📖 学习路线建议¶

本页面为生物信息学专业同学提供系统的学习路线建议，帮助大家循序渐进地掌握相关知识和技能。

🌱 新生入门¶

第一阶段：编程基础¶

R 语言¶

基础语法：变量、数据类型、控制结构
数据结构：向量、矩阵、数据框、列表
数据处理：dplyr、tidyr 包的使用
数据可视化：ggplot2 绘图

推荐资源

Python 语言¶

基础语法：变量、数据类型、控制结构
数据结构：列表、字典、集合、元组
常用库：NumPy、Pandas、Matplotlib
科学计算：SciPy、Scikit-learn

推荐资源

第二阶段：生物学基础¶

🧬 分子生物学：DNA、RNA、蛋白质的结构与功能
🔬 测序技术：Sanger测序、NGS、三代测序
📊 实验设计：对照实验、统计学基础
🧪 常用技术：PCR、qPCR、Western Blot等

第三阶段：统计学基础¶

📈 描述性统计：均值、方差、分布
🎲 概率论：概率分布、贝叶斯定理
📉 假设检验：t检验、卡方检验、方差分析
📊 回归分析：线性回归、逻辑回归

🚀 进阶学习¶

基因组学¶

基因组数据分析¶

序列比对：BLAST、Bowtie2、BWA
变异检测：SNP calling、INDEL检测
基因组注释：基因预测、功能注释
进化分析：系统发育树、选择压力分析

转录组学¶

RNA-seq 分析：
- 数据预处理（质控、比对）
- 差异表达分析（DESeq2、edgeR）
- 功能富集分析（GO、KEGG）
单细胞测序：
- 数据降维（PCA、t-SNE、UMAP）
- 细胞聚类与注释
- 轨迹推断

蛋白质组学与代谢组学¶

蛋白质组：质谱数据分析、蛋白质鉴定
代谢组：代谢物鉴定、代谢通路分析
多组学整合：关联分析、网络构建

生物网络分析¶

本课程重点

这是我们大四计算生物学课程的核心内容！

PPI 网络：蛋白质相互作用网络构建与分析
基因调控网络：转录因子-靶基因关系
代谢网络：代谢通路的网络表示
WGCNA：加权基因共表达网络分析
网络算法：
- 社区检测（MCL、Louvain）
- 随机游走（RWR）
- 中心性分析

🎓 高级应用¶

机器学习与深度学习¶

传统机器学习¶

监督学习：
- 分类：SVM、随机森林、XGBoost
- 回归：线性回归、岭回归、Lasso
无监督学习：
- 聚类：K-means、层次聚类、DBSCAN
- 降维：PCA、t-SNE、UMAP
模型评估：交叉验证、ROC曲线、混淆矩阵

深度学习¶

神经网络基础：感知机、反向传播
常用架构：
- CNN（卷积神经网络）
- RNN/LSTM（循环神经网络）
- Transformer
生物信息应用：
- 蛋白质结构预测（AlphaFold）
- 基因组序列分析
- 药物-靶点预测

结构生物信息学¶

蛋白质结构：
- 结构预测（同源建模、从头预测）
- 结构比对与分析
- 分子对接
分子动力学模拟：GROMACS、AMBER
药物设计：虚拟筛选、QSAR建模

🔬 科研应用¶

第一步：选题¶

确定研究方向
- 疾病机制研究
- 药物靶点发现
- 生物标志物筛选
- 进化生物学
文献调研
- PubMed 检索
- 阅读综述文章
- 追踪最新进展

第二步：数据获取¶

公共数据库¶

数据库	用途	网址
GEO	基因表达数据	https://www.ncbi.nlm.nih.gov/geo/
TCGA	癌症基因组数据	https://portal.gdc.cancer.gov/
GTEx	正常组织表达数据	https://gtexportal.org/
STRING	蛋白质相互作用	https://string-db.org/
UniProt	蛋白质序列与功能	https://www.uniprot.org/
KEGG	代谢通路	https://www.kegg.jp/

第三步：数据分析¶

数据预处理
- 质量控制
- 标准化
- 批次效应校正
统计分析
- 差异分析
- 相关性分析
- 生存分析
功能分析
- 富集分析
- 通路分析
- 网络分析

第四步：结果验证¶

计算验证：使用其他数据集验证
实验验证：qPCR、Western Blot等
文献支持：查找相关研究支持

第五步：论文撰写¶

论文结构
- Introduction（引言）
- Methods（方法）
- Results（结果）
- Discussion（讨论）
数据可视化
- 使用 ggplot2 制作出版级图表
- 注意配色和布局
- 添加必要的统计信息
投稿准备
- 选择合适的期刊
- 准备补充材料
- 代码和数据分享

📚 推荐资源¶

在线课程¶

书籍推荐¶

《生物信息学》- 李霞、雷健波
《Bioinformatics Data Skills》- Vince Buffalo
《An Introduction to Statistical Learning》- James et al.

工具与平台¶

Galaxy：图形化分析平台
Bioconductor：R 语言生物信息学包集合
Biopython：Python 生物信息学工具库

💡 学习建议¶

循序渐进

不要急于求成，扎实掌握每个阶段的知识再进入下一阶段。

理论与实践结合

学习理论知识的同时，多动手实践，完成实际项目。

积极交流

多与同学、老师交流，参加学术会议和研讨会。

持续学习

生物信息学发展迅速，保持学习的热情，关注最新技术和方法。

🎯 阶段性目标¶

大一～大二¶

✅ 掌握 R 和 Python 编程
✅ 学习统计学基础
✅ 了解分子生物学知识

大三¶

✅ 学习基因组学、转录组学分析
✅ 掌握常用生物信息学工具
✅ 完成课程项目

大四¶

✅ 深入学习特定方向（网络分析、机器学习等）
✅ 参与科研项目
✅ 准备毕业论文

研究生¶

✅ 独立完成科研项目
✅ 发表学术论文
✅ 参加国际会议

有问题欢迎在 Discussions 中讨论！