研究生物信息学算法模型或者说数据驱动建模方向还有前景吗？

John

生信领域研究生，本科数学专业。入门生信也两三年了，总觉得自己对于生信看得比较浅薄。我们组的研究方向主要是针对单细胞多组学数据设计网络模型来完成去批次已经整合多组学数据之类的这种经典的单细胞研究问题。看多了这方面的文章以后，以及随着大模型越来越热，发现很多甚至于是nature子刊上的文章都会拿一些NIPS、KDD等计算机会议上的一些模型架构直接应用到生信问题中再做了一些改进，就是一片新的文章。似乎对于生信文章来说，由于数据的高维和大规模，模型主要是为数据服务，就是如何设计一个模型和调参能让他在一些指定的数据集上表现比其他方法好，这是我最大的感受。以及我总是觉得一些计算机会议上的文章要比从数据出发设计模型来得更有意思和意义。还请各位大佬不吝赐教，指点迷津。

原文地址：https://www.zhihu.com/question/1906505400762741329

感恩由您

现在你才知道所谓的AI其实跟生化环材都是不争上下的。
遥遥领先虚假繁荣但硬骨头不啃。
你生信能秒出结果吗，不还是架linux？

检验医师

要看有没有前景，先确认一下其核心竞争力具体是什么。
生物学问题驱动：生信的核心在于解决生物学问题（如疾病机制、细胞异质性）。模型的应用和改进是为了更准确地提取生物学信号。


生信爱好者周刊（第 30 期）：生信的核心修炼道路在哪里？-腾讯云开发者社区-腾讯云
当知道具体核心问题时候，就可以根据题主的自身情况进行拓展了。
<hr/>题主本科是数学，现在已具备了两三年的生信经验，目前已经看到的问题核心其实是：

“我更喜欢模型方法的设计与创新，而不是围着数据调参。”

这是个好事，意味着具备“方法驱动”而非“数据消费型”的科研思维。相比之下，很多生信研究者仍困于软件工具的调用或数据分析流程的构建。题主已经开始关注“建模思想”，并能识别出很多生信文章中的方法就是复用与套路改写的，这其实是科研思维成熟的表现。
造成这个问题本质上源于当前生信（特别是单细胞领域）高度应用驱动，评判方法的标准是：

能否对特定生物数据处理流程带来性能提升？是否能揭示新的生物 insight？是否能落地？

相比而言，个人认为计算机领域更多强调新的模型的可解释性、算法复杂度、新颖性、泛化性等“理论贡献”。这也就是题主觉得“计算机顶会文章更有意思”的根源所在。但是算法也需要有具体的应用场景和前提。
所以这个时候，题主需要搞清楚一个核心问题：

需要明确自己是想做“算法推动生物科学”的研究者，还是“生物问题推动算法”的实践者。

<hr/>若你希望走“方法研究”路线：

• 深入学习 图神经网络、深度生成模型、对比学习、自监督学习、变分推断等基础模型理论
  
• 持续关注 NeurIPS/ICLR/ICML/Bioinformatics/RECOMB 上的交叉学科论文
  
• 用真实的单细胞数据作为验证，但不受限于是否服务于某个具体生物发现
  

若你希望做“方法赋能生物”的研究者：

• 保持你对模型结构和创新的关注；
  
• 但要培养 biological question → computational abstraction → model design → biological validation 的能力；
  
• 提升对文献中的生物结论解读能力，比如：某个模型改进是否真的带来了biological insight，还是纯 benchmark 精度提升。
  

长长的路

说说我的愚见。
1.前景还是钱景？你打算往学术界还是工业界发展？
算法模型，如果有能力搞肯定更好；如果能力不够，搞数据驱动的也不是不行，至少要毕业。最后，任何模型都要靠数据证明自己。
越前沿的，发文章越有利，有利于走学术路线。企业需要的东西，即实用的方向，发文章困难，毕业困难。但生命科学领域去企业也大概率搞科研，钱景都不大。能搞模型毕业去IT/互联网大厂才有钱景。

2.学术界的现状思考： 当前自然科学领域中大生命科学只推崇"科学问题"，而轻视技术开发。认为做工具的处于鄙视链的最底层，买技术或者用现成技术快速做科学问题才是当前的正道。
用现有的技术是最快的。花钱外包/或者直接雇人做测序、分析，甚至委托实验验证某个细胞、分子信号通路，研究者只需整合资源、编故事，这样才能力争快速在高影响因子、高分区期刊发表文章。这种模式被反复验证为学术成功的捷径。
而花大量时间在技术研发上，必然耽误你做科学问题的时间，或者拖慢你的速度，最后很可能被边缘化到去科研服务企业，当被压榨的乙方技术或销售。当然能跳坑，去互联网大厂做模型就没这个顾虑了。

清风寡欲

感觉这个问题有点儿像在2001年互联网泡沫破灭之后问：现在学计算机还有前景吗？
人工智能这一波爆发后现在的发展大部分还是集中在计算机和自己玩耍，少量接触到广泛的传统业务，如自动驾驶之类的。2024年诺奖的化学奖我记得颁给了多伦多大学的一个计算机科学教授，以表彰他将AI应用到（好像是）蛋白质的分析中，大幅度加快了这个领域的研究速度。听说颜宁博士在普林斯顿混不下去了也是因为她的传统蛋白质研究方法（冷冻电镜）在Google的AI的影响下已经过时了。
总的来说AI进入传统生活领域才刚刚开始。等着你的东西多着呢。最近有新闻说AI会大幅度提高生物制药领域的发展速度。不过在国内，因为药品研发的投入不够，大多数药厂都向往着莲花清瘟那样的研发速度，所以生化环材都是天坑。我的建议是出国读个博士，欧美药厂会很欢迎生物信息的博士的。

继续前进

你纠结“这么干的意义”，它是在提醒你跑了。
要相信自己的怀疑，没必要和自己的价值观过不去。
你现在跑，还可以在别的领域重新思考、寻求、获得意义；你现在不跑，就算去了美国，做最有意义的生信课题（世界话语权中心在美国，最顶尖、开创性的生信，也在美国），你也会有一种感觉：历史上关键节点的人物虽然有贡献，但也都是耗材，谁干都可以。
ai for science确实如你所说，就是蹭热点，热度过了泡沫会破裂，技能不可迁移。
历史上这些历史泡沫很多很多，每一个在那个节点的人都会隐隐约约怀疑，最终得到一个和怀疑一致的真相。绝大多数时候如此。
你现在纠结这些，是你的内心提醒你，你这么做不切合内心，不符合你内心真正的价值观。
如果你的潜意识觉得一件事有意义，大脑会给你真正的反馈，你觉得没有意义，是因为你没有安全感、获得感，而这根本原因是渴望自己的位置以及钱，你很可能是觉得生信博士或者直接就业，对自己赖以生存的生态位置/自由/钱，都不好争取。
人的自由大概三个方面：经济自由、做决定并且行动自由，思想自由。
<hr/>除了润的情况，其他的转行建议直接转，论述请看：
转行不存在一个最优化选择