法是：本来要解决这个问题，靠这个数据，用常规分析方法根本解决不了，他们想法很巧妙，完全绕开获得不了的数据和解释不了的问题，另辟蹊径设计了一个新方法，然后接下来每一步，包括细微的处理都非常考究，我会思索他们为什么会用这个方法，而不用其他方法，或者有没有比它更好的办法，它在稳健和准确上平衡的很好，每一步都走得优雅、干净，最后感慨能发nature的果然不是靠运气，靠的是他们实验室这么多人、这么多年累积下来的深厚功力。
做实验的人看到的是：他先公共数据库里收集了xxx数据，然后用了三个自己开发的算法，得到了一些结果，有些结果还是已知的，未知的也没有实验验证。感觉就这几个步骤很简单，带图才两页纸，大概几个月就能完成。

2 没有真的理解对方的目标，导致对对方达到的效果不满意。
现实的数据是有很多限制和掣肘的，但是从算法的角度出发，思维更理想化。
一个是追求最优解，一个是追求最好解，但是最优往往不等于最好。
而且新手最容易出现的问题是：
做实验的，我要找个方法最完美的利用和呈现我的数据，讲好我的故事。
做生信的，我要找个最合适的数据体现我算法的优秀。

3 对“复杂”的理解不同。
有些对人来说很简单的事儿，对于计算机来说是极为复杂的；但是有些工业界觉得异常麻烦的事儿，对计算机来说反而是好解决的。
如果一开始合作的切入点跑偏了，落在对方劣势上，双方都会觉得吃力。


反驳一下有的帖子：
有说生信代码要求不高，也不用懂算法，那是十多年前我读书的那个年代，现在cs转生信的可多了，懂算法的人可多了，后生可畏。
说做湿实验的自己做数据更可靠。no，不是数据更靠谱，而是你自己做出来的数据到底靠不靠谱，你心里最有谱儿。
我们以前在处理别人的数据时，一律先怀疑是不靠谱的，check没问题了，才会使用。
比如芯片的话会先看看原始的图像（十多年前公共数据库里最多的还是芯片）。



信号不均一

我遇到最离谱的，有个人芯片上按了老大一个手指印，指纹都清晰可见。
我问这是啥，他说“哦当时拿起来的时候不小心在旁边捏了一下~”
这种你直接看数据看不出来。
还有测序数据，QC很好那是最好的事儿，可是QC不好呢？
是正常的信号衰减？是设备故障？是歧管爆裂？循环丢失？读取2故障？异常的峰值是污染还是基因过表达？遇到各种不理想的问题要怎么处理？如何取舍？还有测序仪本身的参数也要看，太新的机器和太老的机器，误差都会更大些。
当年我们建数据库，分析了400多套公共数据库里的高通量数据，有几个癌旁组织注释疑似错误，因为聚类以后，癌旁非要跟癌症样本挤在一个cluster里，bootstrap（支持度、可信度）非常高，你说它是benign的，我是不信的。
人家数据质量靠谱，但不妨碍你病理的判断出错。
这种存疑的病理错误率非常低，400多套数据里不到10套。但是大多数实验总共才10个左右的样本，错了一个，对于这个数据集本身也是天大的错误。
另外生信可不只是高通量数据处理，跑跑pipeline而已，延伸出去的工作有很多很多很多。