昨天推薦了一本學(xué)習(xí)生信的好書(shū)，新手友好，實(shí)戰(zhàn)性強(qiáng)；今天看到生物城堡公眾號(hào)的一位朋友編譯了部分內(nèi)容，分享于此。

穩(wěn)健的研究在很大程度上是采取一系列方案，這些方案共同累積了可靠度，我們的目的是防止“無(wú)聲”的錯(cuò)誤混淆結(jié)果。

01 重視實(shí)驗(yàn)設(shè)計(jì)

穩(wěn)健的研究始于良好的實(shí)驗(yàn)設(shè)計(jì)。不幸的是，再多精彩的分析也救不了一個(gè)設(shè)計(jì)糟糕的實(shí)驗(yàn)。

我見(jiàn)過(guò)項(xiàng)目落在我的桌子上準(zhǔn)備進(jìn)行分析，花了數(shù)萬(wàn)元測(cè)序，但當(dāng)數(shù)據(jù)放在這時(shí)，其實(shí)已經(jīng)完全“死”了。無(wú)論如何，在實(shí)驗(yàn)結(jié)束后，我們都無(wú)法挽救設(shè)計(jì)糟糕的實(shí)驗(yàn)。

大多數(shù)統(tǒng)計(jì)學(xué)入門(mén)課程和書(shū)籍都涵蓋了實(shí)驗(yàn)設(shè)計(jì)中的基本方法。不過(guò)，基因組學(xué)實(shí)驗(yàn)中的實(shí)驗(yàn)設(shè)計(jì)是另一回事，并且正在積極研究和改進(jìn)。確保你的數(shù)萬(wàn)元的實(shí)驗(yàn)達(dá)到它的潛力的最好方法是，看看你這種類(lèi)型的項(xiàng)目同行中做的最好的是什么樣的。咨詢(xún)您當(dāng)?shù)赜押玫慕y(tǒng)計(jì)學(xué)家，了解任何實(shí)驗(yàn)設(shè)計(jì)問(wèn)題或您在計(jì)劃實(shí)驗(yàn)時(shí)可能存在的問(wèn)題。

02 為人類(lèi)編寫(xiě)代碼，為計(jì)算機(jī)編寫(xiě)數(shù)據(jù)

調(diào)試的難度是最初編寫(xiě)代碼的兩倍。生物信息學(xué)項(xiàng)目可能涉及堆積如山的代碼，而我們針對(duì)bug的最好防御就是為人類(lèi)，而不是為計(jì)算機(jī)編寫(xiě)代碼。人類(lèi)是進(jìn)行調(diào)試的人，因此編寫(xiě)簡(jiǎn)單、清晰的代碼可以使調(diào)試變得更容易。

代碼應(yīng)該是可讀的，分解為小的包含組件(模塊化)，并且可重用(因此不需要重寫(xiě)代碼來(lái)一遍又一遍地執(zhí)行相同的任務(wù))。這些實(shí)踐在編程圈中是至關(guān)重要的，也應(yīng)該應(yīng)用于生物信息學(xué)工作中。注釋代碼和遵守代碼風(fēng)格指南是提高代碼可讀性的簡(jiǎn)單方法。

為什么代碼的可讀性如此重要？首先，可讀代碼使項(xiàng)目更具可重復(fù)性，因?yàn)槠渌丝梢愿菀椎乩斫饽_本做什么以及它們是如何工作的。其次，在可讀的、注釋良好的代碼中查找和更正軟件錯(cuò)誤要比混亂的代碼容易得多。第三，當(dāng)代碼注釋良好且編寫(xiě)清晰時(shí)，將來(lái)重新訪問(wèn)代碼總是更容易。編寫(xiě)模塊化和可重用代碼只是需要多加練習(xí)而已。

與代碼相反，數(shù)據(jù)的格式應(yīng)該便于計(jì)算機(jī)讀取。很多時(shí)候，我們?nèi)祟?lèi)記錄數(shù)據(jù)的方式最大限度地提高了數(shù)據(jù)對(duì)我們?nèi)祟?lèi)的可讀性，但在計(jì)算機(jī)處理數(shù)據(jù)之前需要進(jìn)行大量的整理工作。計(jì)算機(jī)可讀的數(shù)據(jù)越多，我們就越能利用計(jì)算機(jī)來(lái)處理這些數(shù)據(jù)。

03 讓你的電腦替你工作

人們做死記硬背的事情往往會(huì)犯很多錯(cuò)誤。讓你的工作更健壯的最簡(jiǎn)單的方法之一就是，讓你的電腦盡可能多地做這種死記硬背的工作。這種自動(dòng)化任務(wù)的方法更穩(wěn)健，因?yàn)樗档土朔感″e(cuò)誤的可能性(如意外遺漏文件或輸出文件命名錯(cuò)誤)。

例如，通過(guò)單獨(dú)鍵入每個(gè)命令在20個(gè)不同的文件上運(yùn)行程序是脆弱的--每處理一個(gè)文件，發(fā)生粗心錯(cuò)誤的可能性都會(huì)增加。在生物信息學(xué)工作中，應(yīng)該養(yǎng)成讓計(jì)算機(jī)為你做這種重復(fù)性工作的習(xí)慣。與其粘貼相同的命令20次，不如編寫(xiě)一個(gè)腳本來(lái)完成這項(xiàng)工作，只需更改輸入和輸出文件。這不僅更容易并且不太可能導(dǎo)致錯(cuò)誤，而且還增加了可重復(fù)性，因?yàn)槟_本記錄下了對(duì)每個(gè)文件所做的事情。

04 在代碼和方法中進(jìn)行斷言并“發(fā)出聲音”

當(dāng)我們寫(xiě)代碼時(shí)，我們傾向于對(duì)我們的數(shù)據(jù)有隱含的假設(shè)。例如，我們期望只有三個(gè)DNA鏈選項(xiàng)(正向，反向和未知)，基因的起始位置小于結(jié)束位置，并且我們不能有負(fù)位置。我們對(duì)數(shù)據(jù)所做的這些隱含的假設(shè)會(huì)影響我們編寫(xiě)代碼的方式；例如，如果我們假設(shè)某種情況不會(huì)發(fā)生，我們可能不會(huì)考慮在代碼中處理它。然而，這可能導(dǎo)致可怕的靜默錯(cuò)誤：我們的代碼或程序接收到超出我們預(yù)期的值，但仍然在沒(méi)有警告的情況下返回輸出。防止此類(lèi)錯(cuò)誤的最佳方法是使用斷言語(yǔ)句(如Python的assert()和R的stopifnot())顯式聲明，測(cè)試我們關(guān)于代碼中數(shù)據(jù)的假設(shè)。

幾乎每種編程語(yǔ)言都有自己的Assert函數(shù)版本。這些Assert函數(shù)的操作方式類(lèi)似：如果語(yǔ)句的計(jì)算結(jié)果為false，則Assert函數(shù)將停止程序并引發(fā)錯(cuò)誤。它們可能很簡(jiǎn)單，但這些斷言函數(shù)在穩(wěn)健研究中是必不可少的。在我學(xué)術(shù)生涯的早期，一位導(dǎo)師激勵(lì)我養(yǎng)成了非常寬松地使用斷言的習(xí)慣--即使看起來(lái)似乎絕對(duì)不可能有問(wèn)題--但我一直驚訝于這些斷言有多少次捕捉到了微妙的錯(cuò)誤。在生物信息學(xué)(以及所有領(lǐng)域)中，至關(guān)重要的是我們盡可能地將可怕的“無(wú)聲”錯(cuò)誤轉(zhuǎn)變?yōu)椤绊懥痢钡腻e(cuò)誤。

05 測(cè)試代碼，或者讓代碼測(cè)試代碼

程序猿們是一群聰明的人，他們把讓自己的計(jì)算機(jī)做工作的想法提升到一個(gè)新的水平，讓代碼測(cè)試其他代碼，而不是手工完成。測(cè)試代碼的一種常見(jiàn)方法稱(chēng)為單元測(cè)試。在單元測(cè)試中，我們將代碼分解為單獨(dú)的模塊化單元(這也可以提高可讀性的)，并編寫(xiě)測(cè)試此代碼的附加代碼。在實(shí)踐中，這意味著如果我們有一個(gè)名為add()的函數(shù)，我們就會(huì)編寫(xiě)一個(gè)名為test_add()的附加函數(shù)(通常在單獨(dú)的文件中)。這個(gè)test_add()函數(shù)將調(diào)用具有特定輸入的add()函數(shù)，并測(cè)試輸出是否如預(yù)期的那樣。在Python中，這可能類(lèi)似于：

EPS = 0.00001 # 比較浮點(diǎn)值時(shí)使用的較小數(shù)字 def add(x, y): """求和.""" return x + y def test_add(): """測(cè)試add()函數(shù)是否適用于各種數(shù)值類(lèi)型。""" assert(add(2, 3) == 5) assert(add(-2, 3) == 1) assert(add(-1, -1) == -2) assert(abs(add(2.4, 0.1) - 2.5) < EPS)

test_add()函數(shù)的最后一行看起來(lái)比其他行更復(fù)雜，因?yàn)樗容^的是浮點(diǎn)值。很難在計(jì)算機(jī)上比較浮點(diǎn)值，因?yàn)榇嬖诒硎竞蜕崛胝`差。然而，這是一個(gè)很好的提醒，我們總是受到我們的機(jī)器所能做的事情的限制，我們必須在分析中記住這些限制。

與軟件行業(yè)相比，單元測(cè)試在科研編碼中的使用要少得多，盡管科研代碼更有可能包含錯(cuò)誤(因?yàn)槲覀兊拇a通常只運(yùn)行一次以生成出版物的結(jié)果，并且科研代碼中的許多錯(cuò)誤都是沉默的)。可以稱(chēng)為科研編碼的悖論：科研編碼容易出錯(cuò)的本質(zhì)意味著我們應(yīng)該使用與軟件行業(yè)一樣多或更多的測(cè)試，但實(shí)際上我們做的測(cè)試要少得多。這是令人遺憾的，因?yàn)楝F(xiàn)在許多科學(xué)結(jié)論都是堆積如山的代碼的結(jié)果，但這些代碼卻沒(méi)有經(jīng)過(guò)充分測(cè)試。

雖然測(cè)試代碼是發(fā)現(xiàn)、修復(fù)和防止軟件錯(cuò)誤的最好方法，但測(cè)試并不便宜。測(cè)試代碼使我們的結(jié)果變得健壯，但它也占用了我們相當(dāng)多的時(shí)間。對(duì)于研究人員來(lái)說(shuō)，為他們編寫(xiě)的每一段代碼編寫(xiě)單元測(cè)試需要花費(fèi)太多的時(shí)間。科學(xué)發(fā)展迅速，在編寫(xiě)和執(zhí)行單元測(cè)試所需的時(shí)間內(nèi)，研究可能會(huì)過(guò)時(shí)或被搶發(fā)。更明智的策略是在每次編寫(xiě)代碼時(shí)考慮三個(gè)重要變量：

• 此代碼被其他代碼調(diào)用了多少次？

• 如果此代碼錯(cuò)誤，對(duì)最終結(jié)果會(huì)有多大危害？

• 如果發(fā)生錯(cuò)誤，錯(cuò)誤會(huì)有多明顯？

測(cè)試一段代碼的重要性與前兩個(gè)變量成正比，與第三個(gè)變量成反比(如果bug非常明顯，就沒(méi)有必要為它編寫(xiě)測(cè)試)。

07?將數(shù)據(jù)處理為只讀

許多科學(xué)家花費(fèi)大量時(shí)間使用Excel，眼都不眨一下，就會(huì)改變單元格中的值并保存結(jié)果。我強(qiáng)烈反對(duì)以這種方式修改數(shù)據(jù)。相反，更好的方法是將所有數(shù)據(jù)視為只讀，并且只允許程序讀取數(shù)據(jù)并創(chuàng)建新的、額外的結(jié)果文件。

為什么在生物信息學(xué)中將數(shù)據(jù)作為只讀處理很重要？首先，就地修改數(shù)據(jù)很容易遇到崩潰的結(jié)果。例如，假設(shè)您編寫(xiě)了一個(gè)直接修改文件的腳本。在處理大型文件的過(guò)程中，腳本遇到錯(cuò)誤并崩潰。因?yàn)槟呀?jīng)修改了原始文件，所以無(wú)法撤銷(xiāo)更改并重試(除非您有備份)！本質(zhì)上，此文件已損壞，無(wú)法再使用。

其次，當(dāng)我們就地修改文件時(shí)，很容易忘記我們是如何更改它的。與每個(gè)步驟都有一個(gè)輸入文件和一個(gè)輸出文件的工作流不同，就地修改的文件不會(huì)給出我們對(duì)它所做的任何指示。如果我們忘記了我們是如何更改文件的，并且沒(méi)有原始數(shù)據(jù)的備份副本，那么我們的更改基本上是不可重復(fù)的。

對(duì)于熟悉在Excel中工作的科學(xué)家來(lái)說(shuō)，將數(shù)據(jù)視為只讀似乎有違直覺(jué)，但這對(duì)于穩(wěn)健的研究是必不可少的(并可防止災(zāi)難，并有助于重復(fù)性)。最初的困難是值得的；除了保護(hù)數(shù)據(jù)不受損壞和不正確的更改之外（Excel改變了你的基因名，30% 相關(guān)Nature文章受影響，NCBI也受波及），它還促進(jìn)了可重復(fù)性。此外，分析的任何步驟都可以很容易地重做，因?yàn)槌绦虿粫?huì)改變輸入數(shù)據(jù)。

08 花時(shí)間將常用腳本開(kāi)發(fā)為工具

在您作為一名高技能生物信息學(xué)家的整個(gè)開(kāi)發(fā)過(guò)程中，您最終將創(chuàng)建一些反復(fù)使用的腳本。這些可能是從數(shù)據(jù)庫(kù)下載數(shù)據(jù)的腳本，或者處理某種類(lèi)型的文件，或者可能只是生成相同的漂亮圖形。這些腳本可以與實(shí)驗(yàn)室成員共享，甚至可以跨實(shí)驗(yàn)室共享。您應(yīng)該付出額外的努力和關(guān)注，使這些高使用率或高度共享的腳本盡可能健壯。我認(rèn)為這個(gè)過(guò)程是將一次性腳本變成工具。

與腳本不同的是，工具被設(shè)計(jì)為可以一遍又一遍地運(yùn)行。它們有良好的文檔記錄，具有顯式的版本控制，具有可理解的命令行參數(shù)，并保存在共享的版本控制存儲(chǔ)庫(kù)中。

重復(fù)應(yīng)用于大量數(shù)據(jù)集的腳本會(huì)影響更多結(jié)果，因此應(yīng)該進(jìn)行更多開(kāi)發(fā)，以使它們更加健壯和用戶(hù)友好。與其他研究人員共享的腳本尤其如此，這些研究人員需要能夠查閱文檔并將您的工具安全地應(yīng)用于他們自己的數(shù)據(jù)。雖然開(kāi)發(fā)工具比編寫(xiě)一次性腳本更費(fèi)力，但從長(zhǎng)遠(yuǎn)來(lái)看，它可以節(jié)省時(shí)間并防止頭痛。

09 讓數(shù)據(jù)證明它的高質(zhì)量

當(dāng)科學(xué)家考慮分析數(shù)據(jù)時(shí)，他們通常會(huì)考慮分析實(shí)驗(yàn)數(shù)據(jù)以得出生物學(xué)結(jié)論。然而，為了進(jìn)行穩(wěn)健的生物信息學(xué)工作，我們實(shí)際上需要分析的不僅僅是實(shí)驗(yàn)數(shù)據(jù)。這包括檢查和分析關(guān)于實(shí)驗(yàn)數(shù)據(jù)質(zhì)量的數(shù)據(jù)，來(lái)自生物信息學(xué)程序的中間輸出文件，以及可能的模擬測(cè)試數(shù)據(jù)。這樣做可以確保我們的數(shù)據(jù)處理功能如我們預(yù)期的那樣運(yùn)行，并體現(xiàn)了生物信息學(xué)的黃金法則：永遠(yuǎn)不要相信你的工具或數(shù)據(jù)。

永遠(yuǎn)不要假設(shè)數(shù)據(jù)集是高質(zhì)量的，這一點(diǎn)很重要。相反，數(shù)據(jù)的質(zhì)量應(yīng)該通過(guò)探索性數(shù)據(jù)分析(稱(chēng)為EDA)來(lái)證明。EDA既不復(fù)雜也不耗時(shí)，并且將使您的研究對(duì)大型數(shù)據(jù)集中潛伏的驚喜更加健壯。

文章部分來(lái)源于Bioinformatics Data Skills. 編譯：生物城堡公眾號(hào)。

• 生信學(xué)習(xí)學(xué)的是什么？常識(shí)！

• 分享清華大學(xué)魯志教授實(shí)驗(yàn)室生物信息學(xué)教程

• 這個(gè)為生信學(xué)習(xí)和生信作圖打造的開(kāi)源R教程真香！！！

• 這個(gè)為生信學(xué)習(xí)打造的開(kāi)源Linux教程真香！！！

• 這個(gè)為生信學(xué)習(xí)打造的開(kāi)源 Python 文字教程真香！！！

• 該如何自學(xué)入門(mén)生物信息學(xué)

• 哈佛大學(xué)劉小樂(lè)教授講授的計(jì)算生物學(xué)和生物信息學(xué)導(dǎo)論 (2020 視頻+資料）
  

往期精品(點(diǎn)擊圖片直達(dá)文字對(duì)應(yīng)教程)

機(jī)器學(xué)習(xí)

后臺(tái)回復(fù)“生信寶典福利第一波”或點(diǎn)擊閱讀原文獲取教程合集

總結(jié)

以上是生活随笔為你收集整理的开展“稳健”的生物信息学研究的9个要点的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。