从事生物信息学数据分析6年的一些思考和总结

截止到今天(2019年11月)我的生信之路已经有6个年头了，然后在中国各大城市做了一些宣讲，分享自己成长为生信工程师的一些心路历程，巡讲动态

• 2019：北上广深杭，郑州西安武汉长沙成都重庆
• 2019-10-27：广西南宁广西大学

以下是正文

依托于2018在生信技能树公众号发布的生信工程师入门最佳指南 ：https://mp.weixin.qq.com/s/vaX4ttaLIa19MefD86WfUA

先搞清楚生信工程师都在干嘛：

• 售前售后技术支持-偏生物医学背景知识
• 应用项目研发-偏编程和流程
• 科研热点追踪或者前沿探索

这三类生信工程师养成的侧重点不一样，但是数据分析能力的获取的第一步是类似的，如果你是初入我们行业，那么下面的资源和指导不容错过！

关于生物学背景

因为绝大部分转生物信息学工程师的小伙伴都是有至少4年的生物学背景，生物大分子，中心法则都没有问题，但是也有部分计算机背景学生转过来，会不停的问我该如何补充生物学背景，这里推荐慕课(https://www.icourse163.org/)的两个课程

• 复旦大学的基因组学：https://www.icourse163.org/course/FUDAN-1002839009#/info
• 四川大学的细胞生物学：https://www.icourse163.org/course/SCU-46011
• 其它课程请自行搜索，按需学习，争取掌握生信基础100讲：https://mp.weixin.qq.com/s/Gr_0H4-GaTYkgUkbNHcMcg

关于R语言学习

专门为R语言建立了 GitHub 仓库存放相关学习路线指导资料：https://github.com/jmzeng1314/R_bilibili

找到任何一本配套R书籍，然后就可以学习我的教学视频，都在：https://www.bilibili.com/video/av25643438/ 同样的有配套教学大纲：文档链接：https://mubu.com/doc/HGT7XBmgg 密码：muwu

作业

• 初级10 个题目，尽量根据参考代码理解及完成：http://www.bio-info-trainee.com/3793.html

• 中级要求是：http://www.bio-info-trainee.com/3750.html

• 高级要求是完成20题： http://www.bio-info-trainee.com/3415.html

下面是一些优秀作业答案：

• https://sr-c.github.io/2019/03/11/R-exercise/
• https://www.jianshu.com/p/8da5786658a7
• https://www.jianshu.com/p/4e3a94bd155a

关于linux学习

课程大纲：https://mubu.com/doc/2iA2skGIGg

教学重点是(去可视化概念+练习) ，了解 命令+参数+文件 的模式

基础知识:cd -, cd ..  , cd -, history, !5 ,  /home/ , /tmp/ , >,&，jobs,nohup 1,2,0
文件目录操作：ls,cd,pwd,mkdir,rm,mv,cp,touch,head,tail,less,more
系统管理： df,du,top,free,ps,ipconfig,netstat,ssh,scp,
用户权限：chown,chgrp,groups,ls
文本操作：awk,grep,sed,paste,cat,diff,wc,vi 

教学视频在：https://www.bilibili.com/video/av28813815

中英文命令对照：https://mp.weixin.qq.com/s/iEYSX9EM-y1QKRK7KMZYfA

作业

• 下载bowtie2软件压缩包解压并且找到里面的示例数据，走文本处理流程 ，走基本比对找变异流程
  • 参考：https://mp.weixin.qq.com/s/5rduc9Rxjtz_Bj_s--Z6Og
• 生信人的 linux 20题 <http://www.bio-info-trainee.com/2900.html
• 处理 fastq,fasta,sam,bam,vcf,gff,gtf,bed,MAF等**格式（约定成俗，大牛推广）**的数据
  • fasta和fastq格式文件的shell小练习 http://www.bio-info-trainee.com/3575.html
  • sam和bam格式文件的shell小练习 http://www.bio-info-trainee.com/3578.html
  • VCF格式文件的shell小练习 http://www.bio-info-trainee.com/3577.html

关于其它编程语言

不同的编程语言的语法很大程度是互通的，都是基本数据类型，基本数据结构，函数及循环控制语句等等，比如Python和R语言的异同点。

• 生信分析人员如何系统入门python?
• 生信分析人员如何系统入门perl？
• 生信分析人员如何系统入门R？
• 生信分析人员如何系统入门Linux？

建议囫囵吞枣看完几遍语法后，马上实践做题：https://mp.weixin.qq.com/s/n-C2P322ZWQyZ6-3EEKbxA

编程实战练习题目录

• 01:生信编程思维获得
• 02: hg19基因组序列的一些探究
• 03: hg38每条染色体的基因、转录本分布
• 04: 多个同样行列式文件的合并
• 05: 根据GTF画基因的多个转录本结构
• 06: 下载最新版的KEGG信息，并且解析好
• 07: 写超几何分布检验
• 08: ID转换
• 09: R语言爬虫
• 10: R语言shiny
• 11: 用Biostrings包来处理fasta序列
• 12: 根据指定染色体及坐标得到序列
• 13: JSON 数据的格式化
• 14: fasta 数据处理

更多习题见传送门：http://www.biotrainee.com/thread-1075-1-1.html

关于NGS数据分析

重新制作了NGS相关视频教程免费发布在B站，几个NGS组学实战代码是：

• https://www.jianshu.com/p/49d035b121b8 给学徒的WES数据分析流程
• https://www.jianshu.com/p/a84cd44bac67 原创10000+生信教程大神给你的RNA实战视频演练
• https://www.jianshu.com/p/5bce43a537fd 给学徒的ATAC-seq数据实战
• https://mp.weixin.qq.com/s/a4qAcKE1DoukpLVV_ybobA 给学徒ChIP-seq数据处理流程

视频都在B站：https://mp.weixin.qq.com/s/gqib-RtbC315Zad-8KmkXw

下游分析(个性化)才是考验工程师水平：https://mp.weixin.qq.com/s/7MKDptXy9Di49_yoYNdrvw

关于统计可视化

这方面我的分享做的远远不够，推荐一下 统计学基础：https://mp.weixin.qq.com/s/OtB2h6f00U2SRZLzveJKfQ

• 统计学精华-statQuest教学视频：https://mp.weixin.qq.com/s/X0PE9S0BgSuCcAV9zeY1jQ

可视化我也一直在努力当中：https://mubu.com/doc/3L0wkgGUVg (绘图大全)

关于数据挖掘

很多朋友之所以学习R语言其实就是为了重复一些简单的数据库挖掘文章，所以我也顺便录制了GEO数据库挖掘课程：

• 代码在：https://github.com/jmzeng1314/geo
• 配套教学视频在B站：https://www.bilibili.com/video/av26731585/
• 还有一个公共数据库挖掘：https://www.bilibili.com/video/av37568990

我这边的学徒实习生一直在分析数据挖掘技巧，目录在：学徒数据挖掘第二期汇总之多分组基因注释代码大放送（compareCluster）

• 热图、韦恩图、GO富集分析图
• 纯R代码实现ssGSEA算法评估肿瘤免疫浸润程度
• 按基因在染色体上的顺序画差异甲基化热图
• 有生物学意义的复杂热图
• 干扰MYC-WWP1通路重新激活PTEN的抑癌活性——3步搞定GSEA分析
• TCGA正常血液样本中PD-L1与BRCA1和NBS1的表达量相关性
• 肿瘤异质性+免疫浸润细胞数据挖掘(可能是最简单的3分文章了)

关于科研思维建立

因为本科毕业后就一直在公司工作，并没有实际负责过科研项目，现在博士阶段才有机会来建立科研思维，所以这方面我还是在探索阶段， 仅仅是列出我博士第一年的一些努力：

• https://zhuanlan.zhihu.com/c_1024966446748618752 (保证每个星期分享一篇详细的文献阅读笔记)

然后是博士第二年(也就是现在)的一些努力：

• 2019年1月份第1周（总第49周）单细胞转录组探索CAFs的功能和空间异质性
• 2019年1月份第2周（总第50周）异常CRC病人的突变时空异质性与免疫
• 2019年1月份第3周（总第51周）探索PDAC癌前病变
• 2019年1月份第4周（总第52周）TCGA计划的ATAC-seq数据发布
• 2019年2月份第1周（总第53周）胃癌类器官
• 2019年2月份第2周（总第54周）测173个成年人的大脑的102个基因
• 2019年2月份第3周（总第55周）2.5万汉族人的GWAS乳腺癌风险基因
• 持续更新~~~~

关于行业发展前景预测

不知道，尽量提升自己的能力先吧，所以我们举办了第一届生物信息学人才发展论坛：

• 大白话讲清楚第一届生信人才发展论坛我们分享了啥

  一百个参会者有一百个生信人才发展论坛感想

• 一百个参会感言（5）

• 一百个参会感言（10）

• 感言11，https://mp.weixin.qq.com/s/PuMBVj2h9SGZRhOHEr0Qig

关于团队招新

随时欢迎，详细说明为什么要跟随我做知识分享即可，参考：https://mp.weixin.qq.com/s/jn1Xe7IDdTY_9tDpz-3Vfw

另外，我们生信技能树常年招学徒：https://mp.weixin.qq.com/s/9CFW37FrMbZsjuj--TPWKA