1 AI时代，如何开始学习生物信息学
1.1 这本书希望给你什么
我希望大家通过阅读和实践，逐渐建立起自己的知识框架，理解数据从哪里来、怎样产生，每一步为什么这样处理，以及结果究竟能够支持什么结论。本书会从分析环境、必要的编程和测序技术开始，进入不同类型的数据分析，再讨论工作流、统计学和大语言模型的使用。书中的具体方法、数据与代码，可以帮助大家把这些环节联系起来，并在后续实践中继续补充自己的认识。
一本书，无论如何也不可能把生物信息学讲得面面俱到。完成一项研究涉及的实验、数据分析、绘图、写作和排版，每一项都可以继续展开。
第一次阅读时，可以先了解整本书安排了哪些内容，再选择与自己项目有关的章节认真动手。分析中遇到统计问题，回到统计学章节；需要整理多个样本的处理过程，去看工作流；想更有条理地与 AI 协作，再读第 12 章。书中没有讲到的部分，可以带着已经明确的问题，继续查资料、读文献，向别人请教，也请 AI 帮助理解和尝试。
我更希望你在换一批数据、换一种技术，甚至进入一个新的研究方向以后，还能用上在这里学到的思考方法。你知道应该先弄清楚什么，知道哪些条件需要重新检查，也知道自己下一步该补哪些知识。
1.2 AI时代，我们需要怎样学习
如果你现在准备开始学习生物信息学，可能已经列出了一长串要学的东西：Linux、Python、R、统计学、分子生物学，还有各种分析软件。每一项都很重要，每一项也都有厚厚的参考书。问题是，我们是不是必须先把这些全部学完，才能开始做一个项目？等到课程都听过一遍，又该怎样把学到的东西用起来？
在大语言模型（Large Language Model，LLM）已经能够参与日常工作的今天，我们可以重新考虑这个学习顺序。遇到一段看不懂的代码，可以请 AI 结合输入解释；需要整理一批文件，可以先把要求讲清楚，让它协助编写脚本；学习一个概念时，还可以围绕自己不理解的地方反复追问。配合能够运行程序、读写文件的工具，AI 也可以参与实际操作，并根据运行结果继续修改。1 许多过去会让初学者卡上很久的具体问题，现在多了一种解决办法。
这给学习带来的变化是，你有机会更早地进入一个实际项目。在完成任务的过程中，发现自己缺哪部分知识，就去补上，再回到任务中尝试。比如，你想比较两组样本的基因表达，AI 可以帮助写出分析代码，但你仍然需要弄清楚这两组是什么样本、表达量怎样测得、为什么能够比较，以及差异意味着什么。否则，程序即便顺利运行，你也很难知道自己究竟回答了什么问题。
因此，我希望大家在入门时就重视一件事：建立自己的知识框架，知道解决什么样的问题，需要什么样的知识。 这里说的框架，要能帮助你把问题、数据、方法和结论联系起来。看到一个新的研究问题，能够大致判断需要取得什么证据；拿到一份数据，知道它可能回答什么、还缺少什么；遇到不理解的环节，知道应该回到哪一类知识中寻找答案。具体的命令可以查，暂时不会的操作可以请 AI 协助，但这些知识之间的关系，需要在学习和实践中逐渐理清。
生物信息学的本质，是使用信息学的手段解决生物学问题。测序技术让我们可以从基因表达、遗传变异、DNA 甲基化、染色质相互作用等不同角度研究生物，也可以为没有参考基因组的物种开展基因组组装。不同实验产生的数据不同，处理方法也随之变化。R、Python 和各种分析软件，都是我们理解这些数据、回答问题时使用的工具。
我以前把生物信息学的方法比作手里的锤子，把生物学问题比作需要处理的钉子。这个比喻放到今天仍然有用。AI 可以帮助我们使用工具，也可以参与讨论应该研究什么、有哪些可能的解释。你对研究背景和数据了解得越清楚，就越容易提出有用的要求，也越容易发现它的建议与实际情况不符的地方。知识框架让我们知道该考虑什么，对具体环节的理解让我们有依据作判断。
图 1.1 把这个学习过程放在一起。遇到不理解的地方，可以回到相关知识中查找，再用当前任务检查自己的理解。
图注：箭头表示学习步骤与回查方向。AI 可以协助各个环节，检查时仍需结合原始材料、实际数据和分析目的。
1.3 从完成并发表一篇论文说起
我们可以把目标放得具体一些：完成一项研究，并把它写成一篇论文发表出来。你会发现，这件事涉及的能力远比“会做一次数据分析”多。读文献、提出问题、设计和完成实验、整理数据、写代码、分析结果、绘图、编辑图片、写文章、排版、润色，以及根据审稿意见继续修改，都可能出现在同一个项目里。
这些工作通常由不同的人协作完成，初学者也不必独自承担每一项。但如果想推动项目，就需要知道各个环节在做什么、彼此怎样衔接。我们以一个假设的研究为例：某种处理是否改变了细胞的增殖，哪些分子变化可能与这个现象有关？先不急着选软件，看看解决这个问题需要用到哪些知识。
提出问题、设计实验，决定我们能获得什么数据
首先要读懂相关文献。别人已经观察到了什么？哪些解释有证据，哪些还只是推测？我们准备研究的细胞、处理条件，与已有研究有什么关系？这一过程需要生物学背景，也需要理解一个领域的研究脉络。阅读时，可以请 AI 解释术语、整理你提供的文献，或提出值得继续查找的线索。遇到关键判断，要回到原文核对：作者实际做了什么实验，数据支持到了哪一步？
接下来要考虑怎样取得证据。比较处理前后细胞的增殖，需要选择相应的测量方法、安排对照，并考虑观察的时间。如果还希望了解基因表达变化，就要进一步考虑在哪个时间点取样、需要哪些样本，以及怎样安排重复。对照和重复的设计，会影响后面能够进行的比较，不能等数据拿到手后才开始考虑。2
做实验时，样本怎么处理、试剂和仪器是否合适、操作有没有异常，都需要结合实验知识判断，并做好记录。查资料、讨论方案和整理记录，可以请 AI 协助；分析数据时，也要结合记录，考虑实验中发生的实际情况。即使你主要负责数据分析，也应该了解数据是怎样产生的，发现结果异常时，才知道该与实验同学核对什么。
我们阅读文献、学习生物学和实验设计，是为了弄清楚这个问题为什么值得研究，以及怎样获得能够回答它的数据。
整理数据、写代码和分析结果，需要一起考虑
实验完成后，可能会得到细胞增殖的测量结果、样本信息表和测序文件。这时，文件放在哪里、样本名能否对应、处理组和对照组有没有标反，都会影响后面的工作。我们需要用命令行管理文件，用程序完成整理和批量处理；数据量较大时，还要使用服务器。原来看起来彼此独立的 Linux、编程和计算环境知识，在这里都有了用途。
有了 AI，你可以先把任务说明白：有哪些输入文件，每列代表什么，希望得到怎样的结果，再请它帮助写出代码。得到代码后，用少量数据检查一下，看看样本是否一一对应，缺失值和重复记录怎样处理，输出是否符合预期。这个过程也在训练编程能力：你开始理解一个任务怎样被拆成步骤，程序中的变量、条件判断和循环分别在处理什么。
如果进一步分析 RNA-seq 数据，就要理解怎样由测序读段得到表达定量结果，以及怎样比较两组样本。质量检查、定量和差异分析各有自己的目的，也有相应的前提。选择方法时，要把实验设计、数据特点和想回答的问题一起考虑；解释方法、组织代码和排查报错的过程中，都可以请 AI 协助。后面的 RNA-seq 章节会逐步展开这些内容。
再回到最初的问题：我们测到了细胞增殖的变化，也找到了表达发生变化的基因，这些结果之间是什么关系？仅凭两者同时出现，还不能确定某个基因导致了增殖变化。是否需要进一步实验，要看准备作出多强的结论，以及现有证据还缺什么。这时，分析已经把我们带回了生物学问题。
绘图、编辑图片和排版，都要服务于结果表达
画图以前，先想清楚希望读者看到什么：是样本之间的差异，变化的幅度，还是两个指标的关系？想清楚以后，再决定用什么图，横纵轴表示什么，需要哪些标注。绘图代码、颜色、字体和标注都可以请 AI 协助处理。图画出来后，还要检查：这张图是否忠实地表达了数据，坐标和图例会不会让读者产生误解？
如果论文中还有显微图像等实验图片，就涉及图片编辑。整理图片、添加比例尺和标注、组合多个面板，与从数值数据绘制统计图，是不同的工作。我们需要知道原始图片包含什么信息，哪些调整会影响判断，并保存原始文件。为了让图片好看而增删实验信号，会改变证据本身。3
把图放进论文时，还要考虑正文在哪里引用这张图、几个面板按什么顺序摆放、图注是否解释了必要条件，以及缩小后文字是否还能看清。把图、图注和正文放在一起，检查它们讲的是不是同一件事，读者能不能顺着读懂。AI 和相应的软件可以协助处理尺寸、格式、对齐和编号。
一个字体参数忘了，可以查；不知道这张图准备说明什么，就需要回头梳理分析目的。两种问题需要补的知识不同。
写文章、润色和回应审稿，让研究接受进一步检查
开始写文章时，我们还要把这些工作组织成别人能读懂的论述。为什么研究这个问题？已有工作留下了什么疑问？我们用了什么方法，得到什么结果，这些结果能支持怎样的解释？写方法部分，需要准确说明别人怎样重复分析；写结果部分，需要分清测到了什么与我们怎样解释；写讨论部分，则要把本次结果放回已有研究中，说明它增加了什么认识，还有什么没有解决。
起草段落、检查前后衔接、调整语言和润色英文，都可以请 AI 帮忙。核对改稿时，把数据、图表和原始文献放在手边。比如，“与细胞增殖变化相关”和“促进了细胞增殖”表达的判断就不同，润色后的句子仍然要准确对应我们的实验和分析。写不清楚的时候，也可以借机检查：究竟是表达有困难，还是研究中的某一步还没有想清楚？
投稿前，需要核对文章格式、图表编号、参考文献，以及准备提交的数据和代码。收到审稿意见后，还可能需要重新分析、补做实验、重画图片和修改论述。有的问题通过解释原有方法就能回答，有的问题需要增加证据，也有的问题会促使我们收窄原来的结论。论文就是在这些工作之间来回推进的，学习也发生在这个过程中。
一项研究从提出问题走到投稿、修改和发表，会让我们反复用到前面这些知识，也把多方面的能力放在同一个项目中训练。是否能够发表，还受到研究本身、期刊评审等因素影响；这里用它作例子，是希望大家看到，一个完整项目怎样把知识联系起来。
从 图 1.2 可以看到，一篇论文中的具体工作，需要不同知识共同参与。遇到疑问时，我们还会回到前面的环节，重新检查方法、补充证据或调整解释。
图注：实线箭头表示概括的推进顺序，虚线示意根据问题回查实验或分析；实际研究还可能在其他环节之间往返。图中的小图仅表示工作类型，不是实测结果。这些工作通常需要多人协作。
1.4 在完整项目中建立知识框架
每学一部分，都知道它在项目中的位置
如果把上面的工作拆开看，我们似乎又得到了一张很长的学习清单。但做项目时，这些知识会以具体问题的形式出现：为什么两组样本不能直接比较？这份表为什么少了几个样本？图上的差异为什么与正文的描述不一致？要解决这些问题，就需要找到它们与前后步骤的关系。
比如，同一批数据绘出的两张图，看起来却有很大的差别。可能是两次使用了不同的坐标范围，也可能是其中一次绘图前转换了单位，或对数据做了不同处理。你需要沿着图、结果表、代码和输入数据往回检查。这样追查过一遍，你会更清楚数据处理、程序实现和图形表达之间的关系，也知道下次该从哪里查起。
刚开始，知识框架可以很粗，只知道一个研究大致会经过哪些环节。随着项目推进，再逐渐填入具体概念、方法及其适用条件。你不需要等框架完整了才开始实践；恰恰是在实践中，原来不理解的概念有了用途，原来没有意识到的缺口开始显现。
所以，我建议大家每完成一部分工作，都停下来想一想：这一步解决了什么问题？用了哪些知识？下一步会用到哪些结果？可以用自己的话写一小段，也可以画出这些知识之间的联系。不要只留下“这里运行了某个软件”，还要留下为什么需要它。AI 可以帮助整理这些记录，但你应该能够结合自己的数据，把其中的关系解释清楚。
先做完一个范围明确的项目
刚入门时，可以先选择一篇文章中的一个明确问题，找到对应的数据，完成分析并复现一张主要图。把这个范围内的数据来源、处理过程和结果含义讲清楚，再逐步扩展到更多图和整项研究。完整的关键在于能够从问题走到结果，并把中间的过程说明白；项目规模可以随着能力增长。
如果 AI 帮你节省了具体操作的时间，我建议把这些时间用来检查结果、理解分析过程。代码写出来以后，多换一个输入检查；图画出来以后，多问一句这个变化还有没有其他解释；文章写完一段以后，核对一下每个判断有没有对应的数据。
这一过程中，有些知识需要先理解，再继续工作，例如处理组与对照组的含义、独立样本与重复测量的区别。另一些细节可以边做边查，例如读取文件的函数、图片导出的参数。安排学习时，要看不理解它会影响什么。会改变分析含义的地方，需要停下来弄懂；暂时记不住的操作细节，可以留下可查的记录。
换一个问题，继续使用已经学到的思考方法
完成一次项目以后，我们当然希望下一次能够用上这些经验。可以继续使用的，包括怎样明确问题、整理样本信息、选择分析方法、检查结果，以及保存代码和记录。具体采用哪一种方法，还要重新看数据和问题的条件。
例如，第一次比较的是两组不同个体，下一次比较的是同一批个体处理前后的结果。两次都叫“比较两组”，但样本之间的关系发生了变化，分析时就需要考虑这种对应关系。又如，从 RNA-seq 转向另一种测序技术，文件管理、质量检查和结果复核的经验仍然有用，但实验测到了什么、信号代表什么，要重新学习。知道哪些经验可以沿用，哪些地方必须补课，才算开始学会迁移。
你也可以请 AI 比较两个项目，把实验对象、数据来源和分析目标分别列清楚，再讨论原有方法在哪些地方仍然适用。提出这样的要求，需要你已经注意到“条件可能变了”。一次项目留下的知识框架，会帮助你在下一次更早地发现这些问题。
图 1.3 用两种样本关系说明这种迁移。明确问题、整理信息和检查结果的做法可以继续使用；样本之间的关系变了，分析方法就需要重新考虑。
图注：项目 A 的两组来自不同个体，项目 B 比较同一个体处理前后的结果，横线连接同一个体的两次观察。字母仅用于示意个体身份，不表示样本量建议或实测数据；中间的箭头表示思考环节之间的联系。
1.5 给初学者的入门建议
我曾在个人网站上分享过一些生物信息学入门建议。4 其中不少内容，今天仍然值得认真练习。结合前面讨论的学习方式，我们再来看这些基础分别有什么用，以及刚开始应该学到什么程度。
先明确目标，再安排自己的学习
你希望学习生物信息学到什么程度？能够完成一次常规分析，与能够独立推动一个项目，需要的积累有所不同。我倾向于把能力的成长分成四个层次，帮助大家判断自己眼下最需要练习什么。
- 能够完成常规分析。 熟悉成熟流程的输入、输出和基本用途，能够处理常见报错，编写或修改小脚本，完成文件整理与批量操作，并检查运行结果。
- 能够独立推动一个项目。 围绕具体问题选择数据和分析方法，安排步骤、解释结果，遇到困难时能够找到继续推进的办法，也能与合作者说明需要什么信息。
- 能够在一个方向上做出贡献。 深入理解领域中的重要问题和已有方法的局限，通过持续研究，提出有价值的问题、改进方法或获得新的认识。
- 能够开辟新的研究方向。 在长期积累的基础上，识别重要而尚未解决的问题，推动新的方法或研究领域形成。
这些层次描述的是能力，并没有适合所有人的固定年限。AI 可以帮助完成其中的很多具体工作，但我们仍然需要在项目中积累对问题、方法和证据的认识。刚开始，不妨先给自己定一个能够检查的目标：解释清楚一份测序文件，完成一次质量检查，或者复现一张有明确生物学含义的图。完成后再问，离独立推动这项研究，还缺哪些能力？
学习 Linux，从文件和命令行操作开始
在一项实际分析中，我们需要查看目录，复制、移动和重命名文件，查看文本，压缩与解压缩；随后还会查找和筛选内容，把几个处理步骤连接起来，对一批文件重复操作。学习 Linux 时，可以先围绕这些任务动手。每学一个命令，就拿小文件试一遍，观察输入和输出发生了什么变化。
我在以前的建议中提到过罗静初老师整理的《Linux 十大常用命令》《Unix 十大实用命令》《Unix 十大高级命令》。这类资料适合用来安排初期练习。《鸟哥的 Linux 私房菜》这样的系统性资料，可以放在手边作为参考，遇到权限、进程或系统配置问题，再去读相关章节。本书第 2 章也会从实际操作出发，帮助大家建立基本认识。
AI 可以解释命令，也可以帮你把几个操作写成脚本。你需要逐渐弄清楚命令处理的是哪些文件，结果写到哪里，原文件会不会改变。换成自己的数据之前，先用能够看懂的小例子试一遍。
学习使用服务器，理解任务在哪里运行
当分析需要较多数据和计算资源时，还要学习远程服务器的使用。除了连接服务器、传输文件，还包括提交任务、查看日志、判断任务是否正常运行，以及遵守共享环境的资源使用约定。开始时先提交一个小任务，弄清楚它在哪里运行、结果存在哪里、出错后到哪里查原因，再逐步处理更多样本。
我在以前的建议中特别强调过真实服务器的实践，是希望大家接触远程连接、共享资源和任务管理。本地 Linux、WSL 或虚拟机可以帮助练习命令与小规模分析；有条件以后，再到有使用权限的服务器上完成实际任务。第 2 章会介绍相应操作，多样本分析的组织可以继续参考第 10 章。
使用 AI 协助时，也要把当前环境告诉它。文件在本地还是远端，软件装在哪里，可以使用多少资源，这些信息会影响代码能否运行。报错以后把完整的报错和必要的上下文交代清楚，比只说一句“运行不了”更容易找到原因。
学习编程，用小问题检查自己是否理解
Python 是我以前推荐的入门语言，本书也会介绍 R。刚开始，可以围绕一个具体任务练习文件读写、条件判断、循环和基本数据结构。阅读代码时，试着说明每一步处理的对象；运行以后检查结果；接着更换输入或修改一个条件，看看程序的行为是否符合预期。
我曾用一个练习检验编程基础：只使用语言的基础功能，求两个 BED 文件中基因组区间的交集和并集。这个问题要求我们读入染色体与区间坐标，明确什么叫重叠，再把结果正确写出。这里要处理的是区间之间的关系，不能用两份文件中哪些整行文字相同来代替。可以先画出几个简单区间，手算结果，再用程序处理同样的例子。
今天，你很容易请 AI 帮忙写出一份代码。这个练习仍然值得做，因为你可以继续检查：不同染色体上的区间有没有被错误合并？输入为空时会发生什么？重复区间怎样处理？先把预期结果想清楚，再看代码怎样实现。读得懂以后，再自己改一处条件、补一个检查。我建议大家在借助 AI 完成任务的同时，保留这些动手练习，逐步把程序的处理过程弄明白。
R 的学习同样可以从读写表格、筛选、分组汇总和绘图开始。会调用一个函数以后，再去理解它对数据作了什么处理。语言之间有许多可以互相借鉴的概念，先围绕眼前任务把一种用起来，再根据需要扩展。
生物学和统计学，要结合正在研究的问题学习
如果你不知道一个实验测量的是什么，就很难解释分析结果。进入一个研究方向时，要补相关的生物学基础，也要读这个方向的重要文献。除了关注作者用了什么软件，还可以追问：他们为什么提出这个问题？实验能够观察到什么？采用这种比较有什么理由？对主要结果，还有没有其他解释？把这些内容逐渐理清，才能了解一个领域已经走到哪里。
统计学也有类似的问题。听过概率论与数理统计，并不意味着面对自己的数据就知道该怎样分析。实际项目会让我们遇到更具体的疑问：样本之间有多大的差异？这次比较要估计什么变化？不确定性怎样表达？方法所要求的条件是否满足？可以带着这些问题学习第 11 章，需要时再查系统性资料。
AI 可以帮助把抽象概念放进小例子里解释。听明白一个例子以后，试着换一个条件，看看自己还能不能判断。遇到与实验设计、统计推断有关的困难，也要把自己不理解的地方说清楚，与有经验的老师或合作者讨论。
选择一篇文章，把主要分析过程走一遍
对于希望进一步入门的同学，我仍然建议：在自己关心的方向，选择一篇数据和分析方法比较清楚、与今后研究有一定相似性的文章，把文章读懂，再取得相应数据，尝试重复主要分析，并把关键图真正画出来。
读懂文章，需要理解它的行文逻辑、实验设计和可能存在的不足。复现时，要弄清楚每张图使用了哪些样本，数据经过了哪些处理，作者为什么这样展示。遇到原文没有交代清楚的地方，先查补充材料、代码或数据说明，并把仍然不确定的部分记下来。
自己的结果与论文不完全一致时，需要比较数据版本、样本范围、参数及其他可能影响结果的条件。差异有多大、是否影响主要判断，都要结合具体问题解释。不能仅凭两张图看起来相似，就认为分析一定正确。走过这个过程，你会体会到从数据的产生、收集，到处理、分析，再到图表表达，中间究竟有哪些工作。
从整理一份样本表、检查一个 FASTQ 文件，或处理几个基因组区间开始。完成后，为自己留下四项记录：
- 问题与输入： 想解决什么问题，数据从哪里来，包含哪些内容？
- 步骤与依据： 做了哪些处理，为什么需要这些步骤？
- 检查与结果： 如何知道程序正常运行，结果是否符合预期？
- 解释与下一步： 结果说明了什么，还不能说明什么，接下来需要做什么？
如果使用了 AI，补充记录它帮助完成了哪些部分，以及你如何核对这些建议。把数据位置、代码、参数和说明保存在同一个项目中，让未来的自己能够重新运行并理解这次分析。项目扩大以后，也继续保留这些记录。
学习有许多条路径，这本书提供其中一条参考。尽信书不如无书，领会数据处理的方法，理解知识之间的联系，再通过项目不断修正自己的认识，比记住几段现成代码更有长远的用处。
种一棵树，最好的时间是十年前，其次，便是现在。希望在前进的路上，我们能够共勉！
Anthropic，Building effective agents。文中介绍大语言模型与检索、工具及环境反馈结合的工作方式；本章关注这些能力对学习过程的帮助，具体使用方法见第 12 章。↩︎
Conesa A, et al. A survey of best practices for RNA-seq data analysis. Genome Biology, 2016, 17:13. 原文。关于实验设计、重复与分析环节的讨论，可结合本书第 5 章继续阅读。↩︎
PLOS ONE，Figures，其中“Preparing Figures from Image Files”说明图片整理与不恰当图像修改的区别。投稿时还需查看目标期刊的具体要求。↩︎