昨天推薦了一本學(xué)習(xí)生信的好書，新手友好，實戰(zhàn)性強(qiáng)；今天看到生物城堡公眾號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“無聲”的錯誤混淆結(jié)果。

01 重視實驗設(shè)計

穩(wěn)健的研究始于良好的實驗設(shè)計。不幸的是，再多精彩的分析也救不了一個設(shè)計糟糕的實驗。

我見過項目落在我的桌子上準(zhǔn)備進(jìn)行分析，花了數(shù)萬元測序，但當(dāng)數(shù)據(jù)放在這時，其實已經(jīng)完全“死”了。無論如何，在實驗結(jié)束后，我們都無法挽救設(shè)計糟糕的實驗。

大多數(shù)統(tǒng)計學(xué)入門課程和書籍都涵蓋了實驗設(shè)計中的基本方法。不過，基因組學(xué)實驗中的實驗設(shè)計是另一回事，并且正在積極研究和改進(jìn)。確保你的數(shù)萬元的實驗達(dá)到它的潛力的最好方法是，看看你這種類型的項目同行中做的最好的是什么樣的。咨詢您當(dāng)?shù)赜押玫慕y(tǒng)計學(xué)家，了解任何實驗設(shè)計問題或您在計劃實驗時可能存在的問題。

02 為人類編寫代碼，為計算機(jī)編寫數(shù)據(jù)

調(diào)試的難度是最初編寫代碼的兩倍。生物信息學(xué)項目可能涉及堆積如山的代碼，而我們針對bug的最好防御就是為人類，而不是為計算機(jī)編寫代碼。人類是進(jìn)行調(diào)試的人，因此編寫簡單、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(因此不需要重寫代碼來一遍又一遍地執(zhí)行相同的任務(wù))。這些實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單方法。

為什么代碼的可讀性如此重要？首先，可讀代碼使項目更具可重復(fù)性，因為其他人可以更容易地理解腳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清晰時，將來重新訪問代碼總是更容易。編寫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)該便于計算機(jī)讀取。很多時候，我們?nèi)祟愑涗洈?shù)據(jù)的方式最大限度地提高了數(shù)據(jù)對我們?nèi)祟惖目勺x性，但在計算機(jī)處理數(shù)據(jù)之前需要進(jìn)行大量的整理工作。計算機(jī)可讀的數(shù)據(jù)越多，我們就越能利用計算機(jī)來處理這些數(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犯很多錯誤。讓你的工作更健壯的最簡單的方法之一就是，讓你的電腦盡可能多地做這種死記硬背的工作。這種自動化任務(wù)的方法更穩(wěn)健，因為它降低了犯小錯誤的可能性(如意外遺漏文件或輸出文件命名錯誤)。

例如，通過單獨鍵入每個命令在20個不同的文件上運行程序是脆弱的--每處理一個文件，發(fā)生粗心錯誤的可能性都會增加。在生物信息學(xué)工作中，應(yīng)該養(yǎng)成讓計算機(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，不如編寫一個腳本來完成這項工作，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)致錯誤，而且還增加了可重復(fù)性，因為腳本記錄下了對每個文件所做的事情。

04 在代碼和方法中進(jìn)行斷言并“發(fā)出聲音”

當(dāng)我們寫代碼時，我們傾向于對我們的數(shù)據(jù)有隱含的假設(shè)。例如，我們期望只有三個DNA鏈選項(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。我們對數(shù)據(jù)所做的這些隱含的假設(shè)會影響我們編寫代碼的方式；例如，如果我們假設(shè)某種情況不會發(fā)生，我們可能不會考慮在代碼中處理它。然而，這可能導(dǎo)致可怕的靜默錯誤：我們的代碼或程序接收到超出我們預(yù)期的值，但仍然在沒有警告的情況下返回輸出。防止此類錯誤的最佳方法是使用斷言語句(如Python的assert()和R的stopifnot())顯式聲明，測試我們關(guān)于代碼中數(shù)據(jù)的假設(shè)。

幾乎每種編程語言都有自己的Assert函數(shù)版本。這些Assert函數(shù)的操作方式類似：如果語句的計算結(jié)果為false，則Assert函數(shù)將停止程序并引發(fā)錯誤。它們可能很簡單，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)師激勵我養(yǎng)成了非常寬松地使用斷言的習(xí)慣--即使看起來似乎絕對不可能有問題--但我一直驚訝于這些斷言有多少次捕捉到了微妙的錯誤。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“無聲”錯誤轉(zhuǎn)變?yōu)椤绊懥痢钡腻e誤。

05 測試代碼，或者讓代碼測試代碼

程序猿們是一群聰明的人，他們把讓自己的計算機(jī)做工作的想法提升到一個新的水平，讓代碼測試其他代碼，而不是手工完成。測試代碼的一種常見方法稱為單元測試。在單元測試中，我們將代碼分解為單獨的模塊化單元(這也可以提高可讀性的)，并編寫測試此代碼的附加代碼。在實踐中，這意味著如果我們有一個名為add()的函數(shù)，我們就會編寫一個名為test_add()的附加函數(shù)(通常在單獨的文件中)。這個test_add()函數(shù)將調(diào)用具有特定輸入的add()函數(shù)，并測試輸出是否如預(yù)期的那樣。在Python中，這可能類似于：

EPS = 0.00001 # 比較浮點值時使用的較小數(shù)字 def add(x, y): """求和.""" return x + y def test_add(): """測試add()函數(shù)是否適用于各種數(shù)值類型。""" 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)的最后一行看起來比其他行更復(fù)雜，因為它比較的是浮點值。很難在計算機(jī)上比較浮點值，因為存在表示和舍入誤差。然而，這是一個很好的提醒，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誤(因為我們的代碼通常只運行一次以生成出版物的結(jié)果，并且科研代碼中的許多錯誤都是沉默的)。可以稱為科研編碼的悖論：科研編碼容易出錯的本質(zhì)意味著我們應(yīng)該使用與軟件行業(yè)一樣多或更多的測試，但實際上我們做的測試要少得多。這是令人遺憾的，因為現(xiàn)在許多科學(xué)結(jié)論都是堆積如山的代碼的結(jié)果，但這些代碼卻沒有經(jīng)過充分測試。

雖然測試代碼是發(fā)現(xiàn)、修復(fù)和防止軟件錯誤的最好方法，但測試并不便宜。測試代碼使我們的結(jié)果變得健壯，但它也占用了我們相當(dāng)多的時間。對于研究人員來說，為他們編寫的每一段代碼編寫單元測試需要花費太多的時間。科學(xué)發(fā)展迅速，在編寫和執(zhí)行單元測試所需的時間內(nèi)，研究可能會過時或被搶發(fā)。更明智的策略是在每次編寫代碼時考慮三個重要變量：

• 此代碼被其他代碼調(diào)用了多少次？

• 如果此代碼錯誤，對最終結(jié)果會有多大危害？

• 如果發(fā)生錯誤，錯誤會有多明顯？

測試一段代碼的重要性與前兩個變量成正比，與第三個變量成反比(如果bug非常明顯，就沒有必要為它編寫測試)。

07?將數(shù)據(jù)處理為只讀

許多科學(xué)家花費大量時間使用Excel，眼都不眨一下，就會改變單元格中的值并保存結(jié)果。我強(qiáng)烈反對以這種方式修改數(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)您編寫了一個直接修改文件的腳本。在處理大型文件的過程中，腳本遇到錯誤并崩潰。因為您已經(jīng)修改了原始文件，所以無法撤銷更改并重試(除非您有備份)！本質(zhì)上，此文件已損壞，無法再使用。

其次，當(dāng)我們就地修改文件時，很容易忘記我們是如何更改它的。與每個步驟都有一個輸入文件和一個輸出文件的工作流不同，就地修改的文件不會給出我們對它所做的任何指示。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。

對于熟悉在Excel中工作的科學(xué)家來說，將數(shù)據(jù)視為只讀似乎有違直覺，但這對于穩(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，因為程序不會改變輸入數(shù)據(jù)。

08 花時間將常用腳本開發(fā)為工具

在您作為一名高技能生物信息學(xué)家的整個開發(fā)過程中，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)庫下載數(shù)據(jù)的腳本，或者處理某種類型的文件，或者可能只是生成相同的漂亮圖形。這些腳本可以與實驗室成員共享，甚至可以跨實驗室共享。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)為這個過程是將一次性腳本變成工具。

與腳本不同的是，工具被設(shè)計為可以一遍又一遍地運行。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庫中。

重復(fù)應(yīng)用于大量數(shù)據(jù)集的腳本會影響更多結(jié)果，因此應(yīng)該進(jìn)行更多開發(fā)，以使它們更加健壯和用戶友好。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)。雖然開發(fā)工具比編寫一次性腳本更費力，但從長遠(yuǎn)來看，它可以節(jié)省時間并防止頭痛。

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，他們通常會考慮分析實驗數(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，我們實際上需要分析的不僅僅是實驗數(shù)據(jù)。這包括檢查和分析關(guān)于實驗數(shù)據(jù)質(zhì)量的數(shù)據(jù)，來自生物信息學(xué)程序的中間輸出文件，以及可能的模擬測試數(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，這一點很重要。相反，數(shù)據(jù)的質(zhì)量應(yīng)該通過探索性數(shù)據(jù)分析(稱為EDA)來證明。EDA既不復(fù)雜也不耗時，并且將使您的研究對大型數(shù)據(jù)集中潛伏的驚喜更加健壯。

文章部分來源于Bioinformatics Data Skills. 編譯：生物城堡公眾號。

• 生信學(xué)習(xí)學(xué)的是什么？常識！

• 分享清華大學(xué)魯志教授實驗室生物信息學(xué)教程

• 這個為生信學(xué)習(xí)和生信作圖打造的開源R教程真香！！！

• 這個為生信學(xué)習(xí)打造的開源Linux教程真香！！！

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

• 該如何自學(xué)入門生物信息學(xué)

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

往期精品(點擊圖片直達(dá)文字對應(yīng)教程)

機(jī)器學(xué)習(xí)

后臺回復(fù)“生信寶典福利第一波”或點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个要点的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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