作者 | 李阳（美国俄亥俄州立大学博士后）
本人作为生物信息领域研究人员，积累的经验不多，踩的坑倒是不少。
虽然阅历有限，但是不吐不快。下面先列举一下我所踩过的坑，抛个砖，欢迎大家补充和拍砖。现在开始：
1. 摊子太大
做科研有点像美国总统选举。如果总统候选人得到了48个州的支持，那么副总统候选人就一定要覆盖剩余的两个州，而不一定是支持率第二高的人选。
科研也是一样。不同的测序技术、测序平台、物种得到的数据的内部特征都是各有差异的。
我们开发的算法很难适用于所有数据，除非你只在模拟数据上做实验。能够适用于最广泛数据的算法，毫无疑问，绝对是第一个占领市场的方法。
我们不用太雄心勃勃地硬碰硬。只需要在实验和观察中，发现自己的算法最适用的数据即可。
至于本领域最主流的算法，我们与它的数据格式最好对接。
2. 完美主义
做科研是从地点A走到地点B，而不是把脚印踏遍整个土地。因此，在做实验的过程中，最重要的是走到实验的最后一步（评估）。
至于实验过程中出现的各种意外（例如：个别数据上的Bug），我们可以不予理睬。
等到在一部分数据上走到最后一步后，再腾出手来处理出现Bug的数据。
3. 流程不清晰
多数人年轻的时候执行力超强，经常脑海里还没有清晰的思路，就开始写代码做实验了。
其实在动手之前，最应该做的事有三项：选择数据（不需要太多，但是要覆盖尽可能多的测序技术）；选择比较软件（同样不需要多，但是需要对软件进行分类，每一类选择一个）；完成评价体系的代码。
有了评价体系，在调试算法和程序的过程中才有方向。
4. 没有时间观念
科研永远没有尽头，因此该妥协的时候就妥协。
随着研究的深入，一定会发现新问题，甚至新思路。请允许自己把新的创意留给下一篇论文。
时间不等人，目前的项目一定要跟随时间线按时完成每一个里程碑。
说到这里，注意了：为了有效地将项目进行下去，最好把项目拆分为一个个里程碑。
举个例子：对于一篇论文，我们可以把它根据正文图片进行拆分，完成一张图意味着完成这幅图的制作、相关正文和附件的书写。
绞尽脑汁，只想到了这些，欢迎补充！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。