北京林业大学硕士计算生物学与生物信息学专业目录

生物信息学3236356662是交叉学科,更偏向于生物.本科是生物工程，考生物信息学的研究生,应该没问题的,应该说很有优势.生物信息学专业培养目标：本专业培养德智体美全面发展，具备生物信息学的基本理论、基本知识和基本技能，并能在高校或科研机构和政府机构及相关行业的企业、事业部门等从事生物信息和生物信息软件、产品的研究与教学、生产与开发、经营与管理等方面工作的复合型科技人才，以及为相关专业输送高水平的研究生。 专业特色：生物信息学是分子生物学和计算机科学相互交叉形成的新兴前沿学科。本专业是根据21世纪最具市场活力的新兴生物信息产业市场需求而设置的新专业。培养具有计算机技术背景，通晓分子生物学知识，熟练运用生物信息处理软件的生物学——计算机两栖复合应用型高级专业技术人才。所培养的学生在分子遗传与基因工程、生物信息处理与应用、计算机应用等领域具有显著的优势和特色。 就业前景：本专业是二十一世纪最具发展前景的专业之一，学生毕业后可在高校和科研院所从事生物信息相关的研究和教育工作，各级人民政府及其下属单位从事生物信息和基因产品的行政管理工作，能在相关行业的企事业部门从事与生物信息有关的应用研究、软件开发、生产管理、技术推广等工作。 主要课程：生物学、分子生物学、生物信息学、生物信息数据库原理与应用、生物信息软件及应用、信息科学原理、计算机应用基础、计算机高级语言、信息组织学、信息系统分析与设计、人工智能与专家系统、计算机网络等。 另外要会编程，学几个语言，C++或JAVA，再学个Perl，还最好会Linux 生物专业的课，要学好细胞，遗传，分子生物学.考研的话，大多考生化、分子、细胞或离散中的两门收起

生物信息学一, 生物信息学发展简介生物信息学是建立在分子生物学的基础上的,因此,要了解生物信息学,就必须先对分子生物学的发展有一个简单的了解.研究生物细胞的生物大分子的结构与功能很早就已经开始,1866年孟德尔从实验上提出了假设:基因是以生物成分存在[1],1871年Miescher从死的白细胞核中分离出脱氧核糖核酸(DNA),在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前,人们仍然认为染色体蛋白质携带基因,而DNA是一个次要的角色.1944年Chargaff发现了著名的Chargaff规律,即DNA中鸟嘌呤的量与胞嘧定的量总是相等,腺嘌呤与胸腺嘧啶的量相等.与此同时,Wilkins与Franklin用X射线衍射技术测定了DNA纤维的结构.1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构(双螺旋).DNA以磷酸糖链形成发双股螺旋,脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对.这个模型表明DNA具有自身互补的结构,根据碱基对原则,DNA中贮存的遗传信息可以精确地进行复制.他们的理论奠定了分子生物学的基础.DNA双螺旋模型已经预示出了DNA复制的规则,Kornberg于1956年从大肠杆菌(E.coli)中分离出DNA聚合酶I(DNA polymerase I),能使4种dNTP连接成DNA.DNA的复制需要一个DNA作为模板.Meselson与Stahl(1958)用实验方法证明了DNA复制是一种半保留复制.Crick于1954年提出了遗传信息传递的规律,DNA是合成RNA的模板,RNA又是合成蛋白质的模板,称之为中心法则(Central dogma),这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用.经过Nirenberg和Matthai(1963)的努力研究,编码20氨基酸的遗传密码得到了破译.限制性内切酶的发现和重组DNA的克隆(clone)奠定了基因工程的技术基础.正是由于分子生物学的研究对生命科学的发展有巨大的推动作用,生物信息学的出现也就成了一种必然.2001年2月,人类基因组工程测序的完成,使生物信息学走向了一个高潮.由于DNA自动测序技术的快速发展,DNA数据库中的核酸序列公共数据量以每天106bp速度增长,生物信息迅速地膨胀成数据的海洋.毫无疑问,我们正从一个积累数据向解释数据的时代转变,数据量的巨大积累往往蕴含着潜在突破性发现的可能,"生物信息学"正是从这一前提产生的交叉学科.粗略地说,该领域的核心内容是研究如何通过对DNA序列的统计计算分析,更加深入地理解DNA序列,结构,演化及其与生物功能之间的关系,其研究课题涉及到分子生物学,分子演化及结构生物学,统计学及计算机科学等许多领域.生物信息学是内涵非常丰富的学科,其核心是基因组信息学,包括基因组信息的获取,处理,存储,分配和解释.基因组信息学的关键是"读懂"基因组的核苷酸顺序,即全部基因在染色体上的确切位置以及各DNA片段的功能;同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测,然后依据特定蛋白质的功能进行药物设计[2].了解基因表达的调控机理也是生物信息学的重要内容,根据生物分子在基因调控中的作用,描述人类疾病的诊断,治疗内在规律.它的研究目标是揭示"基因组信息结构的复杂性及遗传语言的根本规律",解释生命的遗传语言.生物信息学已成为整个生命科学发展的重要组成部分,成为生命科学研究的前沿.二, 生物信息学的主要研究方向生物信息学在短短十几年间,已经形成了多个研究方向,以下简要介绍一些主要的研究重点.1,序列比对(Sequence Alignment)序列比对的基本问题是比较两个或两个以上符号序列的相似性或不相似性.从生物学的初衷来看,这一问题包含了以下几个意义[3]:从相互重叠的序列片断中重构DNA的完整序列.在各种试验条件下从探测数据(probe data)中决定物理和基因图存贮,遍历和比较数据库中的DNA序列比较两个或多个序列的相似性在数据库中搜索相关序列和子序列寻找核苷酸(nucleotides)的连续产生模式找出蛋白质和DNA序列中的信息成分序列比对考虑了DNA序列的生物学特性,如序列局部发生的插入,删除(前两种简称为indel)和替代,序列的目标函数获得序列之间突变集最小距离加权和或最大相似性和,对齐的方法包括全局对齐,局部对齐,代沟惩罚等.两个序列比对常采用动态规划算法,这种算法在序列长度较小时适用,然而对于海量基因序列(如人的DNA序列高达109bp),这一方法就不太适用,甚至采用算法复杂性为线性的也难以奏效.因此,启发式方法的引入势在必然,著名的BALST和FASTA算法及相应的改进方法均是从此前提出发的.2, 蛋白质结构比对和预测基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性.蛋白质的结构与功能是密切相关的,一般认为,具有相似功能的蛋白质结构一般相似.蛋白质是由氨基酸组成的长链,长度从50到1000~3000AA(Amino Acids),蛋白质具有多种功能,如酶,物质的存贮和运输,信号传递,抗体等等.氨基酸的序列内在的决定了蛋白质的3维结构.一般认为,蛋白质有四级不同的结构.研究蛋白质结构和预测的理由是:医药上可以理解生物的功能,寻找dockingdrugs的目标,农业上获得更好的农作物的基因工程,工业上有利用酶的合成.直接对蛋白质结构进行比对的原因是由于蛋白质的3维结构比其一级结构在进化中更稳定的保留,同时也包含了较AA序列的信息.蛋白质3维结构研究的前提假设是内在的氨基酸序列与3维结构一一对应(不一定全真),物理上可用最小能量来解释.从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构.同源建模(homology modeling)和指认(Threading)方法属于这一范畴.同源建模用于寻找具有高度相似性的蛋白质结构(超过30%氨基酸相同),后者则用于比较进化族中不同的蛋白质结构.然而,蛋白结构预测研究现状还远远不能满足实际需要.3, 基因识别,非编码区分析研究.基因识别的基本问题是给定基因组序列后,正确识别基因的范围和在基因组序列中的精确位置.非编码区由内含子组成(introns),一般在形成蛋白质后被丢弃,但从实验中,如果去除非编码区,又不能完成基因的复制.显然,DNA序列作为一种遗传语言,既包含在编码区,又隐含在非编码序列中.分析非编码区DNA序列目前没有一般性的指导方法.在人类基因组中,并非所有的序列均被编码,即是某种蛋白质的模板,已完成编码部分仅占人类基因总序列的3~5%,显然,手工的搜索如此大的基因序列是难以想象的.侦测密码区的方法包括测量密码区密码子(codon)的频率,一阶和二阶马尔可夫链,ORF(Open Reading Frames),启动子(promoter)识别,HMM(HiddenMarkov Model)和GENSCAN,Splice Alignment等等.4, 分子进化和比较基因组学分子进化是利用不同物种中同一基因序列的异同来研究生物的进化,构建进化树.既可以用DNA序列也可以用其编码的氨基酸序列来做,甚至于可通过相关蛋白质的结构比对来研究分子进化,其前提假定是相似种族在基因上具有相似性.通过比较可以在基因组层面上发现哪些是不同种族中共同的,哪些是不同的.早期研究方法常采用外在的因素,如大小,肤色,肢体的数量等等作为进化的依据.近年来较多模式生物基因组测序任务的完成,人们可从整个基因组的角度来研究分子进化.在匹配不同种族的基因时,一般须处理三种情况:Orthologous: 不同种族,相同功能的基因Paralogous: 相同种族,不同功能的基因Xenologs: 有机体间采用其他方式传递的基因,如被病毒注入的基因.这一领域常采用的方法是构造进化树,通过基于特征(即DNA序列或蛋白质中的氨基酸的碱基的特定位置)和基于距离(对齐的分数)的方法和一些传统的聚类方法(如UPGMA)来实现.5, 序列重叠群(Contigs)装配根据现行的测序技术,每次反应只能测出500 或一些碱基对的序列,如人类基因的测量就采用了短枪(shortgun)方法,这就要求把大量的较短的序列全体构成了重叠群(Contigs).逐步把它们拼接起来形成序列更长的重叠群,直至得到完整序列的过程称为重叠群装配.从算法层次来看,序列的重叠群是一个NP-完全问题.6, 遗传密码的起源通常对遗传密码的研究认为,密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的,并被固定在现代生物的共同祖先里,一直延续至今.不同于这种"冻结"理论,有人曾分别提出过选择优化,化学和历史等三种学说来解释遗传密码.随着各种生物基因组测序任务的完成,为研究遗传密码的起源和检验上述理论的真伪提供了新的素材.7, 基于结构的药物设计人类基因工程的目的之一是要了解人体内约10万种蛋白质的结构,功能,相互作用以及与各种人类疾病之间的关系,寻求各种治疗和预防方法,包括药物治疗.基于生物大分子结构及小分子结构的药物设计是生物信息学中的极为重要的研究领域.为了抑制某些酶或蛋白质的活性,在已知其蛋白质3级结构的基础上,可以利用分子对齐算法,在计算机上设计抑制剂分子,作为候选药物.这一领域目的是发现新的基因药物,有着巨大的经济效益.8, 其他如基因表达谱分析,代谢网络分析;基因芯片设计和蛋白质组学数据分析等,逐渐成为生物信息学中新兴的重要研究领域;在学科方面,由生物信息学衍生的学科包括结构基因组学,功能基因组学,比较基因组学,蛋白质学,药物基因组学,中药基因组学,肿瘤基因组学,分子流行病学和环境基因组学.从现在的发展不难看出,基因工程已经进入了后基因组时代.我们也有应对与生物信息学密切相关的如机器学习,和数学中可能存在的误导有一个清楚的认识.三, 生物信息学与机器学习生物信息的大规模给数据挖掘提出了新课题和挑战,需要新的思想的加入.常规的计算机算法仍可以应用于生物数据分析中,但越来越不适用于序列分析问题.究竟原因,是由于生物系统本质上的模型复杂性及缺乏在分子层上建立的完备的生命组织理论.西蒙曾给出学习的定义:学习是系统的变化,这种变化可使系统做相同工作时更有效[4].机器学习的目的是期望能从数据中自动地获得相应的理论,通过采用如推理,模型拟合及从样本中学习,尤其适用于缺乏一般性的理论,"噪声"模式,及大规模数据集.因此,机器学习形成了与常规方法互补的可行的方法.机器学习使得利用计算机从海量的生物信息中提取有用知识,发现知识成为可能[5].机器学习方法在大样本,多向量的数据分析工作中发挥着日益重要的作用,而目前大量的基因数据库处理需要计算机能自动识别,标注,以避免即耗时又花费巨大的人工处理方法.早期的科学方法—观测和假设----面对高数据的体积,快速的数据获取率和客观分析的要求---已经不能仅依赖于人的感知来处理了.因而,生物信息学与机器学习相结合也就成了必然.机器学习中最基本的理论框架是建立在概率基础上的,从某种意义来说,是统计模型拟合的延续,其目的均为提取有用信息.机器学习与模式识别和统计推理密切相关.学习方法包括数据聚类,神经网络分类器和非线性回归等等.隐马尔可夫模型也广泛用于预测DNA的基因结构.目前研究重心包括:1)观测和探索有趣的现象.目前ML研究的焦点是如何可视化和探索高维向量数据.一般的方法是将其约简至低维空间,如常规的主成分分析(PCA),核主成分分析(KPCA),独立成分分析(Independent component analysis),局部线性嵌套(LocallyLinear embedding).2)生成假设和形式化模型来解释现象[6].大多数聚类方法可看成是拟合向量数据至某种简单分布的混合.在生物信息学中聚类方法已经用于microarray数据分析中,癌症类型分类及其他方向中.机器学习也用于从基因数据库中获得相应的现象解释.机器学习加速了生物信息学的进展,也带了相应的问题.机器学习方法大多假定数据符合某种相对固定的模型,而一般数据结构通常是可变的,在生物信息学中尤其如此,因此,有必要建立一套不依赖于假定数据结构的一般性方法来寻找数据集的内在结构.其次,机器学习方法中常采用"黑箱"操作,如神经网络和隐马尔可夫模型,对于获得特定解的内在机理仍不清楚.四, 生物信息学的数学问题生物信息学中数学占了很大的比重.统计学,包括多元统计学,是生物信息学的数学基础之一;概率论与随机过程理论,如近年来兴起的隐马尔科夫链模型(HMM),在生物信息学中有重要应用;其他如用于序列比对的运筹学;蛋白质空间结构预测和分子对接研究中采用的最优化理论;研究DNA超螺旋结构的拓扑学;研究遗传密码和DNA序列的对称性方面的群论等等.总之,各种数学理论或多或少在生物学研究中起到了相应的作用.但并非所有的数学方法在引入生物信息学中都能普遍成立的,以下以统计学和度量空间为例来说明.1, 统计学的悖论数学的发展是伴随悖论而发展的.对于进化树研究和聚类研究中最显著的悖论莫过于均值了,如图1:图1 两组同心圆的数据集图1是两组同心圆构成的数据集,显然,两组数据集的均值均在圆点,这也就说明了要采用常规的均值方法不能将这两类分开,也表明均值并不能带来的数据的几何性质.那么,如果数据呈现类似的特有分布时,常有的进化树算法和聚类算法(如K-均值)往往会得错误的结论.统计上存在的陷阱往往是由于对数据的结构缺乏一般性认识而产生的.2, 度量空间的假设在生物信息学中,进化树的确立,基因的聚类等都需要引入度量的概念.举例来说,距离上相近或具有相似性的基因等具有相同的功能,在进化树中满足分值最小的具有相同的父系,这一度量空间的前提假设是度量在全局意义下成立.那么,是否这种前提假设具有普适性呢我们不妨给出一般的描述:假定两个向量为A,B,其中,,则在假定且满足维数间线性无关的前提下,两个向量的度量可定义为:(1)依据上式可以得到满足正交不变运动群的欧氏度量空间,这也是大多数生物信息学中常采用的一般性描述,即假定了变量间线性无关.然而,这种假设一般不能正确描述度量的性质,尤其在高维数据集时,不考虑数据变量间的非线性相关性显然存在问题,由此,我们可以认为,一个正确的度量公式可由下式给出:(2)上式中采用了爱因斯坦和式约定,描述了变量间的度量关系.后者在满足(3)时等价于(1),因而是更一般的描述,然而问题在于如何准确描述变量间的非线性相关性,我们正在研究这个问题.五, 几种统计学习理论在生物信息学中应用的困难生物信息学中面对的数据量和数据库都是规模很大的,而相对的目标函数却一般难以给出明确的定义.生物信息学面临的这种困难,可以描述成问题规模的巨大以及问题定义的病态性之间的矛盾,一般从数学上来看,引入某个正则项来改善性能是必然的[7].以下对基于这一思想产生的统计学习理论[8],Kolmogorov复杂性[98]和BIC(Bayesian Information Criterion)[109]及其存在的问题给出简要介绍.支持向量机(SVM)是近来较热门的一种方法,其研究背景是Vapnik的统计学习理论,是通过最大化两个数据集的最大间隔来实现分类,对于非线性问题则采用核函数将数据集映射至高维空间而又无需显式描述数据集在高维空间的性质,这一方法较之神经方法的好处在于将神经网络隐层的参数选择简化为对核函数的选择,因此,受到广泛的注意.在生物信息学中也开始受到重视,然而,核函数的选择问题本身是一个相当困难的问题,从这个层次来看,最优核函数的选择可能只是一种理想,SVM也有可能象神经网络一样只是机器学习研究进程中又一个大气泡.Kolmogorov复杂性思想与统计学习理论思想分别从不同的角度描述了学习的性质,前者从编码的角度,后者基于有限样本来获得一致收敛性.Kolmogorov复杂性是不可计算的,因此由此衍生了MDL原则(最小描述长度),其最初只适用于离散数据,最近已经推广至连续数据集中,试图从编码角度获得对模型参数的最小描述.其缺陷在于建模的复杂性过高,导致在大数据集中难以运用.BIC准则从模型复杂性角度来考虑,BIC准则对模型复杂度较高的给予大的惩罚,反之,惩罚则小,隐式地体现了奥卡姆剃刀("Occam Razor")原理,近年也广泛应用于生物信息学中.BIC准则的主要局限是对参数模型的假定和先验的选择的敏感性,在数据量较大时处理较慢.因此,在这一方面仍然有许多探索的空间.六, 讨论与总结人类对基因的认识,从以往的对单个基因的了解,上升到在整个基因组水平上考察基因的组织结构和信息结构,考察基因之间在位置,结构和功能上的相互关系.这就要求生物信息学在一些基本的思路上要做本质的观念转变,本节就这些问题做出探讨和思索.启发式方法:Simond在人类的认知一书中指出,人在解决问题时,一般并不去寻找最优的方法,而只要求找到一个满意的方法.因为即使是解决最简单的问题,要想得到次数最少,效能最高的解决方法也是非常困难的.最优方法和满意方法之间的困难程度相差很大,后者不依赖于问题的空间,不需要进行全部搜索,而只要能达到解决的程度就可以了.正如前所述,面对大规模的序列和蛋白质结构数据集,要获得全局结果,往往是即使算法复杂度为线性时也不能够得到好的结果,因此,要通过变换解空间或不依赖于问题的解空间获得满意解,生物信息学仍需要人工智能和认知科学对人脑的进一步认识,并从中得到更好的启发式方法.问题规模不同的处理:Marvin Minsky在人工智能研究中曾指出:小规模数据量的处理向大规模数据量推广时,往往并非算法上的改进能做到的,的是要做本质性的变化.这好比一个人爬树,每天都可以爬高一些,但要想爬到月球,就必须采用其他方法一样.在分子生物学中,传统的实验方法已不适应处理飞速增长的海量数据.同样,在采用计算机处理上,也并非依靠原有的计算机算法就能够解决现有的数据挖掘问题.如在序列对齐(sequence Alignment)问题上,在小规模数据中可以采用动态规划,而在大规模序列对齐时不得不引入启发式方法,如BALST,FASTA.乐观中的隐扰生物信息学是一门新兴学科,起步于20世纪90年代,至今已进入"后基因组时代",目前在这一领域的研究人员均呈普遍乐观态度,那么,是否存在潜在的隐扰呢不妨回顾一下早期人工智能的发展史[11],在1960年左右,西蒙曾相信不出十年,人类即可象完成登月一样完成对人的模拟,造出一个与人智能行为完全相同的机器人.而至今为止,这一诺言仍然遥遥无期.尽管人工智能研究得到的成果已经渗入到各个领域,但对人的思维行为的了解远未完全明了.从本质来看,这是由于最初人工智能研究上定位错误以及没有从认识论角度看清人工智能的本质造成的;从研究角度来看,将智能行为还原成一般的形式化语言和规则并不能完整描述人的行为,期望物理科学的成功同样在人工智能研究中适用并不现实.反观生物信息学,其目的是期望从基因序列上解开一切生物的基本奥秘,从结构上获得生命的生理机制,这从哲学上来看是期望从分子层次上解释人类的所有行为和功能和致病原因.这类似于人工智能早期发展中表现的乐观行为,也来自于早期分子生物学,生物物理和生物化学的成就.然而,从本质上来讲,与人工智能研究相似,都是希望将生命的奥秘还原成孤立的基因序列或单个蛋白质的功能,而很少强调基因序列或蛋白质组作为一个整体在生命体中的调控作用.我们因此也不得不思考,这种研究的最终结果是否能够支撑我们对生物信息学的乐观呢 现在说肯定的话也许为时尚早.综上所述,不难看出,生物信息学并不是一个足以乐观的领域,究竟原因,是由于其是基于分子生物学与多种学科交叉而成的新学科,现有的形势仍表现为各种学科的简单堆砌,相互之间的联系并不是特别的紧密.在处理大规模数据方面,没有行之有效的一般性方法;而对于大规模数据内在的生成机制也没有完全明了,这使得生物信息学的研究短期内很难有突破性的结果.那么,要得到真正的解决,最终不能从计算机科学得到,真正地解决可能还是得从生物学自身,从数学上的新思路来获得本质性的动力.毫无疑问,正如Dulbecco1986年所说:"人类的DNA序列是人类的真谛,这个世界上发生的一切事情,都与这一序列息息相关".但要完全破译这一序列以及相关的内容,我们还有相当长的路要走.（来源 ------[InfoBio.org | 生物信息学研讨组]）http://www.infobio.org生物信息学（Bioinformatics）是在生命科学的研究中，以计算机为工具对生物信息进行储存、检索和分析的科学。它是当今生命科学和自然科学的重大前沿领域之一，同时也将是21世纪自然科学的核心领域之一。其研究重点主要体现在基因组学(Genomics)和蛋白学(Proteomics)两方面，具体说就是从核酸和蛋白质序列出发，分析序列中表达的结构功能的生物信息。生物信息学是一门利用计算机技术研究生物系统之规律的学科。目前的生物信息学基本上只是分子生物学与信息技术（尤其是因特网技术）的结合体。生物信息学的研究材料和结果就是各种各样的生物学数据，其研究工具是计算机，研究方法包括对生物学数据的搜索（收集和筛选）、处理（编辑、整理、管理和显示）及利用（计算、模拟）。1990年代以来，伴随着各种基因组测序计划的展开和分子结构测定技术的突破和Internet的普及，数以百计的生物学数据库如雨后春笋般迅速出现和成长。对生物信息学工作者提出了严峻的挑战：数以亿计的ACGT序列中包涵着什么信息？基因组中的这些信息怎样控制有机体的发育？基因组本身又是怎样进化的？生物信息学的另一个挑战是从蛋白质的氨基酸序列预测蛋白质结构。这个难题已困扰理论生物学家达半个多世纪，如今找到问题答案要求正变得日益迫切。诺贝尔奖获得者W. Gilbert在1991年曾经指出：“传统生物学解决问题的方式是实验的。现在，基于全部基因都将知晓，并以电子可操作的方式驻留在数据库中，新的生物学研究模式的出发点应是理论的。一个科学家将从理论推测出发，然后再回到实验中去，追踪或验证这些理论假设”。生物信息学的主要研究方向： 基因组学 - 蛋白质组学 - 系统生物学 - 比较基因组学收起

生物信息学专业3363356630：生物信息学（Bioinformatics）是一门交叉科学，它包含了生物信息的获取、加工、存储、分配、分析、解释等在内的所有方面，它综合运用数学、计算机科学和生物学的各种工具，来阐明和理解大量生物数据所包含的生物学意义。它随1990年人类基因组计划（HGP）的实施和信息技术的发展而诞生，现已迅速发展成为当今生命科学最具吸引力和重大的前沿领域，为生物学、计算机科学、数学、信息科学等专业的高素质人才提供了更广阔的发展天地。专业建设状况：我国生物学本科教育主要围绕两个专业——生物科学和生物技术进行，而生物信息学相关课程通常作为这两个专业高年级学生的选修课，且要求学生们已修完大部分专业必修课以及一些计算机课程，如C语言等。教学实践表明，这一安排基本上符合国内本科生教育的实际情况，有利于本科生们掌握生物信息学的基本知识和工作原理，激发他们今后深入研究的兴趣。世界上越来越多的政府部门、教育机构和企业都呼吁加快培养各类生物信息学人才。专业就业：本专业学生毕业后可在各级生物信息学的研究机构、高等学校、企事业单位以及在研究和成果产业化过程中涉及到生物信息学的相关部门，从事科学研究、教学和管理工作。主干学科：生物学、数学、计算机科学。主要课程：普通生物学、生物化学、分子生物学、遗传学、生物信息学、计算生物学、基因组学、生物芯片原理与技术、蛋白质组学、模式识别与预测、数据库系统原理、Linux基础及应用、生物软件及数据库、Perl编程基础等。收起

如果成绩好，当然要选择北京农业大学。东北农业大学也不错。实际上你所说的四个专业，离生物信息都不是特别近，都是相关专业的，但是我感觉目前园林绿化是比较有发展前途的，我建议你选择园林。收起

　　读研，最重要的还是选一个好的导师和实验室，然后静心focus地做。所以还是多方了解一下导师和实验室的状况3339666638再决定。昨天跟老师在聊，怎么判断一个实验室是否值得去。　　1、看整个实验室是否focus在一两个点，专注地做，而不是一堆杂乱无章的课题。　　2、看你去到那个实验室后，是否能够有人指导你，而不是完全放任的状态。　　3、看老师自己做研究的思路是否清晰。　　4、不以人数定质量，看文章，人少文章质量高的值得去，人多却总是发一堆低质量的文章那也没什么意思。　　生物信息学考研院校推荐：　　华东师大生物信息学专业　　南开大学 - 生命科学学院 - 生物信息学业　　中国科学院 - 遗传与发育生物学研究所 - 生物信息学专业　　武汉病毒研究所 生物信息学专业　　吉林大学 - 计算机科学与技术学院 - 生物信息学专业　　·浙江大学 - 生命科学学院 - 生物信息学专业　　· 浙江大学 - 科学技术研究院 - 生物信息学专业　　· 四川大学 - 生命科学学院 - 生物信息学专业　　· 北京师范大学 - 生命科学学院 - 生物信息学专业　　· 复旦大学 - 生命科学学院 - 生物信息学专业　　· 西北农林科技大学 - 生命学院 - 生物信息学专业　　· 中国科学技术大学 - 生命科学学院 - 生物信息学专业　　· 中国科学技术大学 - 微尺度物质科学国家实验室 - 生物信息学专业　　· 中国科学技术大学 - 合肥智能机械研究所 - 生物信息学专业　　·　　· 中国科学院 - 上海生命科学研究院 - 生物信息学专业　　· 中国农业大学 - 生物学院 - 生物信息学专业　　· 遗传与发育生物学研究所 - 各个专业列表 - 生物信息学专业收起

生物信息学（Bioinformatics）是生物学与计算机科学以及应用数学等学科相3363386664互交叉而形成的一门新兴学科。它通过对生物学实验数据的获取、加工、存储、检索与分析，进而达到揭示这些数据所蕴含的生物学意义的目的。在推动生物信息学发展的各种动力中，人类基因组计划（HGP）和生物医药工业是其中的两个主要力量。就人类基因组来说，得到序列仅仅是第一步，后一步的工作是所谓后基因组时代 （Post-genome Era） 的任务，即收集、整理、检索和分析序列中表达的蛋白质结构与功能的信息，找出规律。近几年来在公共数据库中DNA序列数据的数量以每年1.8倍的速度快速增长，到1997年底已经超过1.2×109bp。对如此巨量的数据进行存储、分类、检索、比较，并预测可能的基因和基因产物的结构和功能，如果没有计算机参与处理，那是不可想象的。生物医药工业也是推动生物信息学发展的重要动力。HGP所推动的大规模DNA测序也为生物医药工业提供了大量可用于新药开发的原材料。有些基因产物可以直接作为药物，而有些基因则可以成为药物作用的对象。生物信息学为分子生物学家提供了大量对基因序列进行分析的工具，不但可以从资料的获取、基因功能的预测、药物筛选过程中的信息处理等方面大大加快新药开发的进程，而且可以大大加快传统的基因发现和研究，因而成为各赢利性研究机构和医药公司争夺基因专利的重要工具，这一竞争又反过来极大的刺激了生物信息学的发展。2、研究内容生物信息学与计算生物学或生物计算有着密切的关系，但又不尽相同，目前归入生物信息学研究领域的大致有以下几个方面：（1）各种生物数据库的建立和管理。这是一切生物信息学工作的基础，通常要有计算机科学背景的专业人员与生物学家密切合作。（2）数据库接口和检索工具的研制。数据库的内容来自万千生物学者的日积月累，最终又为生物学者们所用。但不能要求一般生物学工作者具有高深的计算机和网络知识，因此，必须发展查询数据库和向库里提供数据的方便接口。这是专业人员才能胜任的工作，通常在生物信息中心里进行。（3）人类基因组计划的实施，配合大规模的DNA自动测序，对信息的采集和处理提出了空前的要求。从各种图谱的分析，大量序列片段的拼接组装，寻找基因和预测结构与功能，到数据和研究结果的视像化，无不需要高效率的算法和程序。研究新算法、发展方便适用的程序，是生物信息学的日常任务。（4）生物信息学最重要的任务，是从海量数据中提取新知识。这首先是从DNA序列中识别编码蛋白质的基因，以及调控基因表达的各种信号。其次，从基因组编码序列翻译出的蛋白质序列的数目急剧增加，根本不可能用实验方法一一确定它们的结构和功能。从已经积累的数据和知识出发，预测蛋白质的结构和功能，成为常规的研究任务。（5）DNA芯片和微阵列的发展，把一定组织或生物体内万千基因时空表达的研究提上日程．研究基因表达过程中的聚群关系，从中提取调控网络和代谢途径的知识，进而从整体上模拟细胞内的全部互相辅合的生化反应，在亚细胞层次理解生命活动。只有掌握已有数据、发展崭新算法，才能创造新的知识。这是生物信息学刚刚掀开的新篇章。收起

你得先确定抄要报考的学校，甚袭至是该学校的学院，因为同一所学校里会存在不止一个学院对该专业招生的情况。根据该学院对生物信息学专业考研要求，确定要考的科目，然后可以向最近一届考过的学长学姐咨询参考书，包括该科目用到的教科书和辅导书、习题集等。生物信息学一般都要考《生物化学》，上下两册，超大超厚，复习起来得费不少时间。要是可以的话，也可以准备下英语，一般都是买考研英语书籍，然后就是背、练习、背、练习。。。。收起

河北农业大学、中国农业大学、1、河北农业大学河北农业大学的前身是光绪二十八年（1902年）创立的直隶农务学堂；1912年改为直隶公立农业专门学校；1921年直隶公立农业专门学校、医务学堂，还有法律、法政、高等师范等学堂合并，组成河北大学；1931年河北大学解散，河北省立农学院独立办学；1958年河北农学院更名为河北农业大学；1995年与原河北林学院合并组建为新的河北农业大学。2、中国农业大学中国农业大学是中国现代农业高等教育的起源地，学校前身是1905年成立的京师大学堂农科大学。1960年被国务院列为全国64所重点大学之一。1984年被中央列为全国重点建设的10所高等院校之一。1995年9月，北京农业大学与北京农业工程大学合并成立“中国农业大学”，江泽民同志亲自题写校名。3、清华大学清华大学的前身清华学堂始建于1911年，是清政府设立的留美预备学校，其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙，与国立北京大学、私立南开大学组建国立长沙临时大学。1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立，清华大学进入新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。4、北京大学北京大学创立于1898年维新变法之际，初名京师大学堂，是中国近现代第一所国立综合性大学，创办之初也是国家最高教育行政机关。1912年改为国立北京大学。1937年南迁至长沙，与国立清华大学和私立南开大学组成国立长沙临时大学，1938年迁至昆明，更名为国立西南联合大学。1946年复员返回北平。1952年经全国高校院系调整，成为以文理基础学科为主的综合性大学，并自北京城内沙滩等地迁至现址。2000年与原北京医科大学合并，组建为新的北京大学。5、哈尔滨工业大学学校始建于1920年，1951年被确定为全国学习国外高等教育办学模式的两所样板大学之一，1954年进入国家首批重点建设的6所高校行列（京外唯一一所），是新中国第一所毕业生直接被授予工程师称号、研究生三年制的理工科大学。1996年进入国家“211工程”首批重点建设高校。1999年被确定为国家首批按照世界知名高水平大学目标重点建设的9所"985工程"大学之一。2000年与同根同源的哈尔滨建筑大学合并组建新的哈尔滨工业大学。参考资料来源：百度百科-河北农业大学参考资料来源：百度百科-中国农业大学参考资料来源：百度百科-清华大学参考资料来源：百度百科-北京大学参考资料来源：百度百科-哈尔滨工业大学收起

亲，不考数学 专业考的是生物学 和 计算机基础收起

生物信息学其实目前的发展，个人觉得就是用计算机的强大运算能力来解决生物实验中出现的大量数据，并期待在其中发现生物的规律以及特点。 个人认为计算机已经成为了一个世界的核心工具，什么领域都快要离不开计算机了，计算机分析金融已经不是什么很新鲜的事情了，计算机解决数学物理问题更是司空见惯，学建筑的和土木的需要用计算机制图，使用CAD等软件，就算是搞商业的也需要用到Excl等等……所以计算机与生物的绑定，其实应该是一种必然出现的趋势吧，所以个人觉得，这个领域会发展的很快很快（而且目前的确是这样的）。 至于说未来，我觉得有几种趋势：首先就是应用于研究领域，毫无疑问现在很多大学和研究所都已经有了相应的计算生物领域的分支了，通过学计算机的人和数学的人编写程序分析查找海量的生物数据中的规律，然后在将猜测到的结果告知生物学家，让他们做实验验证假设，这就是我未来的工作（这不稀奇，现在各个领域的研究都很依赖计算机了，之所有血淋淋的生物最晚于计算机挂钩，那是因为生物学科本来就是人类深入最浅的一门学科）。 另外我觉得生物信息将会真正意义上引爆生物的革命，个人觉得无论什么研究领域，只有转化为应用，作用于社会与世界才真正有意义，现在开始出现的个人基因组测序已经是生物产业出现的前兆，比如Affymatrix，华大基因等等……但是大量的数据根本没有人读得懂！生物信息的第一个应用我觉得就会出现在生物数据的解释上，这就类比于，每个人都可以查询到海量的股票信息，但是只有特定的Analysis可以发现其中蕴含的商机一样！可以想象，如果一群人破解了一大堆人类的有关于生老病死的基因信息，但是他们不公开，他们需要你缴费，然后给你测序（以后测序会非常非常便宜的，我估计就会像现在每人必须有身份证一样普遍），然后帮你分析，你有什么疾病……等等。这样的产业出现与微软有什么差别！！完全没有！！微软存在的基础是计算机的普及，我设想的生物公司的基础是测序的普及，微软提供自己的软件，你必须买，生物公司提供自己公司内部的数据资料，帮你分析（类似于做一次咨询）……这是我个人的一点想法是一种比较直接的使用生物信息技术的手段。 至于其他，计算机的运用应该会深入到方方面面，因为我觉得一切其他的领域都已经被计算机插足了，农业的灌溉系统是全自动的，机床是数控的，显微镜是电子的，华尔街的数据每天有无数的计算机在分析……这一切都是计算机普及之后的30年之内实现的，所以生物信息个人觉得前景还是很强大的。之前一直在说的DNA计算机，我觉得相反比较难实现……因为我很久没有听说相关进展了，我感觉下一代计算机是量子的更可能，但这并不妨碍什么，因为我个人觉得，计算机仅仅是一个工具，一个任何领域都离不开的工具而已，以后任何人都需要掌握这一门工具，就像是现在中国几乎所有的在校大学生都能说几句英语一样普及。 补一句吧，这个领域目前还是集中在研究领域，就业相比于其他工科专业还是要差一些的，不过个人感觉相比于纯生物领域好很多，工资状况影响因素很多，大学城市都有影响，不过总体来说，目前这个领域远远不如如日中天的IT，我是计算机学院的，IT的发展速度已经早表明，计算机的时代远远的没有到结束的那一天，未来十几年甚至几十年，我个人觉得工资上IT人依然会笑傲工科领域……如果你很在意工资就业什么的，我挺推荐计算机的，IT的世界是很公平的，而且确实压力与机遇并存，如果你努力，一般都会获得成功，很适合年轻人。 以上均为个人感想而已拉 ^_^ ,很多其实应该都是错的，还望指正回答的还可以，不过就是头绪有点乱，建议分下类。收起

生信分析，对不会编程、不懂统计、纯正生物学出生的人而言，内心简直SOS ……莫慌！有了这几款在线工具，零基础也可以做生物信息学分析。RAP在线分析RNA-seq https://bioinformatics.cineca.it/rap/AUGUSTUS基因外显子内含子，UTR,注释http://bioinf.uni-greifswald.de/webaugustus/prediction/createGSDS基因外显子内含子，UTR,domain等区域特征展示http://gsds.cbi.pku.e.cn/赶紧收藏吧，查看往期文章更多生信分析在线工具等着你哦！精彩内容下期继续~~收起

生物信息学分析工具做生物信息学分析碰壁？那是你没有用对工具序列比对是我们科研人员经常要做的工作，但是因为每个人因习惯、喜好或者实验室偏好不同，往往会使用不同的序列比对工具，今天南博屹生物小博为大家带来几个好用的序列比对工具——总有一款适合你Clustal OmegaDNA、RNA、蛋白的多序列比对http://www.ebi.ac.uk/Tools/msa/clustalo/ClustalW2应用较广泛的多序列比对http://www.ebi.ac.uk/Tools/msa/clustalw2/T-Coffee准确度高,速度慢的多序列比对http://www.ebi.ac.uk/Tools/msa/tcoffee/SimiTriX-SimiTetra多序列比对相似性展示http://cotton.hzau.e.cn/EN/tools/BioERCP/simitrix.php这么好用的多序列比对工具赶紧用起来吧！关注我们，更多精彩内容明天继续~~关注南博屹生物，了解更多科研、论文、实验信息收起

百度的AI也能设计mRNA新冠疫苗了。2020年5月，百度研究院推出全球首个mRNA疫苗基因序列设计算法 LinearDesign，是专门用于设计优化mRNA序列的高效算法。针对新型冠状病毒mRNA疫苗，LinearDesign能在11分钟内完成序列设计。计算模拟表明该设计能大大提升疫苗设计的稳定性和蛋白质表达水平。此次跨界合作缘起何处？百度的AI未来给医疗行业带来哪些新变化？对此，百度美国研究院副总经理李幸女士、百度美研深度学习实验室主任黄亮博士接受了生辉的采访，并表达了他们的看法。百度已有布局生物计算上游打算生辉：是什么契机，让百度研究院产生了展开本项研究的想法？黄亮：百度研究院对于本项研究的想法并不是一蹴而就的。我们在几年前即预见到计算生物学和生物信息学的重要性，并于 2018 年前瞻性的开展了 RNA 二级结构领域的研究。在这两年的时间内，百度研究院先后推出了全世界最快速的 RNA 结构预测算法 LinearFold，以及全世界最快速的 RNA 配分方程和碱基对概率预测算法 LinearPartition 等。这些研究成果在业内受到广泛重视，并相继被计算生物学领域顶级会议 ISMB 接收。正是因为长期的、前瞻性的研究积累，百度研究院才能在疫情爆发后，迅速响应、在短短两个月内即完成了 LinearDesign 这一重大成果。同时，百度研究院非常重视跨机构、跨学科的高水平合作。我们与斯坦福大学生物化学系 Rhiju Das 教授、罗彻斯特大学 RNA 生物中心主任 David Mathews 教授等世界顶级的 RNA 研究专家早在几年前就开始合作。充分的、高水平的合作也是 LinearDesign 产生的催化剂。具体而言，在疫情发生后，Das 教授和我们关注到现有的 mRNA 疫苗研发存在一个巨大的挑战，即 mRNA 疫苗的稳定性问题。稳定性低的 mRNA 疫苗非常“脆弱”，很容易在保存和运输过程中因为降解而失效，并导致蛋白质表达效率的大幅降低。针对这一问题 Das 教授提议一种解决方案：通过人海战术，使用我们的 LinearFold 算法为结构分析引擎， 发起疫苗设计的公开竞赛（OpenVaccine Challenge），找到适合疫苗生产的比较稳定的 mRNA 序列。百度则提出了一种更为直接和高效的解决方案，即通过算法直接设计 mRNA 序列。也就是我们所说的 LinearDesign。生辉：AI 在生物计算领域的应用近年来一直备受关注，百度未来有提供技术上游服务的计划吗？如果有，您觉得百度入局生物计算市场，最大的优势将是什么？又有哪些方面需要重点布局？李幸：非常高兴您提到这个问题。百度不仅仅有提供技术上游服务的计划，而且已经全面的实施了这一计划。正如刚才所介绍的，百度研究院已经先后推出 LinearFold 和 LinearPartition 两个 RNA 分析算法。这些算法现已被多家研究机构和公司关注，并得到非常积极的反馈。在疫情期间，我们百度研究院力推 LinearDesign 这一 mRNA 疫苗设计算法，并已与多家中外学术机构和业内领先的生物制药企业就疫苗研发开展交流和合作。同时，百度已与中国疾病预防控制中心病毒病预防控制所签署战略合作协议，联合设立“中国 CDC 应急技术中心 - 百度基因测序工作站”。这一联合工作站在 6 月北京新发地疫情中第一时间测出了病毒全基因组序列，发挥了重要作用。我们拥有杰出的科学家和算法工程师，在 AI 算法设计领域具备无可比拟的优势。而这种算法设计能力，正是其他生物制药企业所不具备且急需的，这一领域是一片值得深耕细作的蓝海。实际上，在生物计算领域布局，百度研究院借助自身算法和工程方面的特长，并结合分子生物和医药领域专家的经验，逐步摸索形成了 “专家提问题，百度想算法，专家给反馈” 这样一套行之有效的合作模式。未来，百度将在深度和广度两个维度上，继续依托我们在 AI 算法领域的深耕优势，深化与学术界和生物制药企业的合作。“一个倾宇宙‘洪荒之力’也无法完成的任务”生辉：您能简述一下算法开发的整个过程和您的主体思路吗？整套系统工具从研发到落地一共经历多长时间？黄亮：两个月。具体细节是，疫情爆发后，百度研究院组织 AI 科学家们讨论如何能将我们的技术实力，转化为社会所需。在此期间，我们关注到在疫苗研发领域，mRNA 疫苗具有研发、生产周期快，无感染风险的优点。然而，mRNA 疫苗与传统疫苗相比，存在稳定性低的问题。为了解决 mRNA 稳定性这一棘手问题，很多知名学术机构和疫苗研发企业尝试了很多不同的手段。如斯坦福大学使用百度研究院此前开源的 LinearFold 和 LinearPartition 算法，搭建了一个疫苗设计竞赛平台。让人类设计者以参与游戏的方式设计稳定的 mRNA 序列。斯坦福大学之所以想到让人类设计者进行 mRNA 疫苗设计，是因为解决这一问题所需要的计算量实在是太大了。举个例子，如果我们要从可能的新冠病毒刺突蛋白 mRNA 序列中找到最稳定的那个序列，潜在的可能序列有2.4 乘以10 的 632 次方个之多。这是什么概念？如果我们使用一台超级计算机，每秒钟计算一个可能的序列，那么自宇宙诞生之日起到现在的 130 亿年的时间里，我们连这些可能的序列的亿万分之一都没有计算完成。那么，除了使用人类设计者设计 mRNA 序列的 “人海战术” 之外，使用计算机 AI 技术是否可以更高效的解决这个问题？答案是肯定的。经过百度研究院科学家们的共同努力，我们在短短两个月时间内即研发出了一套设计最优 mRNA 序列的新算法——LinearDesign。这个算法将原来使用宇宙 “洪荒之力” 也无法完成的任务，在短短的十几分钟就能完成设计。生辉：期间有哪些技术难题，又是如何克服的？黄亮：这一问题的技术难点，一个是我们如何能将原本需要万亿年的海量搜索、计算，压缩到可以在十几分钟内就完成。另一个是它的解决需要分子生物学、免疫学、生物信息学和计算理论等多个学科的领域知识，需要算法设计、软件开发、生物医药等多个技术领域的综合能力。针对搜索空间大这个难点，我们使用动态规划算法成功解决了这一问题。这一算法也用于我们之前的 LinearFold 和 LinearPartition 算法。具体而言，首先，我们使用确定有限状态机（DFA）来表达氨基酸和蛋白质，这样不同位置上的密码子的选择就可以被抽象为计算理论中经典的 DFA 图；同时，我们借助计算语言学中的另一个常用工具，随机上下文无关语法（SCFG）。使用 SCFG 构建语法树来表示 RNA 二级结构。在我们用 DFA 抽象表示多个 RNA 序列后，我们通过取 DFA 与 SCFG 的交集，利用动态规划算法将原先 2.4 乘以 10 的 632 次方级别的搜索空间，压缩到多项式级别的 mRNA 序列搜索空间。这样我们的算法就可以在很短的时间内找到最稳定的 mRNA 序列。具体来说，我们用 DFA 来表达氨基酸和蛋白质，这样不同位置上密码子的选择就可以抽象为计算理论中常用的 DFA 图。如下图，我们分别把三种氨基酸（A: methionine, B: valine, C: serine）以及终止密码子（D）抽象为 DFA 图。（来源：受访对象提供）下一步，我们将氨基酸的 DFA 串联起来，从而得到一段蛋白质序列的DFA图。下图是蛋白质序列 “methionine leucine stop” 对应的 DFA 图。图丨蛋白质序列 “methionine leucine stop” 对应的 DFA 图（来源：受访对象提供）接下来，在有了 DFA 图后，我们如何通过 DFA 找出二级结构最稳定的 mRNA 序列呢？在这里我们借用了随机上下文无关语法（SCFG），这个计算语言学中的工具。RNA 二级结构可以通过SCFG构建语法树来表示。概括而言，mRNA 疫苗序列设计优化问题实际上是将单个 RNA 序列的二级结构计算（RNA folding）推广到多个 RNA 序列。在用 DFA 抽象表示多个 RNA 序列后，我们就可以借助上文所说的，通过 DFA 与 SCFG 的交集，来从多个 mRNA 序列中找到具有最稳定二级结构的序列。下面是一个例子。我们通过 DFA 和 SCFG 相交，生成出序列 “methionine leucine stop” 最优的 mRNA 序列为 “AUGCUGUGA”。（来源：受访对象提供）在将搜索空间压缩到多项式级别后，我们借用之前 LinearFold 的思想，将计算复杂度从三次方降低到线性，进一步压缩设计 mRNA 序列所需要的时间到十几分钟。除此之外，我们的算法还将衡量mRNA序列蛋白质表达效率的指标，密码子适应指数（CAI），与序列稳定性进行联合优化。这样我们就可以设计出理论上既稳定，密码子适应指数又好的疫苗序列。这个算法提出后，引起了世界顶级 RNA 专家、美国罗切斯特大学 David Mathews 教授的兴趣。他已加入到这个研究项目当中，在我们的算法研发过程中提出了很多宝贵的意见，并担任论文的共同作者。David Mathews 教授高度评价这个算法：“LinearDesign 是一种算法，它设计了一组结构更稳定的序列，并使用优化的密码子。此算法高效的运行速度是优化序列设计的关键，可以通过实验检验这些序列作为疫苗的效果。”生辉：目前这一工具是否有 mRNA 药物企业正在使用？对方的反馈如何？黄亮：LinearDesign 上线之后，立刻吸引了多家疫苗公司和研究机构的关注。目前我们正在验证 LinearDesign 设计的序列在生物实验条件下的稳定性和蛋白质表达水平，如果进展顺利，相信在未来的mRNA疫苗研发中将会广泛使用LinearDesign 技术。生辉：我看了关于 LinearDesign 算法相关报道，报道指出针对新冠 mRNA 疫苗序列，LinearDesign 能在 11 分钟内大大提升疫苗设计的稳定性和蛋白质表达水平，在不同的人体环境内，蛋白质表达是一个十分复杂的过程，存在较大的不确定性，请问 LinearDesign 利用哪些方式、又如何解决这一不确定性问题？ 黄亮：您提到体内蛋白质表达，的确比较复杂且存在较大不确定性，它仍是生物学和制药领域的一个重要的研究课题。目前业内一个新的研究成果来自于世界 mRNA 疫苗研发的领头羊，美国Moderna 公司。他们最新的研究表明，mRNA序列的能量越低，即二级结构越多，其基因序列越稳定，蛋白质表达水平越高。刚才我们已经介绍了LinearDesign如何在较短的时间内找到二级结构多的，同时密码子适应指数高的序列，这是我们算法的精髓。当然，能提升 mRNA 蛋白质表达水平的指标还包括密码子适应指数（CAI），非翻译区（UTR）序列的选取等因素。值得重点强调的一点是，我们的 LinearDesign 算法可以将这些影响因素综合考虑，设计出二级结构多、密码子适应指数好，并且符合各种不同优化条件组合的 mRNA 序列。生辉：LinearDesign 算法的衡量指标如何？黄亮：在这里我就举一个最重要的衡量指标，mRNA 序列所对应二级结构的能量稳定性。刚才我们提到，根据 Moderna 的最新研究成果，能量低的、稳定的二级结构将直接提升 mRNA 的蛋白质表达水平。请参看下图中的几个 mRNA 序列例子，图丨mRNA序列结构（来源：受访对象提供）从上面的对比图可以看出，在新冠病毒的刺突蛋白序列上的实验表明，LinearDesign 算法可以设计出比天然序列（Wildtype，图 A）稳定得多的结构（能量分数越低越稳定）。其中全局最优序列（图 C，三次方时间算法）设计时间只需要 1 小时 ，而如果进一步应用近似算法，则只需要 11 分钟就可得到与全局最优序列能量相差仅 0.6% 的近似最优序列（图 B，线性时间算法）。同时，如果进一步考虑到 5‘ 端前 15 个核苷酸在与 Ribosome 结合时，需要保持相对较少的二级结构，我们也可以定制化的设计出 5’ 端结构松散的序列（图 E、F） 。“AI 技术未来将对生命科学发挥更大的价值”生辉：未来 LinearDesign 会应用于其他疾病药物 / 疫苗的研发吗？有计划正在推进中吗？有深耕生命科学领域的初步意向及计划吗？李幸：我们的算法是一个优化序列的算法。凡涉及到序列设计的，各种疾病的药物/ 疫苗研发，我们的算法都将有用武之地。因此，LinearDesign 不仅能用于新冠病毒 mRNA 疫苗的研发，还能用于个性化肿瘤药物等其他 mRNA 药物、抗体和疫苗的研发。目前已经有几家公司和机构在和百度洽谈构建 mRNA 生物计算平台的计划，百度研究院长期致力于推动 AI 算法技术与生物制药行业的深度结合，将 LinearFold，LinearPartition，以及 LinearDesign 等优秀算法推广到药物 / 疫苗研发等广泛的应用场景中。未来在生命科学领域，我们相信人工智能、生物计算技术还是大有可为的，它可以缩短新药研发的周期、降低新药的研发成本，提高医疗诊断的准确性和效率，这些将使人类在面对健康问题时更加主动。生辉：百度研究院近几年的规划，以及未来的愿景是什么？李幸：百度研究院拥有行业内最优秀的科学家团队，并与业内最优秀的科研学术机构和相关企业保持长期和高效的合作。我们将继续以构建国际级领先水平研究院为使命，持续保持在 AI 算法领域的长期竞争力。通过与优秀的科研机构和业内领跑企业的合作，保持高效率的研发状态，并持续将所研发出的最新成果通过与业内机构的合作进行落地。同时我们会不断拓宽百度研究院的领域，将 AI 能够驱动的新的行业和研究机会纳入进来。收起

生命科学高考是人生最重要的考试，意味着几年的辛勤努力终于告一段落。高考也是人生重要的转折点和分水岭，标志着另一个阶段的开始。从学业和个人生活的角度来看，选择大学和研究所专业也是将来选择职业的关键一步。有时人们会说，选择大于努力。选择正确的职业会让人生走得更顺畅，希望所有学生能够在仔细权衡所有利弊之后做这个决定。根据统计，在所有的学科中，生命科学领域的专业很受学生喜欢。我们将从以下几个原因进行分析。什么是生命科学？“生命科学”实际上包括了许多学科，从研究植物的植物学到研究动物的动物学，从研究各种微生物的微生物学再到了解生物化学，生物系统内的化学反应等等。除了这些核心学科之外，生物物理学、海洋学、林业、遗传学、免疫学等学科也被认为是生命科学的一部分。这些学科都是以研究为基础的，任何希望进入生命科学领域的同学都应该具备对研究的爱好和好奇的心态。生命科学领域的前景如何？在选择高等教育的学科和专业以及将来的职业之前，我们需要问自己一个非常简单的问题，“我喜欢做什么？”不同人会有不同的答案，有些人的梦想是通过开发挽救生命的疫苗或药物来改变世界，有些人则热衷于进行质量控制以控制食品的质量、从而预防广泛的疾病。还有一些人可能对通过技术上的突破推动社会进步有兴趣。对所有这些人来说，从事生命科学事业是非常好的决定，现在这个时代是有史以来最好的时机，能为他们提供最好的机会。通常我们只把医学上的科学突破认为是生命科学的贡献。事实并非如此，数百年来，生命科学领域的知识在其他领域也发挥着至关重要的作用，例如农业和食品科学。由于生命科学领域对新研究的不断需求，社会对创新型人才提出了更高的要求，为从事生命科学的学生提供了大量的就业机会。生命科学领域有哪些就业机会？生命科学涵盖了几十个领域，就业途径非常多。在生命科学领域，最常见的职业包括生物化学家、临床研究助理、研究助理和微生物学家。其他鲜为人知但仍然重要的职业选择包括生物医学科学家、生物技术学家、计算生物学家、工业药剂师和生物信息学家。尽管生命科学的职业主要集中在医学领域，但像计算生物学家这样的工作可以横跨多个领域，包括计算机科学和生态学。医疗领域有什么样的工作机会？如果您想从事医学领域的工作，生物医学科学家可能是最好的选择之一。他们的职责包括检查组织样本，协助和建议医生诊断和治疗病人。要成为一名生物医学科学家，就需要在病理学、解剖学和生理学方面拥有广泛的知识。其他医学领域涉及的生命科学职业包括工业药剂师和临床研究助理。工业药剂师负责开发安全、有效的药物并将其投放市场。他们可能参与这个过程的任何阶段，无论是研发、进行临床试验，还是有效地销售药物。临床研究助理的职位描述与药剂师的职位描述有些相似。如果您还没有决定从事医学、农业、生态学或计算机科学领域的工作，可以随时选择转向生物技术、生物化学、计算生物学或微生物学。这些学科的专家负责管理日常生活中的一些复杂过程，如监测食品生产、解决环境问题、计算机科学、科学发现等。医学领域之外的职业可能性还是很多的。希望这篇文章能帮助您做出最好的职业选择！收起

图为陈润生院士正在做报告“如今，生物信息学正扮演着越来越重要的角色，它也是信息时代带给生物医学的巨大推动力。”8月3日，在第十四届国际生物信息学论坛（IBW 2019）上，哈佛大学教授刘小乐表示，生物医药领域产生了海量的数据，如何通过生物信息学与计算科学弄懂这些数据，成为生命科学领域专家共同关注的话题之一。此次论坛共邀请国内外20位顶尖学者围绕表观遗传学、基因组学、转录组学、蛋白质组学、系统生物学等前沿科学领域的最新研究进展、技术发展和临床应用进行了主题报告。越来越多的科学研究表明，不同个体携带的DNA信息差异可能成为探索生命奥秘的关键密码。也正是基于基因组研究在人类医药学领域和农业生产领域的潜在应用价值，世界上众多科研机构和商业公司在组学技术上展开了激烈的角逐。中国科学院生物物理研究所研究员、中国科学院院士陈润生首先介绍了非编码基因领域的一些最新研究进展。他表示，部分非编码基因可以翻译成小肽，这个过程并不是随机的，而是受调控的。研究发现，约46%的小肽像编码基因一样，以AUG作为起始密码子，而对于非AUG起始的小肽，目前正借助离体的翻译体系作进一步研究。此外，非编码RNA还存在“过度翻译”现象，比如circRNA可以环绕自身多圈，翻译成更长的肽段。“非编码基因有潜力成为很好的肿瘤标志物或药物靶点，如lncTCF7和lncKdm2b等。”陈润生说，随着DNA计算机的发展，如何突破液相反应体系中结果提取的速度限制将成为关键问题。目前，国内外已经有100余种序列比对软件被开发出来，哈佛大学医学院助理教授李恒表示，新一代短序列比对软件在达到≧150bp的基础上会进一步提升速度，这在大数据时代有着重要意义。与此同时，参考基因组也需要进一步完善，为基因组在科学研究和临床工作中的应用打下更为坚实的基础。宾夕法尼亚大学病理系副教授王凯指出，基因组上重复序列的变异与一系列疾病相关，如亨廷顿舞蹈症等，但是传统的短读长基因测序技术难以实现准确的鉴定，而长读长测序平台能够更好地鉴定重复串联变异。重复序列鉴定工具RepeatHMM在算法层面做了一系列改进，避免传统方法鉴定重复次数的误差。目前，他的团队开发的LinkedSV，就可以精准鉴定包括倒位、缺失在内的各种结构变异。可以说，不断积累的组学大数据正在帮助科学家们越来越多地揭示一系列复杂疾病发生发展的机制。“如果将基因组学、转录组学等数据和化学反应结合在一起考虑，还能够帮助我们提升对于肿瘤等疾病的认识。”美国佐治亚大学教授徐鹰说。与此同时，组学大数据的积累与挖掘给相关产业带来全新机会点，但随之而来的问题即是如何高效地对数据进行分析和解读。那么，近年来新兴的生物云计算平台将如何更好地提供助力呢？中软国际科技服务有限公司云服务工程师表示，生物信息行业全年业务存在波峰和波谷，当业务处于波谷时，本地服务器集群等系统可满足业务对IT资源的需求，但面对业务波峰时，本地资源受规模限制而无法及时满足需求，此时就可以利用公有云资源弹性扩展资源规模，以此缩短分析时长和提升解读效率。同时，华为云将容器技术应用于生物信息领域并发布了基因容器服务（GCS），为广大生物信息人员提供“更省、更快、更轻松”的云计算平台。其中，GCS由三层架构组成：底层是Docker层，主要解决软件的安装和升级的问题；中间层是Kubernetes层，主要解决大规模集群中部署和运行Docker的问题；顶层是流程管理层，主要负责业务流程控制并提供精细粒度的监控运维管理能力。采访中，记者了解到，华为最新推出业界最高性能的ARM-based处理器-鲲鹏920以及TaiShan服务器。其中，TaiShan服务器主要面向大数据、分布式存储以及ARM原生应用等场景，发挥出了ARM架构在多核、高能效等方面的优势，为企业用户构建高性能、低功耗的新计算平台奠定了基础。并且，该款服务器在实际应用过程中，相比传统的x86服务器有较明显的性价比提升。据悉，本届大会由北京大学生物信息中心承办，北京大学数学科学学院/统计科学中心、北京大学分子医学研究所、北京大学医学部基础医学院、北京大学肿瘤医院生物信息中心、蛋白质与植物基因研究国家重点实验室、上海嘉因生物科技有限公司、中软国际科技服务有限公司协办。中国生物技术网诚邀生物领域科学家在我们的平台上，发表和介绍国内外原创的科研成果。注：国内为原创研究成果或评论、综述，国际为在线发表一个月内的最新成果或综述，字数500字以上，并请提供至少一张图片。投稿者，请将文章发送至weixin@im.ac.cn。本公众号由中国科学院微生物研究所信息中心承办近期热文直接点击文字即可浏览！1、补牙或将成为历史？2、科学你慢慢学，中医我先治病去了3、科学告诉你应该多久洗一次澡4、新证据：喝咖啡能延长寿命！5、据说，这是生物医学硕士博士生的真实的生活写照6、一顿早餐到底有多重要？7、情商也是把双刃剑！高情商或让你更脆弱8、施一公：压死骆驼的最后一根稻草，是鼓励科学家创业！9、“科学禁食法”真能降低重大疾病风险10、睡眠科学家揭示出8种睡好觉的秘诀11、有志者事竟成！2型糖尿病成功被逆转12、每周两半小时，任何形式的锻炼都可以使你更长寿13、喝醉以后，你以为睡一觉就没事儿了？！14、仰卧起坐等或将成为延寿运动？15、冥想、瑜伽、太极等不仅能够改善身心健康...收起

MSc Bioinformatics生物信息学理学硕士学院：生物科学学院全日制： 1年学费：21920英镑课程介绍这个生物信息学硕士课程是一个令人兴奋的创新计划，最近进行了修订。生物信息学是生物学，计算学和统计学之间的一门学科，并用于有机生物学，分子生物学和生物医学。该计划的重点是使用计算机通过数据存储，挖掘，分析和图形表示从分子水平上的DNA，RNA和蛋白质序列数据以及相关数据中收集新见解-所有这些都是现代生物学的核心部分。入学要求学术：相关学科背景相关学位科目是： 所有具有分子生物学或遗传学的重要组成部分的生物学学位。 其他生物学学位，至少具有一些分子生物学。 计算科学，软件工程或信息技术。 数学或统计学（具有计算机编程经验的证据）。 其他具有计算机编程经验的证据或具有分子生物学深厚背景的证据的其他物理学科。雅思：总分6.5（单项6.0）。课程设置课程旨在使学生了解与生物信息学和功能基因组学相关的计算和生物研究实践，并获得实践经验，以向学生展示他们如何使用其回答的计算方法和生物学问题之间的联系，以及让学生了解跨“组学”领域的数据和分析集成的新方法。在该课程中，你将发展一系列计算和编程技能，以及数据处理，分析（包括统计数据）和解释方面的技能，并且你将了解到最新的生物科学进展，这些进展包括生物信息学方法。该学位共修180个学分， 第一学期（9-12月）60个学分：核心课程 第二学期（1-5月）60个学分：选修课程，学生从可选的课程中选择4门课程（两门10个学分课程和两门20个学分课程）。 夏季（5-8月）60个学分：研究项目（为期14周）核心模块：Programming (Java)（20 credit）编程（Java）（20学分）Database Theory and Application（10 credit）数据库理论与应用（10学分）Foundations of Bioinformatics（15 credit）生物信息学基础（15学分）Omics and Systems Approaches in Biology（15 credit）生物学中的组学和系统方法（15学分）选修模块：选修4门课程（两门10个学分课程和两门20个学分课程）。Identification of Disease-Causing Genetic Variants（10 credit）致病基因变异鉴定（10学分）Drug Discovery（10 credit）药物发现（10学分）Animal Models of Disease（10 credit）疾病动物模型（10学分）Using Chemical Structure Databases in Drug Discovery for Protein Targets（10 credit）必选课程：利用化学结构数据库发现蛋白质靶点（10学分）RNA-seq and Next Generation Transcriptomics（20 credit）RNA序列和下一代转录组学（20学分）Omic Analyses for the Biomedical Sciences – from Genomics to Metabolomics（20 credit）生物医学科学的组学分析——从基因组学到代谢组学（20学分）Bio-Imaging for Research Scientists（20 credit）研究科学家生物成像（20学分）Clinical Genomics（20 credit）临床基因组学（20学分）Pathogen Polyomics （20 credit）必选课程：病原体多组学（20学分）研究项目：为期14周的夏季研究项目（60个学分），通常这将在格拉斯哥与该项目有关的一个研究实验室进行，但也有机会在世界其他地区的适当实验室进行研究。工作机会我们的大多数毕业生都使用他们在我们的计划中获得的技能，在英国或国外的大学或学院从事研究型职业。这些技能现在在现代生物学和生物医学的许多领域中具有最重要的意义，并且许多人成功获得了博士学位。收起

819细胞生物学一、名词解释1.高尔基体2.核孔复合体3.细胞融合4.细胞周期5.类病毒6.生物膜7.主动运输8.合酶二、论述题1.细胞学说阶段2.细胞膜的特性3.G蛋白偶联受体介导的信号通路特点4.形态观察方法5.细胞凋亡方法6.免疫治疗肿瘤717生物化学与分子生物学一、名词解释1.分子伴侣2.磷酸解3.中心法则4.蛋白质的超二级结构5.操纵子6.内含子7.亲和层析8.DNA编辑二、论述题1.凝胶层析和聚丙烯酰胺的原理和区别2.酶相关3.物质代谢4.草酰乙酸的来源和去路5.转录沉默及其特点两种关键酶6.基因编辑7.cas9系统的应用‘师范考研联盟”微信公众号收起

首先，从当前的就业情况来看，计算机方向的研究生往往有更好的就业表现，同时在薪资待遇方面也相对比较高，随着当前工业互联网的发展，未来计算机方向的发展前景还是非常广阔的，而且当前IT行业正在进行结构调整，对于以研究生为代表的研发型人才的需求量也更大一些。当前计算机方向是考研的一个热点，竞争也相对比较激烈，所以如果决定选择考研计算机方向应该早做准备，同时制定一个系统的复习计划。在考研的初期可以多选择几个目标学校，这些学校之间要存在一定的层次区别（学科实力），后续根据自身的复习情况来最终选一个目标学校。考研计算机方向的研究生应该重视研究生方向的选择，当前大数据、云计算、物联网、人工智能、区块链等方向都是不错的选择，未来的就业前景也更好一些。从最近两年的就业情况来看，大数据方向的招聘数量要更多一些，而算法岗位则在一定程度上有所下滑，这一点应该引起一定的注意。在具体方向的选择上还需要结合目标学校的实际情况，尽量选择目标学校具有优势的方向，这样会获得更多的考研资源，也有机会进入高级别的课题组。最后，选择计算机方向读研虽然有诸多好处，但是计算机方向读研的难度也是比较大的，对于研究生的科研能力也有较高的要求，如果不能合理安排读研时间，也很有可能会面临延期毕业的问题。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！收起

20世纪40年代，世界上第一台真正意义上的现代化计算机诞生于美国。自此，美国一直居于全球计算机科学界的领袖地位；同时，美国计算机产业也在世界计算机行业中占据了绝对优势，美国硅谷几乎成为计算机行业的代名词。在介绍美国大学的计算机科学专业（Computer Science-简称 “CS”）时，不得不提到的是中国高校自建立计算机科学专业和院系以来，从国外引进的原版教材绝大多数都来自美国，这既为中国同学申请美国大学计算机科学系奠定了良好的基础，同时也加剧了中国同学之间的内部竞争，所以计算机科学专业历年来都是赴美留学申请中竞争最为激烈的专业之一。 CS专业在美国计算机专业作为理工科申请中的热门专业之一，对专业知识要求高，竞争激烈。美国计算机专业（简称CS专业）的研究领域极为广阔，美国的各大高校的CS系的专业方向也有不同的侧重点。如何选择适合自己职业发展和兴趣的专业方向和院校便成了众多学子所关注的问题。毫不夸张地说，CS专业是美国就业前景最好的专业。在计算机行业日新月异的今天，CS毕业生基本不愁找不到工作。此外，该专业的毕业生的薪酬水平非常高，而且近些年以来呈不断增加的趋势。在美国计算机科学领域，排名靠前的学校较之排名靠后的学校有着巨大的优势，80%以上的图灵奖（计算机界的诺贝尔奖）得主集中于排名前十位的学校。这些学校无论在学术界还是在计算机工业界均有着举足轻重的影响。因此，对于广大有志赴美攻读计算机科学领域高级学位的中国同学而言，尽可能地进入排名靠前的学校相对于其它专业而言是一个更加现实和迫切的需要。 CS专业在英国英国大学开设的计算机科学课程，覆盖了计算机理论研究以及生产生活实践应用的各个方面，不仅包括了人工智能、计算机系统、数字系统设计、电子系统设计、信息技术与系统、计算机模拟、软件工程、人机互动、多媒体技术、电脑游戏开发、网络信息安全等专业领域，也囊括了金融计算机学、信息系统管理、生物信息学、分子计算学、认知科学等跨学科领域，因此，大家可以根据个人兴趣进行选择。在英国计算机科学领域，University of Oxford、University of Cambridge、Imperial College London、Unviercity College London以及University of Edinburgh是其中最有名的5所大学。 CS专业的主要分支和研究方向1、系统与网络（System and Network）计算机网络是利用通信设备和线路将地理位置不同的、功能独立的多个计算机系统连接起来，以功能完善的网络软件实现网络的硬件、软件及资源共享和信息传递的系统。简单的说 即连接两台或多台计算机进行通信的系统，此分支方向主要的学习内容：网络基础理论、拓扑结构、相关组成硬件、传输媒体，到各种网络协议等2、人工智能与机器人（Artificial Intelligence and Robotics）目前来讲是非常火热的方向。该方向学习的内容主要包括：机器意识（包括机器学习，知识表达与推论，机器人）、动态系统模拟、动力学计算、触觉控制（haptic control）自然语言习得与处理、计算语言、统计语言技术、自动推理、图形图像、人机交互、成像感知与传感器、计算机视觉、视觉场景认知、模式识别、神经网络、信息提取、制造和控制理论等。3、计算机隐私与安全（Privacy and Security）概括地说，计算机安全主要是保护计算机与网络免于滥用和干扰。从过去的历史看来，计算机攻击一般来说包含了攻击系统的完整性，保密性与可用性。而如今的信息安全技术一直在发展中，不单包含了对上述攻击的防御，同时也增加了更多的应用，如垃圾邮件，以及防止身份盗用而导致的信息泄露等。4、编程语言（Programming Language）包括开发新型编程语言以助程序员实用高效地开发可靠的软件，计算机辅助语言学习，计算语言学，从初阶的打字理论，自动定理证明，语义学等。发展到如今的基于语言的途径以解决计算机安全与分布式编程中的重大问题，语言应用，编程分析与优化等，可以从根本上提高软件可靠性与安全性。5、数据库（Database）与数据管理相关的所有方面，包括数据存储，数据检索，数据分析和视觉化，如为超大型数据组开发高效算法，为各种新型的应用领域建立大型的数据系统，也有与其他领域进行跨学科的研究，可应用的领域有电脑游戏设计，数据隐私与安全等。6、计算机图形学（Computer Graphics）计算机图形学（Computer Graphics，简称CG）是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。 如何在计算机中表示图形,以及如何利用计算机进行图形的生成、处理和显示的相关原理与算法，构成了计算机图形学的主要学习内容。图形通常由点、线、面、体等几何元素和灰度、色彩、线型、线宽等非几何属性组成。从处理技术上来看，图形主要分为两类，一类是由线条组成的图形，如工程图、等高线地图、曲面的线框图等，另一类是类似于照片的明暗图（Shading），也就是通常所说的真实感图形。7、生物信息学与计算生物学（Bioinformatics and Computational Biology）人类基因工程的完成对现代生物学中的新型计算和理论工具提出了新的要求。这些计算和理论工具对于分析，理解和控制生命的具体信息都是至关重要的。生物信息学与计算生物学在此历史背景下应运而生。此方向属新兴的研究，主要是利用应用数学，信息学，统计学与计算机科学的方法来研究生物学的问题，因此也需要从事此方向学习和研究的学生有较强的数学和统计背景。目前来说研究方法包括对生物学数据的搜索（收集和筛选），处理（编辑，整理，管理和显示）及利用（计算和模拟）。8、算法（Algorithm）广义上面的算法是指为解决一个问题而采取的方法和步骤，而CS下的算法则是指计算机为了解决某一个问题或者完成某一个任务的一系列清晰的指令。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。现代的算法理论主要的研究目的在于如何开发出更加效率的算法，研究相关的算法的设计方法与实现技术。9、计算机理论（Computer Theory）计算机理论，顾名思义，是为计算机科学的发展与研究提供理论基础的一门学科。这个课程的学习涉及到CS的核心课题，归纳起来涵盖了可计算性、文法与自动机、逻辑学、复杂性及语义学等5个部分，涉及到可计算性理论、形式语言、逻辑学与自动演绎、可计算复杂性和编程语言的语义等内容，并学习和研究这些内容之间的联系。10、科学计算（Scientific Computing）科学计算，又称为计算科学，它的主要学习内容和研究领域是利用数学模型的构造以及数量分析的技术，通过计算机来分析和解决科学问题。在实际的应用中，科学计算经常用于计算机仿真以及其它各种问题的数学计算，包括数值模拟、模型拟合与数据分析以及最优化计算等等。数值分析（Numerical analysis），是科学计算专业方向中所会应用到的核心方法。11、软件工程（Software Engineering）软件工程是一门研究用工程化方法构建和维护有效的、实用的和高质量的软件的学科。它的目标是在时间、资源、人员这3个主要限制条件下构建满足用户需求的软件系统，包括提高软件质量设计新的形式与结构、开发新的科技以降低软件系统的成本、提高软件的正确性与实用性。软件工程的关注点是如何为用户创造价值。在学习内容方面它涉及到程序设计语言、数据库、软件开发工具、系统平台、标准、设计模式等方面。12、计算机视觉（Computer Vision）计算机视觉就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取―信息的人工智能系统。比较经典的计算机视觉应用包括识别（如在巨大的图像集合或视频中寻找包含指定内容的所有图片或视频片段）、运动（图像跟踪：跟踪运动的物体）、场景重建以及图像恢复等等。13、计算机体系结构（Computer Architecture）计算机体系结构主要学习与研究计算机的结构和功能，以及它们在电子技术方面的应用。抽象来说，计算机体系结构是一个系统在其所处环境中最高层次的概念；它确定了一台计算机硬件和软件之间的衔接。具体地说计算机体系结构指的是计算机系统设计的观念与架构。它确定了一台计算机设计的部件、部件功能以及部件间接口。以常见的冯·诺伊曼设计为例，体系结构设计包括了：指令集、微体系结构、数据表示、寻址方式、寄存器定义、指令系统、异常机制、机器工作状态的定义和切换、输入输出结构等。14、人机交互（Human Computer Interaction）人机交互，简称HCI，是一门研究人、计算机以及它们之间的相互影响的学科。人机交互技术是指通过计算机输入、输出设备，以有效的方式实现人与计算机对话的技术。它包括机器通过输出或显示设备给人提供大量有关信息及提示请示等，人通过输入设备给机器输入有关信息，回答问题等。人机交互技术是计算机用户界面设计中的重要内容之一。它与认知学、人机工程学、心理学等学科领域有密切的联系。申请要求前言：CS专业，作为一个热门专业，可以说是所有理工科专业中申请难度最大的。故若要申请名校的CS专业，那申请者一定要从多方面去提高自己的背景，这样子才能有更大的希望在激烈的竞争中脱颖而出。申请者专业背景一般来说，除了 CS相关专业，其他，如EE, MIS，数学，物理等专业的同学，也可以申请CS专业。但由于本身该专业的竞争压力大，所以对于转专业申请的同学来说，更是需要有针对性地去提高自己的背景。首先，理工科的转专业需要完成先修课程的准备，针对计算机专业而言，不需要了解复杂的数据结构，“只要了解 LIST, ARRAY, TREE 等基本知识就可以，同时学习些 Object-Oriented Programming ，所以基本入门课程包括数据结构，计算机组成原理， C++/Java 等。建议去各大学校官网了解相关的课本列表，出现次数最多的就是比较推荐的。在此基础上可以根据自己的能力和情况补充其它的相关课程，比如 networks(Computer Networks by Andrew Tanenbaum), operating systems(Operating Systems by Andrew Tanenbaum), database （ Stanford 的经典教材 A First Course in Database System ） 4, Software Engineering 等，整体的计算机专业知识结构就相对比较不错了。” 通常来说，申请者需要掌握以下知识和技能。硬件条件（GPA, TOEFL/IELTS, GRE/GMAT)对于GPA当然是越高越好，但基本上来说，TOP50的CS专业的GPA至少达到3.3，才有比较大的申请可能性。而一些名校的CS专业，建议GPA能够至少是3.5，甚至3.8，才具备一定的竞争力。ü TOEFL/IELTS:申请U.S News的综合排名TOP50之前的学校的学生建议IELTS至少要达到7.0(小分不低于6.0), TOEFL至少达到90（小分不低于20)。而申请TOP30之前学校的学生建议IELTS至少要达到7.5（小分不低于7.0）TOEFL必须达到100以上（不包含100）（小分不低于22）。ü GRE/GMAT:申请CS专业只接受GRE成绩，不接受GMAT成绩。综合排名TOP50之前的学校，综合多个学校的要求来看, GRE的话，建议至少达到320+。 而对于Top 30的学校而言， GRE至少要达到325+。如此一来，才具备一定的竞争力。ü 英国与美国申请的不同之处而对于申请英国大学的CS专业而言，与美国相比略有不同。由于英国大学非常看重申请者所在的学校是不是211,985院校 ，所以，所指定的录取标准也有所区别。不少学校并不接受非211学生的申请。换言之，即便申请者自身背景非常出色，但由于所在院校为非211，必然会收到拒信。当然，英国中，不需要提交GRE成绩。而且，英国学校申请的时候，并不严格要求申请者提供雅思成绩，雅思成绩可以在拿到有条件录取之后再补充。所以，对于没有相关成绩的申请者来说，申请英国也算是一个不错的选择。此外，最为有重要的是，部分英国院校，如帝国理工学院，Newcastle University等院校，开设了针对非CS背景申请者的Computer Science专业。这对于其他背景想转CS的同学来说，无疑是个利好消息。虽然美国也有类似项目，但相对来说，数量没有英国那么多。软件要求（实习，科研，工作等等）虽然大部分的CS项目不强制需要工作经验，但如果有相关的实习经历，对于申请而言是非常有帮助的。而拥有多年全职工作经验的申请者，更是能够取得非常好的录取。此外，科研背景对于申请CS也是极为重要的。申请者一定要在本科期间尽可能地参与CS相关的科研项目。有条件的话，能够发表相关paper，那是最好不过的了。如果我背景不好，但想去好学校，该怎么办？众所周知，CS专业历年都是竞争的热门，所以很有可能出现一些学生拿不到学校录取的情况，当然我指的是缺乏一定研究背景，转专业申请，GT偏低，GPA也偏低的一些申请人，如果你对自己期望也比较高，非名校不去的，其实这样子的一个申请难度是比较高的，虽然你们所制作的文书还可以适当帮他们加分，但毕竟文书的力量还是有限的。所以在这个情况之下如何是好呢？不妨考虑一下MIS专业，该专业都是学习一些系统的开发、网络的设计等内容，偏向于软件方向，与CS不少课程都有交叉和重叠。但从申请难度上来说，MIS相对来说是比CS低一些的。所以建议申请者们必须谨慎选择自己的专业方向和所要申请的学校，申请不同的专业方向和学校可能会有不同的结果。在选校之前最好能分析一下过往学校的录取数据，分析一下学校的招生特点，知己知彼，才能百战百胜。学费介绍前言：由于CS专业为理工科专业，通常来说，学费不会太高，一般会比商科专业便宜一些。以下是美国部分大学CS专业学费的介绍，每年的学费范围基本在 $25,000~$70,000之间。（注：美国大部分CS专业为两年制，剩下基本都是一年制）以下是英国部分大学CS专业学费的介绍，每年的学费范围基本在 16,000~35,000之间。（注：英国CS专业为一年制）典型项目介绍Carnegie Mellon University卡内基梅隆大学，（跟那位心理学家卡耐基没有什么关系哦），由于名字有些拗口，我们一般称之为“CMU”）。这个学校的计算机科学科学系是美国最早建立的计算机科学系，目前已经升级为计算机科学学院。而该学院下包括Computer Science Department, Computational Biology Department，Institute for Software Research，Language Technologies Institute，The Robotics Institute， Machine Learning以及Human-Computer Interaction Institute等七个下属院系，开设了Computer Science，Computational Biology，Automated Science，Software Engineering, Privacy Engineering，Language Technologies, Intelligent Information Systems, Computational Data Science, Artificial Intelligence and Innovation, Robotics, Computer Vision等数十个研究生专业。规模之大，学科之全，可见一斑。在CMU的教学和科研项目中，机器人领域的研究一直处于世界领先地位。在整体课程设计方面，CMU摒弃了对传统离散数学的过分强调，而是在入学之初就注重概率、代数、算法、加密理论、复杂性理论和博弈论等理论的研究，把学习的趣味性和实用性紧密结合。值得一提的是，CMU除了在匹兹堡的主校区之外，2002年在硅谷开设的一个新校区，简称CMU-SV。硅谷的地理位置就比较得天独厚了，所有的顶级公司应有尽有，苹果，谷歌，Facebook，都在附近几千米的距离。这对于就业而言，简直就是顶级配置。University of Pennsylvania宾夕法尼亚大学（University of Pennsylvania ），简称宾大（UPenn），位于宾夕法尼亚州最大城市--费城。宾大作为藤校之一，同时也是人类历史上第一台通用电子计算机ENIAC的诞生地，故宾大被誉为现代计算机科学文明的发源地。宾大的CS是和信息科学并在一起的Computer and Information Science。纵观计算机科学和技术的发展，宾大的CS起到了里程碑的作用。该系主要的研究内容包括人工智能、算法、信息管理、软件原理、系统以及计算机理论，其中阵容强大的主要是人工智能、信息管理和软件原理三个方向。宾大的计算机硕士项目的设置与其他学校不同。分为CIS，MCIT, CGGT,EMBS,Robotics等。前两者是大家申的比较多的。其中MCIT是针对转专业申请者所开设的，同专业申请可以选择CIS。其他几个项目是小方向的项目，如果学生有兴趣可以申。转专业的背景申请CIS，被拒的概率非常大；对计算机图形学和游戏设计感兴趣，可以申CGGT,对嵌入式感兴趣，可以申EMBS,对robotics感兴趣，可以申请Robotics。宾大所在的城市--费城是美国第六大城以及宾夕法尼亚州人口最多和面积最大的城市，费城有着较为发达的高科技产业和金融服务业，有自己的证券交易所。 诸如网络与有线电视公司Comcast、保险公司CIGNA、林肯金融集团等这些实力雄厚的公司也位于这里，这对于CS毕业生提供了很大规模的人才需求。因此，费城对于宾大的CS毕业生来说就业的机会也是比较多的。University of California,Berkeley加州大学伯克利分校(University of California, Berkeley,简称UC Berkeley, Berkeley, California, 或Cal)。伯克利大学是一个被世界熟知的高等学府，排名第一的公立大学，也是加州大学系统里的第一所学校。加州大学伯克利分校电子工程和计算机科学系(EECS)是世界知名的院系，计算机领域在2020 USNews排名第一。EECS的使命是教育、创新和服务社会。自创建以来，为社会培养了大批人才，诞生7位图灵奖得主。EECS认为，其成功的背后，是强大的合作传统、与工业界紧密联系和互助的文化。加州大学伯克利分校其他比较有特点的课程还有：将离散数学和概率论结合讲授的CS70，主讲是名教授Christos Papadimitriou；CS98-1 编程练习课，以主要大学生编程竞赛中的赛题为授课素材；CS 169 软件工程直接用Kent Beck的《极限编程》（人民邮电出版社出版了中译本）作为教材，非常超前，但是既然连Pressman的《软件工程：实践者方法》新版中敏捷方法都已经成为重头戏，既然IEEE都已经开始制定敏捷方法相关标准，这种课程选材也就不显得那么骇世惊俗了。除了软件工程课程常见内容外，教学侧重实际，贯穿了极限编程的思想，涵盖UML、JUnit单元测试、软件架构、设计模式和反模式、重构、CVS版本控制、系统和集成测试，最后要求完成一个实际产品，并进行演示。由于地处加州，加上本身计算机专业十分强势，伯克利计算机专业的毕业生就业可以说是非常好了。不少毕业生都去往了微软，谷歌，甲骨文等世界顶级的IT企业。可以说，对于伯克利的毕业生而言，从来都不需要为就业而担心。Columbia University哥伦比亚大学（Columbia University），正式名称为纽约市哥伦比亚大学（Columbia University in the City of New York），简称为哥大，是一所位于美国纽约曼哈顿的世界顶级私立研究型大学。哥大的计算机系成立于1979年，研究的领域涵盖了CS领域的各个研究方向，包括计算生物 学、计算机工程、算法和用户界面、机器学习、网络、自然语言处理和语言、安全与隐私、软件系统、计算机理论、视觉与机器人等等。 共开设有25个研究小组和实验室。其中，实力较强的专业方向包括机器学习、安全与隐私、软件系统以及计算机理论。由于哥大位于纽约曼哈顿，它的声誉以及地置赋予了毕业生的多样的就业去向，包括学术界、工业界；此外，该校有很多工科毕业生包括CS专业的毕业生经常会在该校转读金融类课程以后涉足纽约金融业，有很多选择。纽约作为世界最大经济中心、金融中心、传媒中心，对于CS人才有很大的需求。金融行业对于软件工程师、IT分析师、数据管理员、信息安全专家等人员需求非常大，而传媒行业对于计算机网络、互联网管理员、网络维护专家等人才也有非常大的需求。 除了NYC，纽约州能够提供给CS学生就业机会的地方还有：拥有发达的计算机和电子工业宾汉姆顿、银行业发达的布法罗等城市。另外，纽约距离费城只需要不超过2小时的车程。费城对于CS毕业生来说就业的机会也是比较多的。Imperial College London帝国理工学院作为一所世界级的理工名校，其计算机专业也是世界著名。帝国理工学院的计算机系是英国教学质量最佳和研究人员最多的计算部门之一，其计算机系不但提供了多种研究方向的项目，比如，人工智能与机器学习，软件工程，管理学与金融学，机器人学等，更是开设了供非计算机背景学生申请的Computing Science项目。该校的毕业生不仅有重要的核心技能,也学会了如何适应技术变革,挑战和机遇。就业来看，在计算机方面的工作可以开启通往广泛范围职业的大门。角色跨越了在许多行业的技术创新、管理，分析、咨询、培训和研究。该校与许多计算机专业毕业生的主要雇主有着密切关系——不仅仅是软件和通信公司如微软、IBM、惠普、Facebook、亚马逊、谷歌和飞利浦——也包括金融计算机用户,包括Goldman Sacks,布隆伯格,瑞银(UBS)、巴克莱资本、瑞士信贷和德意志银行。然后该校的许多毕业生选择继续为小型IT企业工作,并且不少人已经开始自己的生意。一些毕业生进入管理咨询或会计职业,良好的计算机知识可以成为一种优势;有些人从事公司战略和市场营销或在投资银行从事业务分析师的工作以及成为股票经纪人。University College London伦敦大学学院 (University College London），简称UCL，建校于1826年，位于英国伦敦，是一所世界顶尖公立综合研究型大学，排名稳居世界前十，为享有顶级声誉的英国老牌名校。同为英国G5超精英大学之一。伦敦大学学院计算机科学系是实验计算机科学研究的全球领导者。其61％的研究工作被评为世界领先（最高类别），伦敦大学学院的计算机科学在研究层次上的科研水平尤其高，而且业界大佬不在少数。深度学习的教父级人物杰夫·辛顿（Geoffrey Hinton）从1998年开始，花了三年时间在伦敦大学学院建立了盖茨比计算神经科学中心。它与计算机科学系、统计科学系、认知神经科学研究所通力合作，共同让伦敦大学学院成为计算机专业的学术重镇。该系提供计算机科学理学硕士、计算统计学与机器学习理学硕士、计算金融理学硕士、信息安全理学硕士、互联网工程理学硕士等项目。就业方向与平均薪资根据根据PayScale统计，计算机科学专业毕业生在美国早期的平均年薪在$88,000，而中期年薪则达到了$142,200。目前，在美国，计算机科学毕业生主要就业方向如下：第一类：多媒体动漫方向这个专业包括了计算机图形学Computer Graphics，主要研究图像的表达、处理等。计算机成像、三维动画、网络影像传播都属于这个方向的范畴。学习这个专业的同学可以去游戏设计公司，电影视频公司、电子出版、教育软件开发、商业简报、平面广告设计及其它多媒体应用领域的媒体集成与系统设计的工作岗位寻找机会。现在的生活离不开图形图像的数字表达处理，也就离不开学多媒体，计算机图形学的同学。第二类：软件编程方向大体上分成软件设计、编程语言和软件测试。包括需求分析、结构设计、开发流程、生命周期等等相关内容全部在关注范围。计算机专业的基础学科如操作系统、数据结构和算法全部包含。此方向几乎属于CS内部第一大的方向了。这个专业是培养coder的，而计算机专业的从业者大部分就是coder。因此学这个专业工作机会较多，但是起步阶段的收入居于中等。第三类：计算机网络Networking甚至包括Telecommunication这个范围可以说是非常的大。网络应用、网络协议、网络通信、网络理论、网络安全、加密解密、路由算法、甚至编解码都是需要学习的学科。这个学科申请的竞争者非常多，来自EE，ECE背景的同学也都可以申请。Telecommunication就业不错，从设备商到运营商到第三方软件开发商，都有职位可以选择。很多公司的招人广告上写的就是Telecommunication和CS，EE相关专业，可见这个范围达到什么程度，明明是个应用专业，却都快成了与EE，CS平起平坐了。中国国内这方面工作机会也多，中国移动按照用户数量是世界第一大运营商。Networking里面有方向设计及到网络安全方面，这个方向的工作主要是在大型政府、国防、电信、电力、金融、铁路等部门的计算机网络系统——若在美国就业，因受到公民身份等限制不少，回国形势还是不错的。第四类：计算机科学技术方向该方向包括了理论性非常强的计算机理论、计算机科学与工程计算Scientific Computing等。计算理论是完全偏向理论的学科，研究的不只是算法，更加重要的是算法的有效性和可行性。算法可行性，算法复杂度，密码学相关领域都是这个偏理论的方向的研究对象。本专业不太建议美国留学生申请，从各个渠道得来的消息都是这个专业不好找工作。这一点在美国和中国都是一样的，过于偏重理论和科技前沿探索的专业方向往往工作比较难找。计算机科学与工程计算具体包括生物信息学，气象数据处理，数字处理算法，计算物理，计算化学等等。这个专业的特点就是交叉，往往要求申请者除了计算机科学相关的背景还要有一点生物、物理、化学等等方面的背景。目前此类学科属于前沿新生的专业，就业形势不明朗。很多学习此类专业的同学就业的时候还是转向了传统的写代码相关的岗位。第五类：人工智能与人机交互方向人工智能其实是很综合的学科，他的目的就是把人类的智能扩展到信息处理的机器的上。人工智能里面涵盖了计算机专业的很多小方向。比如机器学习系统，计算机语言，图像处理，语音识别，机器人，人机交互等等。对于申请者的计算机科学背景要求较高，包括数据结构算法之类纯计算机专业的课程，都有一定要求。人工智能的产品包括机器人、语言识别、图像识别、自然语言处理和专家系统等。这个方向最近很热，招收的名额也比较多，也有从主要招收PhD向Master转移的趋势。完全对口的工作是纯研发的性质，找起来有一些难度，不过退一步海阔天空，在各类电子设备商处都有大批学习此类专业可以涉足的工作。唯一需要注意的是AI的某些部分在美国也一定程度上应用于国防，所以如果自己要进入的program涉及此类就不推荐了。人机交互和人工智能专业互相交叉。并且此专业是计算机科学、行为科学、人体工程学、设计类的一个交叉领域。这样的专业的特点就是对工作经验比较看重。与人工智能一样，这样的领域如果找完全对口的工作有时候较难，但是凭借着扎实的计算机科学相关专业功底，可以在大量工作机会中寻找突破口。综上所述，美国留学计算机专业，就是由操作系统、算法、架构、编码、电路设计、信息科学、数学等等一大片专业联系起来的一个大平台。计算机专业里面的任何一个方向，都是由组成这个平台的一些小领域结合而成，互相交叉，不可割裂。案例分享案例一毕业院校:美本主修:计算机科学GPA: 3.8/4.0托福/雅思: WaiveGRE/GMAT: 322实习/工作: 一段500强实习科研经历: 一段相关科研+一段游戏开发经历录取院校: University of California, Los Angeles, University of Southern California, Columbia University案例二毕业院校:香港某本科院校主修:计算机科学GPA: 3.1/4.0托福/雅思: 99GRE/GMAT: 324实习/工作: 一段相关实习科研经历: 两段相关科研项目，半年全职RA经历录取院校: Georgetown University, University of Rochester, Boston University, University of Florida案例三毕业院校:国内某985院校主修:土木工程GPA: 2.8/4.0托福/雅思: 95GRE/GMAT: 315实习/工作: 一段相关实习科研经历: 无录取院校: George Washington University，Stevens Institute of Technology案例四毕业院校:国内某985院校主修:物联网工程GPA: 3.5/4.0托福/雅思: 96GRE/GMAT:321实习/工作: 两段相关实习科研经历: 两段相关科研录取院校: University of Southern California, New York University, Boston University案例五毕业院校:国内某二本院校主修: 软件工程GPA: 3.8 /4.0托福/雅思: 102GRE/GMAT: 320实习/工作: 一段相关实习科研经历: 无录取院校: University of California, San Diego, Washington University in St. Louis案例六毕业院校:国内某985院校主修:计算机科学GPA: 2.6/4.0托福/雅思: 95GRE/GMAT: 318实习/工作: 两段相关实习科研经历: 两段相关科研录取院校: Boston University, Southern Methodist University, Syracuse University收起

有网友在网上发帖称，自己在中部省份的一所985大学学生物，就业相当困难。前来招聘的企业的薪资实在有限，而差不多分数进来的学计算机、金融专业的小伙伴，薪资是我们专业的好几倍，真的是很扎心。众所周知，生物专业就业难，一句话说，有一种痛叫“在985学生物”。生物专业目前确实存在不小的问题。首先是产业链不够完善，相比机械、土木、化工这种传统工科专业，生物专业或者说生物产业还是处于一种探索的状态。因为没有大规模的产业落地，因此毕业生自然就业难。其次，生物专业招生多，不管是本科生还是硕士生，都招收大量生物相关专业。底下有网友跟帖，建议该同学跨专业考研。实话实话，考研确实是一个能改变专业甚至命运的机会。现在的热门专业是计算机和金融等经管专业，作为985大学的本科生，如果好好准备，考上一所普通高校的计算机或者金融专业的研究生，还是不难的。这样拥有了新的学历和专业，又可以开始新的职业生涯。而且还有好多生物专业的毕业生开始备考法律硕士来达到转行的目的，这几年法律硕士专业也成为热门专业。法硕毕业可以进银行、外企、律师事务所等，可以说备考法硕是一个很不错的转行方式。其实报志愿专业的选择也挺无奈的，有时候是因为自己不懂'“乱选”，有时候是因为时代变化太快，之前的热门专业，毕业后变成“冷门”专业。所以，有时候考研确实是一个不错的选择，有时候会改变一个人命运的走向。各位小伙伴们，你认为呢？欢迎留言探讨。塔尖，聚焦高等教育，有趣有料，欢迎关注。收起