如何自学生物信息学：从菜鸟到专家 |
您所在的位置：网站首页 › 如何自学物理竞赛知识 › 如何自学生物信息学：从菜鸟到专家 |
|
如何自学生物信息学：从菜鸟到专家
2020-11-23
生物信息
| 阅读
文章目录
看透了如此多的秘密，我们已停止相信尚有不可知之物。然而，那不可知之物却仍然坐在那里，冷静地舔着自己的嘴唇。 ——H.L. Mencken 尽管人类已把航天器送出太阳系，奔向了无尽的宇宙。而人类的眼睛，借助天文望远镜早已延伸到亿万光年之外。尽管蕴藏在原子内部的巨大能量已被发现并加以利用。但时至今日，人类对自身的了解，才刚刚起步。 一、生物信息学：源起人类基因组计划（Human Genome Project，HGP），是人类下定决心认识自己的开始。这是一项可与阿波罗登月媲美的宏伟工程，它的目标，就是测定人类的基因组序列。随着计划的开展，产生大量的基因组数据面临分析困难，计算机辅助分析的手段不断被开发出来，进而形成了一门专业的学问——生物信息学。 下面是人类血红蛋白的一个beta亚基（HBB）的基因序列。这种序列类似于一副扑克牌，但只有不同的4张，分别是A、T、C、G。所有核酸都是由这4张牌不同的排列组合而成。比如人类基因组中这样的牌有30亿张。生物信息学是处理海量序列数据的利刃，是遨游数据海洋的一叶扁舟。 1 2 3 4 5 6 7 8 9 10 >NM_000518.4 Homo sapiens hemoglobin subunit beta (HBB), mRNA ACATTTGCTTCTGACACAACTGTGTTCACTAGCAACCTCAAACAGACACCATGGTGCATCTGACTCCTGA GGAGAAGTCTGCCGTTACTGCCCTGTGGGGCAAGGTGAACGTGGATGAAGTTGGTGGTGAGGCCCTGGGC AGGCTGCTGGTGGTCTACCCTTGGACCCAGAGGTTCTTTGAGTCCTTTGGGGATCTGTCCACTCCTGATG CTGTTATGGGCAACCCTAAGGTGAAGGCTCATGGCAAGAAAGTGCTCGGTGCCTTTAGTGATGGCCTGGC TCACCTGGACAACCTCAAGGGCACCTTTGCCACACTGAGTGAGCTGCACTGTGACAAGCTGCACGTGGAT CCTGAGAACTTCAGGCTCCTGGGCAACGTGCTGGTCTGTGTGCTGGCCCATCACTTTGGCAAAGAATTCA CCCCACCAGTGCAGGCTGCCTATCAGAAAGTGGTGGCTGGTGTGGCTAATGCCCTGGCCCACAAGTATCA CTAAGCTCGCTTTCTTGCTGTCCAATTTCTATTAAAGGTTCCTTTGTTCCCTAAGTCCAACTACTAAACT GGGGGATATTATGAAGGGCCTTGAGCATCTGGATTCTGCCTAATAAAAAACATTTATTTTCATTGC参考：为什么说生物信息学是真正的大数据专业？ 二、生物信息学：全景生物信息学的应用领域非常广泛。小到细胞，大到生命之树，只要是生命，就有核酸，只要有核酸，就有测定序列的需求。 因为核酸是遗传信息的载体，遗传信息描绘了生命的蓝图。种瓜得瓜，是男是女，都由遗传信息决定。 测定核酸序列，才能从源头上探索生命的奥秘。当然我们也要小心还原论，认为只要测定序列就可以知道生命的所有秘密。但是对一个生命的研究，没有其核酸序列显然是不完整的。 我们可以从三个视角来总结生物信息学的应用领域，分别是： 细胞 生物体 生命之树。我专门有一篇文章介绍：生物信息学：全景，在此不展开。 三、从菜鸟到专家 1. 职业前景生物信息学作为交叉学科，既要生物学知识，又要数理知识，还要编程。很多初学者往往感觉无从下手，产生畏难情绪，这是对自己的定位不清楚的结果。 我把生物专业人员的职业发展分成三个方向： 生命科学专家。就是专注于解决生物学问题，不需要花心思去掌据计算机知识，可以与生信专家合作。生物信息学是数据驱动的科学，你手里有好数据，有资源，不愁没劳力、没合作者。很多老板，PI，就是这类人。 计算生物学家。专注于开发生物信息学软件，为行业提供工具的人。比如开发短序列比对软件BWA等一系列工具的李恒等。他们是Tool makers。 介于两者之间，既懂点生物，也懂点编程，这就是搞生信的绝大多数的普罗大众了。通常是Tool users。 有没有两者融会贯通的顶尖高手呢？我暂时还说不上一个名字来。 2. 基础知识假定你我都是第三种人。身处第三世界，那如何获得比较优势呢？ 分子生物学和细胞生物学，掌握基础知识。 Linux，熟练掌握常用命令； Python，熟练掌握基础语法；以上三种技能，需要优先掌握。并且这三种技能是可以在短时间内攻克的，一旦学会，终身受用。 对生物学知识的要求生物信息学一开始对生物学的要求并不高，只需要具有分子生物学和细胞生物学基础知识就可以了。知道细胞里面有什么，中心法则上下游的一些概念。 参考书：《基因XII》。 为什么要学Linux？因为生物信息学处理的数据通常比较大，普通笔记本和台式机根本承受不了，必须放在服务器上处理。而Linux是最常用的服务器操作系统。很多生信软件都是为Linux系统开发的，不会Linux，就没法使用这些优秀工具。不用担心，Linux是非常容易掌握的，因为我们的目的是使用，而不是研究操作系统。 参考书： 生信人的自我修养：Linux命令速查手册。相关命令我整理在一篇文章中，掌握这些命令足够用了。 《鸟哥的Linux私房菜》。作为参考书帮助理解上述手册中的命令。 为什么要学Python？生物信息学使用各种软件，如何把不同软件串联起来工作，Python就是非常好的胶水语言。其次现成的工具有时不能满足数据分析的所有需求，难免需要自己写一些脚本协助解决，比如软件可能会给出许多结果，其中有不少的噪声，如何过滤这些结果，需要脚本。下面是一些比较好的教程。 《Python简明教程》。适合快速入门。 廖雪峰的Python教程。主要是掌握Python的语法，数据类型，文件读写等基础知识，像图形界面，网络编程，数据库可以先不用学。 Python官方文档。官方文档是最好的学习资源。入门之后，应该反复看官方文档。 聊一聊Perl和R。早期生信人用Perl写的一些代码，现在还在工作。因此能看懂Perl代码很有必要，花点时间看一下基本语法就可以了。内置正则表达式是Perl的一大特色。而正则表达式在学习Linux和Python时，也需要了解。Perl总的来说是一种过时的语言，大量符号也不符合快乐编程的需求。人生苦短，我用Python。 R，其定位是一个综合的统计绘图软件，不是一门编程语言，这点需要清楚。因此就算精通R，也不可不学Python/Perl。 最佳生物信息工作环境最佳生物信息工作环境：Mac篇 最佳生物信息工作环境：Windows篇 SSH应用，如何优雅地登录远程服务器？ 生物信息基础：conda包管理器安装和使用 生物信息基础：实用Git命令，掌握这些就够了 3. 成为工程师 组学知识生物信息学为测序而生。当前最成熟，应用最广的是二代测序（Illumina，MGI，Ion Torrent）。目前格局大致如下。 一代测序通量低，数据分析容易，因而不需要太专业的人才。 二代测序上游的PCR技术，现在面临NGS的全面挑战。PCR在特定领域有用，如新冠检测；但难堪大用，如肿瘤基因检测方面。 新一代的三代测序，没二代配合还很难单独形成应用 蛋白组，代谢组，刚刚兴起。 组学涵盖面也是非常大的。有DNA-seq、RNA-seq、ChIP-seq，基因芯片等。拿DNA-seq项目来说，涉及多个环节，每个环节可能就是一个工作岗位。 基因组如何获得？ 测序，组装。测序花样多，二代，三代，Hi-C，光学图谱等，用一种技术，还是几种技术组合？有无参考基因组？情况不同，组装策略也不一样。 从研究对象上来说，有人、动物、植物、微生物、病毒、线粒体、叶绿体，不同的研究对象，测序和组装的手段可能都不一样。 基因组中有什么？ 注释基因组中的有效元件，如基因等。这是数学上的模式识别问题。同样研究对象不同，需要的生信手段也不一样。 比较基因组学 这是目前的热门。如临床上肿瘤基因检测，微生物基因检测等。以肿瘤基因检测为例，需要检测样本中的各种生物标志物，如：SNV/InDel，CNV，Fusion，TMB，MSI，LOH，HRD等。通过我这篇《基因大数据智能生产及分析》笔记。从中可以看到，仅仅在健康领域，基因组学和生物信息学的应用之广。 生物进化 通过基因组测序，研究物种的进化以及迁徙等，满足人们的好奇心。 由此可见，即便只是基因组学，一个人想掌握所有环节都面临巨大挑战。因此不要试图什么都学，要聚焦自己的课题，否则会很焦虑。 要说哪些东西是组学中必须掌握的，我觉得有以下这些。 测序原理：一代、二代、三代测序。Illumin、MGI、Ion Torrent、PacBio 基本的文件格式：Fasta, Fastq, BAM, VCF, GFF 数据质控：fastp，Fastqc, Multiqc 比对软件：blast等。序列相似，推断结构相似，结构相似，推断功能相似，是生物学的基本假设。因而要深刻理解生物信息学中相似性比对的思想。 其他东西都是根据项目不同具体去了解，比如： 重测序WGS：主要就是走GATK最佳实践流程（针对人类）。 重测序Panel（WES/大Panel/小Panel）：主要走Fastq -> BAM -> VCF -> 变异注释流程，用到的软件fastp，bam, samtools，bcftools, varscan, annovar, snpEff, VEP等。 病原微生物检测：主要是质控 -> 降噪 -> 去嵌合体 -> 生成OTU表 -> 物种鉴定 -> 功能鉴定。用到的软件，fastp，vsearch, usearch, Qiim2等。 参考书/在线课程： 《Bioinformatics Data Skills》——讲得基础。印象最深的是介绍find + xargs + parallel用法，至今受用，其他忘了。 《高通量测序技术》——李金明。介绍高通量测序在临床基因检测中的应用。 《生物信息学与功能基因组学》——非常好的入门教材。 《北京大学生物信息学在线课程》——偏重算法。 《山东大学生物信息学在线课程》——我没看过，但很多人推荐。 《陈润生院士中科院生物信息学课程》——课程虽然有点老（07-08年的），但讲解的知识现在也不过时。我当年主要看这个课入门，其次是北大的课。 我的转型之路：一个生信人的自白：从生物转生信，我的学习与工作经历 理论联系实际最好的学习方法是项目驱动。每接手一个项目，都把它做到极致，这样随着经验的积累，能力自然也提高了。如果没项目，有这几个选择： 找实习单位：有两个大方向，科研或者临床。 参加竞赛：建议先用瓶中基因组计划中的NA12878样本，走GATK最佳实践流程，GATK官方网站有详细的使用文档。 复现文章套路：套路不在多而在精。业内经常举办一些“竞赛”。组织者获得一些问题的金标准“真相”，如组装一个基因组或评估变异检测流程的准确性等，然后邀请业界内成员在一定时限内来竞争解决这些问题。通过比较基于不同方法的结果，组织者可以评估每一种方法的性能，即真阳性和假阳性，真阴性和假阴性，并通过定义灵敏度和特异性来了解选用何种工具。一些竞赛案例如下。 名字/首字母缩写 竞赛 GIAB 瓶中基因组计划 Alignathon 比较基因组比对方法 EGASP ENCODE基因组注释评价项目 Assemblathon 比较基因组组装软件的效果 GAGE 基因组组装金标准评价 ABRF 生物分子资源设施组织（ABRF）磷酸化评估 CASP 结构预测的重要评估 CAFA 蛋白功能的重要评估 CAGI 基因组解释的重要评估 PrecisionFDA Truth Challenge 精准FDA真理挑战赛 Rosalind 通过解决各种问题学习生物信息学值得一提的是瓶中基因组计划，其中的NA12878样本，被认为是研究得最清楚的人类基因组，因而是一个非常好的学习材料。此外临床基因检测方面，有一些室间质评的数据，带参考答案。这对于构建一个分析流程来说非常重要。除了用模拟数据，带标准参考答案的测序数据，对于检验流程的性能很有用。 4. 成为专家选定一个领域，精耕细作，深挖一口井，假以时日，必有所成。专注一个领域，这样你虽然在就业市场上面临的选择少了，但是你精于某一方面，反而更容易找到工作，并且能谈到更高的价钱，毕竟你要的不是一个行业，你要的只是一份工作，要那么多工作机会干啥？一个就够了。 专业，你唯一的生存之道。 ——大前研一《专业人士》 掌握一门高级语言C/C++，Java，至少学一样。行业优秀软件如BWA，Samtools等，是C/C++写的；GATK，VarScan，snpEff等是Java写的。虽然咱们平时干活主要用Python，但掌握一门高级语言，有两大好处： 可以编写高效率软件 看懂优秀组学软件的源码参考书，C++的： 《C++ Primer》 《C++编程思想》 《Effective c++》 研究优秀生信算法这一点尤为重要，甚至比自己写软件重要。因为我们大概率写不出优秀的软件。但看优秀的源码，在IT行业是常识，生信也应如此。很幸运许多优秀的生信软件都是开源的，我们有机会通过源码，知道软件具体的工作方式。如此生信技能必将上一个台阶。这是一块硬骨头，也是成为高手的必由之路。 建议结合一本书看：《生物序列分析Biological Sequence Analysis》。曾经华大基因的王俊称赞这本书：是生信最好的教材，没有之一。 发现问题，解决痛点作为专业人士，发现问题，解决痛点的能力非常可贵。这个时候你不再是一个跟随者，而是某一个领域的开创者。 期刊杂志：Nature， Science，Cell，Bioinformatics。获得行业新视角。 行业会议：尽量多参加重要的行业会议。 行业政策：行业相关重要的政策文件，比如临床上各种指南、专家共识等。 行业报告：比如基因慧的行业报告就很好。 行业论坛：Biostars。专业的生物信息论坛。 最重要的：Google，国内Bing。搜索引擎能解决大部分问题，往往比问人快。最后附上《专业人士》对专家的定义： 有强烈期盼成功的欲望，对自己能够获得成功，充满自信。时刻保持一颗好奇心。为自信提供源源不断的动力。不敢怠慢自己的智慧，努力自我成长，为顾客提供最大价值。并能遵守纪律。达到以上条件的人就是专业人士，也称为专家。 四、求知若渴，不止生信读书和运动，是普通人成功的捷径。 《物种起源》——达尔文。生命科学永恒的经典，书中的书。若只读一本生命科学著作，读它。 《生命是什么》——薜定锷。从物理学角度看生命是什么：生命是逆熵，生命通过耗散能量来维持自身的秩序。 《遗传学》——刘庆昌。与《基因XII》一样，案头必备。深入研究生命科学，遗传学必须精进。 《基因论》——摩尔根。遗传学经典科普读本。 《自私的基因》——理查德·道金斯。我们都是基因的奴隶。 《DNA：生命的秘密》——詹姆斯.沃森。DNA之父的作品，必读。 《上帝的语言》——弗兰西斯.柯林斯。一本有意思的书。作者是领导了人类基因组计划（HGP），他说自己的工作就是为了证明上帝的存在。 《基因传》——悉达多·穆克吉。关于基因的科普。 《癌症传》——悉达多·穆克吉。天生万物，死生轮回。癌症是否设定了人类寿命的极限？ 《癌症.真相》，《癌症.新知》——李治中。癌症科普图书。 《人类简史》，《未来简史》，《今日简史》——尤瓦尔·赫拉利：人类简史三部典。我们从何处来，向何处去？从人文主义，到数据主义，再到半人半神，是否就是人类演化的方向？ 《成事》——冯唐。要成事：结硬寨，打呆仗。 《明朝那些事儿》——当年明月。隐忍，知行合一。 《卓有成效的管理者》——彼得·德鲁克。管理者必须卓有成效。 《能力陷阱》——埃米尼亚.伊贝拉。人们习惯于做自己擅长之事，陷入自己的能力陷阱中不可自拨。作为专业人士尤其要注意，有机会要尝试跳出舒适圈。 《原则》——瑞.达利欧。关系 > 事业 > 金钱。 《你要如何衡量你的人生》——克莱顿.克里斯坦森。生活除了眼前的苟且，还有诗和远方。 五、最后总结生物信息专业人士的成长路线是： 掌握细胞与分子生物学基础知识 掌握Linux常用命令 掌握Python编程基础 学习组学相关知识 学习一门高级语言 研究优秀生信算法 发现问题，解决痛点，成为专家作为一门交叉学科，生物信息学的入门是容易的，所需的计算机，数理知识，在这些学科看来也只是入门水平。因而很容易跨过初学者阶段。但我们始终要明白，所有的计算机，数理知识，甚至云计算，5G等技术，都是为生命科学服务的。我们似乎绕了一大圈，又回到了生命科学本身。 推动生命科学进步的，唯有生命科学家自己。 标题：如何自学生物信息学：从菜鸟到专家 版本： 1.0 日期：2020-11-23 1.1 日期：2020-12-01 觉得内容不错，请点赞、评论或分享给需要的朋友！ 如果你热爱生物信息学，欢迎关注我的知乎，或公众号：简说基因 博客地址：https://jianzuoyi.github.io/，在这里从零开始学习生信 文章作者 公众号：简说基因, 知乎：简佐义 上次更新 2020-11-23 许可协议 本站文章皆为原创，转载需注明作者及文章链接，谢谢！ 生物信息 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |