本文作者：解螺旋的礦工，轉(zhuǎn)自微信公眾號“堿基礦工”。

前幾天在知乎上，我看到了這么一個問題“如何自學(xué)生物信息學(xué)？”，看了一圈回答后，發(fā)現(xiàn)很多答主自己也是初學(xué)者，可能都還在摸索中，回答也沒有真正抓到重點(diǎn)。作為一個過來人，我覺得這個問題其實(shí)還挺重要的，相信也困擾著不少人，因此在這里我想嘗試回答一下這個問題。

什么是生物信息學(xué)

生物信息學(xué)與以往的傳統(tǒng)生物學(xué)不同，它本身是一個混合體，而且在今天看來它應(yīng)當(dāng)還要包含現(xiàn)在的NGS和基因組學(xué)。我認(rèn)為，它重在數(shù)據(jù)，因此在這個領(lǐng)域中比較重要的是數(shù)學(xué)和計(jì)算機(jī)——計(jì)算機(jī)我指的是：編程能力和算法設(shè)計(jì)能力。這是我的切身體會，許多生物知識其實(shí)可以往后慢慢學(xué)，不必一開始花費(fèi)大量時間補(bǔ)充生物知識。

但生物信息畢竟還是和生物有關(guān)，毫無生物知識其實(shí)也說不過去。那么對于初學(xué)者來說，想要進(jìn)入這個領(lǐng)域，我覺得一開始需要重點(diǎn)搞清楚幾個基本概念。比如，什么是基因組，什么是轉(zhuǎn)錄組，什么是蛋白組，什么是染色體，什么是基因，什么是基因重組，什么是進(jìn)化/演化，什么是表觀遺傳，什么是變異，變異類型有哪些，NGS技術(shù)是什么，測序儀的工作原理是什么，DNA是如何被測出來的等這些東西。因?yàn)椋阒挥姓嬲私鈹?shù)據(jù)是如何來的，才能更好地明白數(shù)據(jù)該如何處理和分析，以及如何才能有效地挖掘出它背后隱含的生物知識。

至于分子生物學(xué)中諸多涉及細(xì)胞機(jī)制機(jī)理的知識我覺得在剛開始的時候反而可以緩一緩。我本來是學(xué)物理的，做生物信息可以說是半路出家，但其實(shí)沒覺得有什么障礙，后來實(shí)際需要的時候慢慢補(bǔ)上即可。推薦大家買本《基因X》屯著——這是一本有厚度的基因必讀書（曾經(jīng)是《基因8》），作為參考書，平時有空的時候記得多翻翻。

此外，我覺得盡量避免去看生物信息學(xué)導(dǎo)論那類書，很多都太舊了，用處不大是一個方面，關(guān)鍵是還會浪費(fèi)不少時間。

好奇心、興趣和目標(biāo)

這應(yīng)該是促進(jìn)我們學(xué)習(xí)的第一要素。所謂，“知之者不如好之者，好之者不如樂之者”。興趣的力量是強(qiáng)大的，基本上是你樂于繼續(xù)下去的動力來源。如果僅是以賺錢為目的的話，那么我覺得還是另擇一行吧，有很多其它更適合賺錢的領(lǐng)域。那么話說回來，要培養(yǎng)興趣的話，我們可以先了解現(xiàn)在整個基因科技行業(yè)的發(fā)展情況，了解學(xué)習(xí)這些知識都可以做些什么，能夠解決什么問題。然后再定一個目標(biāo)，完成一個具體的項(xiàng)目，自學(xué)最怕沒有目的性，在沒有他人可以指導(dǎo)的情況下，很容易迷失方向。但如果沒條件的話，可以嘗試?yán)矛F(xiàn)有的數(shù)據(jù)（比如：千人基因組項(xiàng)目，GIAB等）復(fù)現(xiàn)它們的成果，甚至只是構(gòu)建一個分析流程也行，這樣子學(xué)起來才會比較高效，同時也有利于夯實(shí)所學(xué)的知識。

使用Google

條件允許的話，請使用Google。在這個信息時代中信息已經(jīng)足夠多了，使用Google至少可以更快讓你找到想要的東西，而學(xué)習(xí)生物信息，我們經(jīng)常需要找東西。

那么，在有了上面這些基本的認(rèn)識和目標(biāo)之后，我們就可以開始了。

Linux

基因數(shù)據(jù)分析，極度不推薦在Windows下完成，有很多的工具不支持，而且不利于學(xué)習(xí)，也不利于我們對數(shù)據(jù)的理解。因此掌握Linux，特別是直接在Terminal中進(jìn)行數(shù)據(jù)分析是必須的。

不過，不用太擔(dān)心，我們不需要成為Linux專家。對于生物信息研究人員來說，只要了解Linux的文件系統(tǒng)結(jié)構(gòu)，能夠在Terminal中靈活運(yùn)用基本的Linux命令就足夠了，但vi需要掌握——我們編寫程序時需要用到它。不過要達(dá)成這些目標(biāo)不需要看大部頭的Linux書籍——這個也是我想給所有要學(xué)習(xí)生物信息的小伙伴們提個醒，這樣可以節(jié)省很多不必要花的時間，不然等你看完一大本Linux書，恐怕興趣也都被磨得差不多了，要直奔目標(biāo)。

我自己使用Linux的時間超過8年，但是所使用的命令，合起來頻度超過99%的竟然不超過20條！基本上就是在接觸生信的第一天學(xué)會的，而對于聰明如你們的人來說，相信一定可以用更短的時間融匯貫通，對于這幾個命令我簡單列一下（注意都是在Terminal模式下）：

pwd：列出當(dāng)前目錄的完整路徑，明確你在哪；

cd ：跳轉(zhuǎn)到其他目錄，兩個好用的cd命令，"cd -" 跳回最近一次的目錄，"cd .." 退回上一層目錄；

ls：列出當(dāng)前目錄內(nèi)容，最好加上 -l -rt 參數(shù)，會更加清晰，目的是明確目錄下都有什么；

mkdir：創(chuàng)建目錄；

rm：刪除文件或者目錄；

mv：重命名文件或者目錄；

cat：打開文本文件，內(nèi)容輸出到屏幕；?

less -SN：打開文本文件，這個是查看文本文件更合適的方式；

head -n：查看文件前n行；

tail -n：查看文件尾n行；

wc -l：計(jì)算文本文件的行數(shù)；

”|“： 管道操作；

grep命令；

awk命令；

sed命令；

sort命令；

du -sh ./: 檢查當(dāng)前目錄所占空間大??；

bc -l：啟動Terminal下的計(jì)算器，可以在這里進(jìn)行簡單的數(shù)學(xué)運(yùn)算，輸入"quit"就可以退出；

chmod：修改文件或者目錄權(quán)限；

接下來，可以繼續(xù)看一下“極客學(xué)院”中那一篇“一步一步學(xué)Linux”的文章：http://wiki.jikexueyuan.com/project/learn-linux-step-by-step/，我覺得那篇博文就足夠了。值得你多花些時間研究的是Linux中 “|” 管道命令的妙處。另外，掌握基本的grep，sed，awk操作。我之所以推薦這三個命令是因?yàn)椋鼈兒苓m合快速進(jìn)行簡單的文本操作，可以讓很多工作直接快速地在命令行上完成，而不需要編寫程序。比如抽取一個文本文件特定的幾列信息、匹配相關(guān)信息、修改輸出等，用awk實(shí)現(xiàn)起來非常簡單。上面這些掌握了之后，你再學(xué)習(xí)如何利用這些命令和相關(guān)執(zhí)行程序組建簡單的shell任務(wù)流程，到這個階段，Linux部分基本就OK了。至于如何在Terminal中編譯程序或者安裝軟件包，一般都有具體教程，按照教程來就可以了，真碰到問題可以多Google。

至少掌握一門高級編程語言

生物信息是一定離不開程序設(shè)計(jì)的，而且你不能只會R 。我建議先學(xué)Python（不推薦Perl），它很容易上手——被稱為”可執(zhí)行的偽代碼“，社區(qū)強(qiáng)大而活躍，碰到問題很容易找到解決辦法。而且，支持組學(xué)數(shù)據(jù)分析的工具包也很豐富。還被譽(yù)為數(shù)據(jù)科學(xué)第一語言！不但可以進(jìn)行文本處理，還可以進(jìn)行統(tǒng)計(jì)分析，機(jī)器學(xué)習(xí)，或者作出精美的數(shù)據(jù)圖等等，比起曾經(jīng)的Perl真的強(qiáng)大很多。

在掌握了Python之后，我推薦的另一門高級語言是C（或者C++），它是難的，我之所以依然覺得有必要，是因?yàn)樗梢宰屇憔哂懈纱笫碌哪芰Α?/p>

雖然在實(shí)際的工作中Python已經(jīng)足夠強(qiáng)大，基本上可以應(yīng)對項(xiàng)目中的各類大小事宜。但在我看來，如果你希望技術(shù)上做得更強(qiáng)，C一定是繞不開的，學(xué)會C/C++至少有兩個好處：

讓你理解機(jī)器的工作原理，理解你的程序是如何運(yùn)作的。這非常有助于你以后寫出更加優(yōu)秀的代碼；

設(shè)計(jì)高效率的算法模塊，往往需要借助C/C++，而且設(shè)計(jì)出來的模塊還可以很方便地包裝起來用在Python中。同時，也有很多優(yōu)秀的組學(xué)數(shù)據(jù)處理包是C/C++寫的，比如，SSW、Bamtools和SeqAn（https://github.com/seqan/seqan）——這個包很強(qiáng)大——我們可以用它編寫比對算法，變異檢測算法等。

（Python如何調(diào)用C++）

另外，我認(rèn)為R是很容易學(xué)的，這里也無意起語言之爭，雖然Python比R好。只有你有興趣，在有了上面的基礎(chǔ)之后，可以在很短的時間內(nèi)學(xué)會。

Python教程很多！我這里推薦一下gitbook上的這個《簡明Python教程》：https://www.gitbook.com/book/lenkimo/byte-of-python-chinese-edition/details 。另外，廖雪峰的Python教程也不錯。

掌握常用的組學(xué)數(shù)據(jù)分析軟件

生物信息的工具眾多，不過數(shù)據(jù)分析過程中常用的工具和軟件還是可以列出來的，主要是：bwa，samtools，picard，GATK，bedtools，bcftools，vcftools，F(xiàn)astQC，MultiQC，VEP這些。基本都是在構(gòu)造如WGS、WES這類分析流程的時候需要被用到的。另外，還有關(guān)于GWAS的一系列分析工具等，這些其實(shí)可以根據(jù)后續(xù)的具體項(xiàng)目逐步深入。除了工具之外，基本的數(shù)據(jù)文件格式也必須認(rèn)識，比如：Fasta，F(xiàn)astq，BAM，gff，vcf等，我在下文中推薦的《Bioinformatics Data Skills》那本書里面就系統(tǒng)講了諸多在基因數(shù)據(jù)分析過程用到的工具和文件格式解析，值得一讀。

實(shí)踐

“書上得來終覺淺，絕知此事要躬行”。實(shí)踐是必須的，如果沒條件的話可以到Rosalind：http://rosalind.info/problems/locations/?這個網(wǎng)站上做些訓(xùn)練題，這上面有著很多有意義的生物信息題目，從易到難的都有，涵蓋的面也比較廣（包括RNA，DNA，蛋白），值得一戰(zhàn)。另外要積極尋找到大型基因科技公司（比如華大基因）或者基因研究所實(shí)習(xí)的機(jī)會，如果是在校學(xué)生有可能的話應(yīng)該爭取到海外頂級機(jī)構(gòu)留學(xué)。

構(gòu)建一個流程，要敢于造輪子

在掌握了Linux和編程知識之后，建議利用公開的數(shù)據(jù)構(gòu)造一個完整的數(shù)據(jù)分析流程，比如全基因組數(shù)據(jù)分析流程或者復(fù)現(xiàn)一個項(xiàng)目的全過程。現(xiàn)在最好的一個公開數(shù)據(jù)來自Genome in a bottle（GIAB）：http://jimb.stanford.edu/giab/?。你可以用這個數(shù)據(jù)參考GATK的最佳實(shí)踐或者不久前我寫的一個“從零開始完整學(xué)習(xí)全基因組數(shù)據(jù)分析系列”的文章，構(gòu)造一個WGS數(shù)據(jù)分析流程。需要注意的是，你在構(gòu)建、復(fù)現(xiàn)甚至重造的時候，要嘗試去理解各個環(huán)節(jié)的意義，不要只是機(jī)械地將一個分析過程串接起來，因?yàn)槟愕哪康氖菍W(xué)習(xí)，碰到問題時也盡量自己解決，這樣才能真正掌握它。

數(shù)理知識

生物信息離不開數(shù)學(xué)，準(zhǔn)確地說是離不開統(tǒng)計(jì)學(xué)。有太多的數(shù)據(jù)分析都需要統(tǒng)計(jì)學(xué)知識的參與，包括常用的假設(shè)檢驗(yàn)，貝葉斯推斷、隨機(jī)森林，SVM，回歸分析，PCA等。因此，在你獲得初步的基因數(shù)據(jù)處理能力之后，更進(jìn)一步應(yīng)該做的就是加強(qiáng)這方面的知識。

多看優(yōu)秀的組學(xué)算法

站在巨人的肩膀上才能看得更遠(yuǎn)。生物信息領(lǐng)域有一個比較突出的特點(diǎn)，就是絕大多數(shù)的東西都是開源的，因此很多優(yōu)秀的算法和程序你都能夠在github上直接找到，比如，比對軟件bwa和后綴樹算法，Smith-waterman局部比對算法；基因組組裝軟件SOAPdenovo2的de Bruijn graph；變異檢測GATK、freebayse、Platypus應(yīng)用到的貝葉斯、最大似然、EM、Pair-HMM和高斯混合模型等；變異注釋工具VEP，GWAS的一系列方法等。特別是GATK，它的文檔寫的很優(yōu)秀，因此值得多泡在它的一系列文檔中。通過學(xué)習(xí)它們的源碼，不但可以精進(jìn)你的編程能力、算法設(shè)計(jì)能力，更重要的是還能讓你深刻理解諸多組學(xué)數(shù)據(jù)分析的奧秘！這會在不知不覺中提升你對基因數(shù)據(jù)的理解，就如同維納斯的面紗在你面前一點(diǎn)點(diǎn)被揭開了一樣，有種豁然開朗的感覺，你不再覺得那堆東西很神秘了。

不要固步自封

最后，一定要緊跟前沿。生物信息學(xué)以及現(xiàn)在的基因組學(xué)，知識的更新迭代可謂一日千里，可能半年不留神就會落后，所以平時一定要多看前沿的文章成果。但那么多雜志應(yīng)該看哪些呢？我的建議是直接看最頂級的CNNS（Cell，Nature，NEJM，Science）雜志，如果時間不夠用那么更加不必看其它的，原因有三個：

這些頂級雜志所代表的基本上就是領(lǐng)域的最前沿——也正因此它們才會在CNNS上發(fā)表。雖然其它雜志也有可能，但概率低很多，因此不必浪費(fèi)時間，要看就看最好的；

這些雜志上的文章大多都能給你帶來新的視角，能夠開闊你的眼界。帶來看待問題、解決問題的新思路和新想法。這一點(diǎn)我覺得是更加重要的，這會有助于你做出創(chuàng)新性的工作；

此外，我認(rèn)為多看這類文章，也會有更高的概率在這類雜志上發(fā)表成果。

另外，也可以多看看生物探索、奇點(diǎn)網(wǎng)這些公眾號，上面每天都會報道很多關(guān)于這個領(lǐng)域的前沿信息，當(dāng)然也別忘了請一定要多！多！關(guān)！注！我！（認(rèn)真臉）另外，加入一些優(yōu)質(zhì)的生物信息交流圈，有機(jī)會的話參加一些重要的基因組學(xué)會議，千萬不要關(guān)起門來悶頭學(xué)，一定要看著外面的世界。

書和課程推薦

推薦兩本基礎(chǔ)的基因數(shù)據(jù)處理書籍，都是基于Python語言的：

1. 來自O(shè)Reilly《Bioinformatics Data Skills- Reproducible.and.Robust.Research.with.Open.Source.Tools》主要偏重工具的使用和數(shù)據(jù)文件的處理，雖然講的不是很深入，但是作為生物信息初學(xué)者的入門書來說還是十分有價值的，2015年出版的，也不算舊。

2. 第二本是《Bioinformatics with Python Cookbook》，同樣是2015年出版的。這一本相比于第一本來說會難一些，它會側(cè)重于一些主題性質(zhì)的內(nèi)容，比如群體遺傳學(xué)，基因大數(shù)據(jù)這一類。

這兩本書都有pdf電子版。感興趣的小伙伴可以在公眾號后臺回復(fù)“入門書籍”這四個字就可以獲得了。

最后，再推薦幾個在線課程。第一個是Coursera上的一個課程：https://www.coursera.org/specializations/genomic-data-science

這是約翰霍普金斯大學(xué)組織的一個系列課程，緊扣現(xiàn)在主流的組學(xué)數(shù)據(jù)分析，非常適合于入門學(xué)習(xí)，是一個精品系列，講的很好，力薦，但是需要收費(fèi)，只有7天的免費(fèi)體驗(yàn)時間。

另外，EMBO上也搞了一個，不過我認(rèn)為沒有Coursera的系統(tǒng)全面，但它是免費(fèi)的。https://www.ebi.ac.uk/training/online/course/embo-practical-course-analysis-high-throughput-seq生信寶典視頻教程（更新版）

好了，最后，祝你學(xué)習(xí)快樂。