找回密码
 注册会员
查看: 172|回复: 5

可以分析一下生物学和生物信息学吗?

[复制链接]
online_member 发表于 2023-1-21 16:52:26 | 显示全部楼层 |阅读模式
准备报志愿各种纠结,比较喜欢生物医学类,但是不太想当医生,想从事偏科研类一点的工作。看到网上很多人说生物是天坑,毕业不好找工作,不知道现实情况如何?有读研打算,可能研究生留学再回国。想问问生物行业具体可以从事什么内容的工作,薪酬如何,本科建不建议报读生物有关专业。(家庭经济条件本来较好,父母也有从事医生的,如果是当个医药代表啥的我觉得还是不能接受的)

补充,好像有个叫生物信息学的专业,想了解一下
online_member 发表于 2023-1-21 16:53:17 | 显示全部楼层
我来说一下生物信息学~~
今天,生物信息学被定义为一个混合科学领域,它使用计算从生物数据中提取见解。该术语是 在 1970 年代创造的,指的是对生物系统中的信息学过程的研究. 但现在,它是一个跨学科领域,涉及分子生物学和遗传学、数学、计算机科学和统计学的研究。它有助于从计算的角度解决大规模和数据密集型的生物学问题。它融合了收集、存储、分发和分析生物信息的技术,以支持生物学多个领域的科学研究。人工智能能够根据大型数据集检测模式,然后根据这些模式进行预测。这种能力为人工智能在生物信息学中的许多应用铺平了道路。
AI在生物信息学中的应用
生物信息学应用程序主要是帮助生成和存储有用的生物学知识的软件工具。但是,嵌入人工智能技术的生物信息学工具可以帮助更快地生成该信息,并有助于从中做出预测。AI 生物信息学工具有助于创建用于生物序列比较、知识管理和蛋白质-蛋白质相互作用的高级方法。
基因组测序

可以分析一下生物学和生物信息学吗?59 / 作者:miss_evaz / 帖子ID:106487
DNA 结构是一个螺旋,由四个结构单元组成,称为腺嘌呤“A”、胸腺嘧啶“T”、胞嘧啶“C”、鸟嘌呤“G”。这些块形成对以创建称为基因的功能分子。基因发现是一个由外在搜索和内在搜索相结合的过程。作为外在搜索,在目标基因组中搜索与外在证据相似的序列。外在证据是以先前发现和标记的已知基因序列的形式存在的。作为一种内在搜索,预测算法试图识别可以承载基因测序的 DNA 片段。目前,有许多 ML 算法和深度学习网络正在部署用于内在搜索,如多层感知器、K-最近邻和随机森林。
人工智能算法的使用提高了寻找宿主基因的速度,这进一步增强了测序过程,有助于获得准确的基因结构,为患者提供个性化和挽救生命的治疗。例如,ML 算法可以从历史 DNA 数据集中找到模式,然后根据他或她的基因组测序预测个体患上疾病的几率。所有这些在基因组测序的帮助下完成的药物都是从分析基因表达开始的。
基因表达分析

可以分析一下生物学和生物信息学吗?877 / 作者:miss_evaz / 帖子ID:106487
DNA 微阵列是一种芯片,上面附有一组 DNA 点。研究人员使用微阵列来收集和测量生物体中的基因表达。基因表达正在转换从基因中提取的信息,并使用它来创建功能性基因产物,如蛋白质。机器学习可以分析、识别和分类基因表达中的模式。微阵列和机器学习技术结合在一起,可以帮助在分子水平上检测肿瘤细胞。这将使医生能够根据肿瘤的遗传结构为患者提供个性化的癌症治疗。
这种疾病不是万能的,它是独一无二的,一个人所患的疾病的答案就在 DNA 中。让我们以癌症为例。分析癌症基因表达并将它们与其他未受影响的基因表达进行匹配,有助于医生找到两种基因结构的差异,从而帮助他们识别癌症驱动因素。分析基因表达有助于找到一种药物,该药物可以帮助患者对抗独特的癌症驱动因素,或帮助对抗由相似类型的癌症驱动因素驱动的另一种癌症的药物。虽然基因组测序和基因表达分析可以在没有人工智能的情况下完成,但人工智能的使用可以提高测序速度。例如, 第一个参考基因组序列于 2003 年完成, 实现这一壮举耗时 13 年。但现在, 在人工智能的帮助下,基因诊断和测序可以在一天内完成。
蛋白质分类
蛋白质是生命有机体的基本组成部分。它们是生物体内多种功能背后的原因,例如对刺激做出反应、构建细胞、代谢功能等。人类细胞中蛋白质模式的分类通常由人类根据其结构进行。但随着显微镜吞吐量的最新进展,细胞图像是在高空间创建的,手动分类蛋白质已变得具有挑战性。计算机视觉可以从这些细胞图像中获得理解,机器学习算法可以使用这些图像对蛋白质进行分类。
蛋白质分类有助于研究人员预测各种分子的结合。基于蛋白质的分类,ML 算法可以帮助检测蛋白质如何与不同的药物结合。以及蛋白质与药物的结合如何影响药物的功效。药物与细胞蛋白质的结合越少,它穿过细胞膜的效率就越高。因此,蛋白质与药物的结合可以帮助确定哪种药物可以解决特定人的特定疾病。人工智能还可以帮助预测蛋白质结构。蛋白质的结构可以分为四层:一级、二级、三级和四级。蛋白质结构预测是一个有助于从第一层预测蛋白质结构的过程。AI 算法有助于准确快速地预测蛋白质层的折叠方式,
蛋白质结构预测有利于药学设计药物及其与消费者身体蛋白质的结合。它还有助于生物技术设计新型酶。
蛋白质结构生成建模
生成模型可以生成新的数据实例,可用于为生物信息学的各个领域训练 AI 算法。这些模型旨在学习数据表示并创建与原始数据实例相似的新数据实例。创建生成模型的有效方法之一是生成对抗网络 (GAN),它是一种神经网络,使用生成器和鉴别器网络来生成蛋白质结构。生成器网络尝试生成自然图像,而鉴别器尝试确定前一个网络生成的图像是假的还是真实的。然后,确定为真实的图像可用于训练 AI 算法。
虽然人工智能在生物信息学中的影响令人着迷,但它需要更多的数据来改进。随着更多患者的测序,这将成为可能。是的,您没听错,因为生物信息学正在收集数据,所以每个患者本身就是源数据。而且,一旦人工智能系统有了数据,就有多种方法可以将这些数据转化为洞察力 并将它们用于各种好处。生物信息学和人工智能技术的结合将在将复杂的分析工作流程简化为一个单一的分析框架方面发挥重要作用。而且,这样的框架将能够以前所未有的速度处理和分析生物数据。可以肯定地说,生物信息学的未来在于用人工智能算法分析海量数据,以节省大量时间和金钱,这将进一步加速生物研究。
参考资料:Leveraging the Benefits of Artificial Intelligence Technology in Bioinformatics
online_member 发表于 2023-1-21 16:53:26 | 显示全部楼层
本人是生物信息学的,目前对这个领域算是有一点点了解吧。
生物劝退嘛?

生物劝退嘛?看个人,我不希望把他一棒子打死,至少从这两年来看,这个行业有脱坑的趋势,工资也没有之前说的那么低了,不过生物行业太宽泛,这是一个大领域。做医学做蛋白这块的工资有的一两万,也有一些领域几千块,这块直接去Boss直聘看看就能了解大概。再谈科研这块,在科研方向生物领域未解决的问题非常多,去看看各大院校很多生物学教授也就三十大几,其他诸如数学物理类的领域做到这个程度要付出的努力会大很多。
上面说这么多,归根结底就是一句话:生物其实没有那么坑,尤其是对想做科研的人来讲!
生信怎么样?

说完生物我们再来具体谈一谈生信,生信这个学科目前结合生物学背景越来越紧密,甚至有点捆绑了,我做肿瘤他做衰老,我们都用生信分析,用的方式方法就会有很大差异,不是很多人想的你做生信你就生信这一块的知识都了解,了解越多其实越意味着不精通。
转码可以嘛?

很多人谈转码,转工具软件开发,国内有几个实验室搞这个啊,这个几率有,但不能用少部分人的经历来作为你深信不疑的可行的方式。
生信做科研

生信这块如果有志科研结合生物学背景玩数据,把数据分析搞好,文章不会太愁,那申请好的实验室也没有那么难,当然一切都是建立在你是努力在学习的情况下,谁也不能保证说一个人混一混就能够获得一切吧。
生信找工作

如果就想工作,本科扎实一点,把数学和计算机的基础打好(现在大部分生信专业都会学的),跟着老师做做小项目,应届一线城市工资过万是不愁的,当然读个硕士会更好,目前同学找生信工作分准备的还有没有准备的,临时秋招七八月份才想起来刷题的大概是一万多一点,如果是好好准备的在一万五左右吧,技术很扎实的两万。
只懂一点点生信这块的行情,其他领域的你也可以多看看,毕竟专业都是非常广泛的。
online_member 发表于 2023-1-21 16:54:18 | 显示全部楼层
生物本科,如果不是生物工程或者生物医学工程这块的话,主要内容都差不多,无非就是载体构建,诱导表达,pcr这些实验(或者就是发酵,传统化学实验这些),如果你仅对实验感兴趣可以直接报名。生物信息学要分方向,目前有的开在生命科学学院下挂羊头卖狗肉,仅仅通过调包(有的直接抄软件)和spss就把所谓的生物信息学工作完成了,连聚类,pca和统计检验原理都搞不明白。如果你想从事更理论一点的生物信息学,那我直接建议你读统计和计算机,因为这两个专业出来后照样可以做生物信息学,还比上面那些更有优势。所以结果不言而喻。
online_member 发表于 2023-1-21 16:55:03 | 显示全部楼层
本人从生物跨到生信,给些建议,但每个人的观点都受限于时代和经历,谨慎参考!!!
公知会骗人,但工资不会骗人!生物行业目前处于画饼的状态,包括生信,“天坑”说明了一切!
其实基础生物最后每天都是在做一些重复实验,只有极其少数的精英分子能接触技术开发试验和高级实验技术。一般情况下,你的日常都是qpcr,wb,养细胞,处理模式生物和插枪头等,你觉得有意思就有意思。当你觉得没意思的时候,对不起!爬不出去了!
生信其实依赖数学方法和计算机来处理一些生物高通量数据,其实就是应运高通量测序的发展衍生出来的东西,在此之前其实是计算生物学,就和现在dl盖过机器学习一个概念!抛开生物的限制,你实际还是在处理数据,而且生信的分析方法和工具基本来自于应用数学和计算机领域!连我们图书馆计算机小哥都能自学生物跟着大团队发一区的文章(时常不屑地说不会有人看NAR,Bionformatics和BIB这种水刊吧),可见非实验的生物门槛有多低。同时,也引发一系列的连锁反应,比如,很大一部分生信算法文章都是由计算机行业的人提出(计算机行业研究者过来水文章导致中科院被迫调整期刊大类)和未来计算机内卷也会导致大量计算机人员涌入生信领域等问题,未来堪忧!目前没人卷,本质上是专业红利太低!
https://www.medicaltechnologyschools.com/biotechnology/bioinformatics-vs-computational-biology
Reasons Not to Study Life Science or Anything Related
为什么生物医学是科研资金投入最大的领域,但还是被称为天坑呢?
现在全网都在劝退生化环材,等到这方面的人才供应出现稀缺了,他们的价值会不会大幅上升?
中科院分区发布2021年期刊重大调整和Review变动情况至于科研,大多数生物实验室团队目前都是为了发文章状态,很多甚至超越的996的工作时间,但是博士研究生统一补贴2300/月(大多数实验室额外补贴少得可怜),说白了就是白给劳动力!当然,很多人可能觉得兴趣无价的,且求学都是这样。
就这样八,愿你未来可七!
总之,生物目前相对其他热门行业而言,回报率不高,想赚钱,就算了!理想情况下,生物博士一线城市基本30w左右(不过我们是高贵的955 ),而996的计算机硕士可能干几年就50w+(22年更:最近同学洽谈,一线大厂二年计算机硕士税前100w+,即将毕业的博士师兄面试国内一线药厂预测两年后40w+),所以你懂的!
没有纯粹的科研,用我从临床转过来基础医学的同学的话来说,就是gdbw。因为很多基础医学研究生毕业最后被雇回去帮临床医生刷文章,真正回到梦开始的地方!目前,基本没有纯粹的科研,牛逼团队都是996文章肝帝,其余大部分都在为了生活挣扎!当然,你有钞能力,科研经历注定不平凡!
行业瞬息万变,并不是强迫年轻人面对现实,而是你要理解读书对于你和他人的本质是什么!兴趣?钱?造福全人类?利益?秩序维护?
其实很多时候,感悟都需要时间来沉淀!
<hr/>限于学识,仅限参考!
您需要登录后才可以回帖 登录 | 注册会员

本版积分规则

手机版|UFO中文网

GMT+8, 2024-12-24 10:54

Powered by Discuz! X3.5

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表