如何从零开始掌握生物信息分析技巧

编辑推荐：

今天的世界大不同，表现在生命科学研究领域，就是一切都开始进入了大数据时代，无论是DNA序列，显微图片，还是质谱数据，研究人员都越来越需要对这些庞大的信息进行收集、整合、处理和诠释。

对于许多生物学家们来说，这并不容易完成，传统的科研培训方式主要集中于科学的基础原理和实验方法，而不是计算机编程和数据统计，因此当不少研究人员发现自己需要面对大量的数据量时，他们不知道如何处理这些问题。

目前其实也不乏现成的计算工具，而且不少都是免费的，但对于门外汉来说还是有些难。通常情况下研究人员还是需要深入了解这些界面并未友好的程序，才能运行，而这需要计算运行的深厚知识。

这就会导至研究人员在进行大数据研究的时候，不得不自己编写一些程序来进行可重复和得到证实的信息处理。然而这些过程也需要小心处理，一不留意犯错了，就有可能危及数据本身。

近期The Scientist杂志联系了几位科学程序员，了解他们所使用的工具是什么，如果是菜鸟需要进行哪些训练等。


选择一种语言

生物学家可以从各种各样的编程语言中选择一种，对于许多应用来说，随便选择一种都可以，不过目前最流行的可能就是Python 和 R。“就目前而言，这就像是科学研究的二重奏”，来自加州大学戴维斯分校的生物信息学家Vince Buffalo说，他刚完成了一本名为《生物信息学数据分析技巧》（O’Reilly Media Inc.）的新书。

Python 和 R相对来说都比较好用，但前者能完成多项任务，而后者主要针对的是统计方面的内容，两种语言都有其各自的使用用户群，因此具有特定功能预生成代码（prebuilt code）数据文库，比如以R语言为基础的Bioconductor Project (www.bioconductor.org)，能为显微，测序和芯片数据提供模块。另外Python 公共文库也有：Anaconda (continuum.io/downloads)。

来自华盛顿大学基因组科学系的助理教授Cole Trapnell利用R语言完成了单细胞基因组数据集的处理，“单一细胞基因组学问题牵涉到许多的统计学方面的内容，R语言很适合。”

此外，还有一种受到大家认可的语言，那就C/C++（Julia (www.julialang.org)），这种语言特别合适用于那些相对较慢或内存密集型任务，Trapnell说。

如果能将Python的语法，R语言的图形灵敏性和C++的速度结合在一起，那就完美了，“这也就是说，这种代码很好编写，而且也很快，”来自加州大学戴维斯分校的遗传学副教授Titus Brown说，但这需要你花费大量经历掌握这些语言，他建议，可以选择你同事已经在应用的语言，这样他就能帮助你解惑。

未完待续……