金桔
金币
威望
贡献
回帖0
精华
在线时间 小时
|
问题本身,因为目前所谓做生物信息的人水平参差不齐,投机者太多,不仅是做的人,看得人比比皆是。试问,除了生物信息学,实验科学发表在低IF上的文章不多吗?
我首先dis一下题主所谓的做实验的博士和部分回答者。发表一篇优秀的论文,生物信息的投入不亚于甚至高于实验科学。我看了这么多回答,无非就是围绕以下这些点,容我娓娓道来(可能有些不切题)。
第一,生物信息研究时间短的问题,“相比实验,生信用时短,短则几天,而实验需要论年”。生物信息研究和实验科学研究一样,皆需要大量的时间和精力的投入,(这里撇开灌水和套路的工作,实验科学难道不灌水?)。以生物信息软件开发,数据库建设、算法研究以及具体的系统生物学研究为例:软件开发的周期从提出问题到软件release本身的周期需要快则需要半年-1年的时间,功能复杂,加上文章撰写,用户评测,应用验证等工作 拖个3-5年文章发表是常事(我博士毕业已经三年+,文章到现在还没出来)。数据库建设的周期的核心步骤是在数据整理和结构化部分,有些需要定义流程、写流程、申请和下载数据(这一步是主要限速步骤,国外会好点),重新分析这些数据,半年-1年是常事,文章发表的周期通常在1-3年。算法研究完全是灵光乍现,好的算法需要不断的测试,更新,测试,时间不定,周期1-N。至于系统生物学研究,呵呵,我以后尽量不做,因为拖起周期来,能拖几届毕业生。
第二,对于生物信息灌水的问题, 制度和个人节操大环境下的产物。没有方法学、新的科学问题提出、套路的文章在我看来都是灌水,CNS的一些big name的文章也存在灌水的现象。灌水的文章读起来会让人提不起精神,写到简历里面都难看的要死。我这边的灌水的例子也有不少,最近审到大量灌水文章都是这样的套路(国内国外都有),TCGA数据+差异表达+功能分析+生存预后分析。看了下作者主要是各大医院的医生同僚,这种分析周期不过半天,写文章半天的套路工作发表了无非是为出版社增加业绩罢了(你们讲的时间短在这里)。当然,作为一名优秀的“审稿人”,我还是拒了的,所以有这类想法的同学们,尽量希望这类文章不要落到我手里......,其实这也侧面反映editor的不负责任。尽管我这里宽进严出,杂志上还是刊发了许多同类文章,这些文章的发表其实也就是题主所看到的低分文章,可能没有这些文章,杂志就活不下去了吧。换句话说,没有这些文章,对于一些人,晋升是个问题,考核也是个问题,所以这是不是生物信息的锅呢?
第三,是不是生物信息的文章和实验一起才能高分?错,生信+实验和发高分既不是充分也不是必要条件。我们看到的很多顶级期刊的文章既有生物信息又有实验,但是并不代表两者都有就能发表高分论文了。那么回过头来什么样的工作才能发表高分论文呢? 这个取决于你的读者或者editor看到你的文章能发出“哇”声音(这是有次听nature 主编报告的时候打的比喻),而不是“哦”。你的发现足以引起领域内关注,吸引人眼球,对未来的科学发展有着深远且实际的意义。跟你采用实验和生物信息的研究手段并无半毛钱关系,这些方法的使用无非是为了证明你的观点,验证你的结果以及迎合部分审稿人的需求罢了。 有兴趣读读主推方法学的期刊论文如nature method 、nature protocal、以及我们生物信息学的顶刊,呵呵 bioinformaitcs(反正我没中过,不了解这个刊的尿性)。其中不乏纯生物信息的高分工作。
第四,生物信息的理解,我从不去dis 实验科学,做实验的水有多深,想必大家心里也清楚(欢迎来怼)。但是很对对于生物信息一知半解的过来大放厥词,我看着就不爽。我从本科就对这个学科很感兴趣(那个时候 生物信息在国内处于起步阶段,相关的书籍很少),不是因为他可以方便灌水,而是因为这个学科集多个学科的内容为一体,受制于技术发展的同时,可以集大成的解决各类生物学问题,可以更方便触及生命科学的本质。我这里重贴一下生物信息的概念(wiki的,我觉得还算接近):Bioinformatics is an interdisciplinary field that develops methods and software tools for understanding biological data. As an interdisciplinary field of science, bioinformatics combines biology, computer science, information engineering, mathematics and statistics to analyze and interpret biological data. 这里可以看到,学好生物信息往往要数倍于单一现有专业的学科内容,这也更好的阐述学无止境这个词的概念,也是它最吸引人的地方。最后,高通量测序数据分析不等于生物信息!TCGA数据分析不等于生物信息!meta分析不等于生物信息!
第五,假阳性的问题。预测不代表百分百正确,实验科学有更多的幺蛾子。生物信息可以保证的是,同一批数据,同一个代码、同一个环境可以exactly的复现之前的结果。实验科学则不尽然(很多人说了,为了保证稳定性,怕是还得同一个人做才行)。所以,理论+假设+验证才是判断可信不可信的主要条件,假阳性的谁都有,不相信生物信息的话,你大可不必用他的结果,试一下把2w个基因挨个验证?
第五,生物信息学的一个特点就是可以作为工具性学科,但也不限于工具性学科。作为工具学科的特点就是,利用生物信息技术,你可以很快从一个门外汉插入一个全新的领域,可以快速的探索一个科学问题。不知道做哪个目标?高通量筛选来一套?大案牍术来一套(大数据分析)?文本挖掘来一套?(我就不信NLP挖的速度比你“人工智能”读文献的速度慢)。所以,作为方法学部分,会用和用好才是重点,而不限于你是做实验的还是做生物信息的。另外一方面生物信息是对各类生命科学/医学大数据大海捞针、抽丝剥茧、阐幽抉微和推宗明本的工作,这些大数据的阐述者,生物信息学研究人员的贡献重要而独特,他们的工作应该受到肯定和尊重(这句话来自我师兄兼基友,欢迎报考他的研究生,可以私聊),而不是“生物学研究的工具而已”。或许若干年以后会有个新专业叫生物信息技术,但是他们绝逼不是“生物信息学”。
我记得我以前回答过
从事生物信息学工作,学历和工作经验哪个更重要?“最后,我需要强调的是,生物信息学不是一门工具性的学科,它是一门有朝气并且具有独立学术思维和内容的学科。”
我记得10年前看过一本书的扉页是这样写的:生物信息研究者可能无法获得诺贝尔奖,但每个获诺贝尔奖的人都离不开生物信息的支撑。 10年后的今天,我觉得可能要改个说法了。
可能很多人觉得生物信息是个捷径,觉得万一实验学不好就可以学生物信息。但是根据我这些年的经验来看,这种想法来学生物信息的往往都转去其他学科了,因为学好、做好生物信息真的很难。
To 题主, 很多生物信息文章分数不低,看似简单却也经历若干年坎坷的研究过程。 |
|