论生物信息学人才培养与学科发展

戴晓峰

摘 要：生物信息在各个生命科学相关领域的作用日显突出，但是生物信息学的研究范围与人才类型尚不清晰，更缺乏相应的人才培养方案及成熟的科学研究体系。针对这些问题，本文界定了生物信息学的研究范围，将生物信息学人才分为4种类型，针对每种类型人才提出了相应培养目标、学科来源与就业导向，还指出了该领域科研发展中的尚存问题，有针对性地提出相应建议。本文旨在明确生物信息的研究内容与特点，促进生物信息学人才培养，推动生物信息学及相关学科的发展。

关键词：生物信息学 人才培养 学科发展

中图分类号：G642 文献标识码：A 文章编号：1674-098X（2017）08（c）-0241-02

生物信息学是研究生物信息的采集、处理、存储、传播、分析和解释等各方面的学科，也是隨着生命科学和计算机科学的迅猛发展，二者相互交叉形成的一门新学科。生物信息的发展大致经历了前基因组时代、基因组时代和后基因组时代。目前其主要研究内容已经从对DNA和蛋白质序列比较、编码区分析、分子进化转移到大规模的数据整合、可视化，比较基因组学、代谢网络分析、基因表达谱网络分析、蛋白质技术数据分析处理、蛋白质结构与功能分析以及药物靶点筛选等[1]。随着高通量实验手段的飞速发展，海量数据大量生成，如何从这些数据中挖掘出有用信息进一步指导实验或者对实验结果进行合理分析，是降低研究成本与周期，推动生命科学相关研究快速发展的必需工具。

虽然生物信息学已经成为目前极其热门的系统生物学研究手段，但是人们对生物信息学的定义十分模糊，该方面研究人才也相对稀缺，不少高校都没有设置相关专业与课程。生物信息相关科学研究也出现形式多样、百花齐放的模式，许多学校也没有注意到该学科具有高度交叉性的特点，缺少相应的扶持政策，使我国生物信息领域的发展始终滞后于国际水平。因此，如何在各生命相关学科内对生物信息学进行精准定位，并针对不同培养阶段的学生设置相应的课程进行定向培养，对于学生与学科发展都有着极大的推动作用。

1 生物信息学研究范围

生物信息研究主要分为4类，即“算法开发、数据处理、数据分析、数据库构建”。第一，算法开发。算法开发是为了解决某个生物学问题设计相应的数学算法，涉及编程语言的使用和对该生物学问题的深度理解。第二，数据处理。数据处理主要指对包括各种类型转录组数据在内的高通量数据进行处理，获得包括差异基因在内的初步数据分析结果。这部分研究具有高度程式化的特点，可以对各个分析步骤涉及的算法进行深入开发，进而与“算法开发”接轨；也可以借助现有算法并将其高度整合，构建解决某一问题的pipeline。该方面研究多以生物信息学服务为目的，是目前许多公司中生物信息学工作的主要内容。第三，数据分析。该方面研究较分散、类型众多，根据不同研究目的与数据类型，分析方法多种多样，往往需要研究者对生物学问题具备较多的背景知识与理解，掌握多种公共数据库与数据分析工具，是目前高校科研最常涉及的生物信息研究类型。第四，数据库构建。该方面研究往往针对已有的数据进行整合、存储，是现代生物学研究数据积累的重要手段，往往需要专业人员进行数据更新与维护，可以涉及简单的数据分析模块构建，既适合科学研究也适合商业服务。

2 生物信息学人才分类

作为生命科学与计算机科学的交叉学科，生物信息人才需要具备两个领域的知识，对人才的知识架构要求较高，但是不同培养方向的人才对各部分知识结构的需求也不尽相同。根据生物信息学研究的4种类型，生物信息学人才的培养目标、学科来源与就业导向可以做以下归类。

2.1 算法开发人才

对算法开发类人才的培养目标是培养能够熟练运用各种编程语言，灵活运用各种包括机器学习在内的算法、思路，根据具体生物学问题设计解决该问题的数学方法与工具的人才。在实际应用中，对这类人才的编程水平、算法与逻辑思维要求较高。因此，该类人才比较适于对来自数学、计算机相关专业的学生进行定向培养。在课程设置上，在强化编程语言与算法设计的同时，需要对生物学基本知识进行培训，为研究者快速、深刻地了解目标问题，准确地设计问题解决方案奠定理论知识基础。算法开发人才在高校科研与企业研发中均发挥着十分重要的作用，也是生物信息学研究的中流砥柱。

2.2 数据处理人才

对数据处理类人才的培养目标是培养能够利用各种现有数据分析工具对庞大的原始数据进行预处理，获得可供下游生物学分析使用的初始数据的人才。这类研究主要针对高通量数据的处理，人才需要对该实验过程的基本原理、分析过程与现有算法及其优劣了如指掌；需要具备Linux等计算机系统的操作技能，可以对海量数据进行灵活批量处理。该类人才既可以来源于计算机也可以来源于生物学背景的学生，在课程设置上要照顾两方面知识的交叉培训。在我国，数据处理人才仍然是生物信息行业的主流，特别是在企业界该类人才更是供不应求。

2.3 数据分析人才

对数据分析人才的培养目标是培养能够利用公共数据库信息或实验所得数据挖掘有用信息，获得有价值的生物学结论或者为下游分子生物学实验提供指导的假设性结论的人才。该类人才需要善于使用各种数据库及数据分析软件并掌握一到两门简单的高级编程语言，能够根据各研究课题的目的和需求设计数据分析步骤与流程，能够对结果有深刻的理解与把握。由于这类人才需要对生物学问题具有深刻的认识和理解，学生宜来源于生物相关专业。对该类学生的培养除了介绍一些常用高级编程语言、数据库与分析工具外，更需要注重介绍各类生物学问题的解决方案和相应的方法选择。数据分析人才在各种生命相关的科学研究当中都必不可少，是降低研究盲目性、缩短研究周期、提高研究水平的重要推动力之一。

2.4 数据库构建人才

对数据库构建人才的培养目标是培养能够将现有数据整合、构建成一个便于检索、分析的数据库的专业人才。这类人才的培养不局限于生物学专业，但是其在生物学领域的应用成为生物信息学研究的重要内容之一。随着海量数据的不断生成，如何将数据组织成一个便于检索、便于分析的存储模块是该类研究人才需要解决的核心问题。对于这类人才的培养，数据库基本知识与必要的编程技能是培养的重要内容；此外，如何低成本地维护、更新数据库也是这类人才需要具备的基本技能。公司与高校对这类人才的需求从未间断，特别是本身能够不断产生高通量数据的企业或科研机构。endprint

3 生物信息学的人才培养

我们在高校环境下谈人才培养就涉及到本科生和研究生培养两个阶段。

3.1 生物信息学本科生培养

本科生培养是对学生相关专业的基础技能培训，同时肩负着激发学生对该学科学习兴趣的任务。针对该特点作者提出以下教学建议。第一，由于学生未来职业发展的定向性较差，因此教学内容应该涵盖生物信息学的4种类型，让学生对该学科有一个充分、正确的认识。第二，单方面教学内容不宜过深，以避免學生产生对该学科的畏惧心理。第三，理论与实践相结合，寓教于乐。生物信息学是一门应用型科学，一定要与实践相结合才能达到教学目的。对于每一类生物信息学研究，都应给予相应的应用案例，最好每一部分由长期从事相关研究的老师担任，这样学生可以及时将学习内容与未来应用相关联，既增强了教学实用性也提高了学生的学习积极性。

3.2 生物信息学研究生培养

研究生培养是对学生研究能力的培养，同时是对学生的专业定向与深度培训。此时的学生培养除了教学还包括科学研究，与老师和专业的接触机会也大大增加。针对该阶段的培养特点，笔者认为该时期应该确定某一生物信息学研究方向，有针对性地对学生进行专业化培养。为此，以下培养方式可供参考。第一，这一时期的教学培养应该借助“课程整合”的概念与优势，根据需要和学生知识结构选择合适的课程进行培训。学校应该支持跨学科、跨学院选课机制，支持研究生选修本科生课程，并且对这些学生的考察方式与标准做适当调整。由于该阶段学生已经开始接触具体科研课题，且课程培养辅助于科学研究，因此应当借鉴许多发达国家的培养方式，让研究生导师制定相关考核方式并对学生进行单独考核。第二，鼓励学生自学相关专业知识，培养学生独立学习与探索的能力。在该方面许多发达国家也有着很多值得借鉴的经验。比如，老师给学生指定一本书或相关资料让学生自学，最后老师出题进行考核；开设讨论性课程，给定学生讨论话题，由学生自主搜集材料、学习并与课程其他学生分享，学生考核由课程老师根据其在分享学习成果中表现出的学习效果以及在讨论中的积极性与正确性来评判。

4 生物信息学的科研发展

生物信息学作为一个服务性交叉学科，是一个完整生物学研究历程的重要组成部分，需要和其他特别是实验性研究相结合才能最大程度地发挥功能，推动相关研究的发展。

目前高校主要存在两种生物信息学研究模式。一种是独立的生物信息学研究团队，偏向于计算机与数学方向。这类团队大多与实验性团队有着战略性合作关系，要么是开展“算法开发、数据分析”等工作，然后其开发的算法、提出的生物学假设等由实验性团队使用或验证；要么是对实验性团队产生的结果进行“数据分析”与“数据库构建”。另一种是综合型生物信息学研究团队，偏向于生物学研究，拥有自己的实验平台，可以围绕某特定生物学问题，开展包括“数据分析”等在内的全套研究。第一种方式的科研运转模式相对简单，招生来源也比较明确，但是由于涉及深度合作，发展方向、水平与速度受到合作伙伴的限制；以第二种方式存在的团队虽然可以灵活自主地把控自己的研究方向与成果，但是由于交叉性很强，如果想要得到长久发展，需要得到学校相应的灵活政策支持，比如，允许跨学院招生或者学院间联合培养学生等。

5 结语

由于生物信息学是一门典型的交叉、新兴学科，高校需要在人才培养上给予一定灵活性，体现“课程整合”在学生培养中的优势。由于生物信息学具备服务性和多样性的特点，高校需要制定相应灵活地招生与培养策略才能促进生物信息学与其他实验性科学的深度融合，成为各生命科学相关研究的有利武器，推动相应科学研究的顺利开展。

参考文献

[1] Roos DS. Computational biology.Bioin for matics——trying to swim in asea of data[J]. Science，2001，291（5507）：1260-1261.endprint