沒有伺服器怎麼學生物信息

㈠ 為什麼學習生物信息學要學習linux系統的基本操作

如果我猜的沒錯的話，應該是你學習的這個學科中，需要使用的軟體只提供Linux版本，我也學了很多需要用Linux來運行模擬和分析軟體的學科，一般只要你學會如何打開和執行軟體就可以了

㈡ 生物背景入門生物信息學，需要補哪些計算機知識

學會Linux的基礎操作，譬如常見的ls，grep，less，ark等即可。當然最開始接觸Linux的時候會各種不習慣，比較好的學習手段是把自己的筆記本裝成Linux，大多數人喜歡mate界面的fedora。然後在Linux里聽歌看電影，如果寫文檔就用虛擬機或者bps。這么用個1-2個月就比較舒服了。學一門編程語言，會簡單的文本處理。現在知乎上首推python，據說語法清晰入門簡單。認認真真看個1個月加練習，基本上普通的文本處理就沒什麼問題了。本條目可以和第一條一起用，在Linux下用python有加乘效果。如果想稍微進階一下，需要學習和了解常見的數據結構，譬如什麼是二叉樹，什麼是哈希表，什麼是鏈表，哈希碰撞是怎麼產生的，鏈表相對數組有哪些性能優劣等等。這些基礎數據結構大概花費幾天即可掌握，不需要深入。如果在處理文本時能使用恰當的數據結構，則會事半功倍。那麼如果能花1-2個月把上述問題都搞明白了，順便做個簡單的項目，譬如寫個fast.Oz的過濾腳本，那麼後面的進度就很簡單了。目前主流二代測序的數據分析本質來說也就是用些開源軟體倒騰下然後網上找公開資料庫折騰。並沒有多高的技術壁壘。反而是對生物學意義的理解更為重要。最後，編寫代碼方面，需要一些技能是光上一點基礎課學不來的，必須在戰爭中學習戰爭。比如說會寫了python或者C，java，但是還是需要一些高級技術以及技術細節。之前在做測序數據分析的時候要求寫成並行的程序，這樣伺服器跑起來快，免得結果等好幾天。如此種種還有很多，解決程序運行中出現的形形色色的幺蛾子需要扎實的經驗積累。

㈢ 如何自學生物信息學

1，從現有的生物信息學工具開始，要熟悉如何利用先用的軟體、網路伺服器、資料庫等等，為生物研究服務，不要做重復工作，能用現成的就不自己開發。

2，熟悉命令行的操作系統，DOS，Linux，可以編寫簡單的shell；進而能安裝命令行級的程序，跑一些常規的流程。要學習如何尋找和安裝軟體，這是最重要也是最基本的技能。其實很多問題，如果找到合適的軟體包，都是迎刃而解的。

3，熟悉一種簡單的腳本語言，個人推薦用python，具體原因可以見我的帖子。在沒有現成工具時，或需要數據格式轉換時，小的腳本是非常有用的。一般的應用無需自己寫太多的代碼，要相信我們通常遇到的問題，別的高手可能早就遇到了，所以網路上有大量的工具包。至於更多的編程語言，一門精則門門通，R，perl等都是類似的。

4，熟悉簡單的演算法和數據結構的知識，這樣就可以理解很多程序的內在機制，進而知道它們的優點和缺點，對自己寫程序也有幫助。有精力的話，進而學習統計、機器學習等。。

5，在自己的生物領域內擴展，調研，分析，開發。

㈣ 為什麼越來越多的人都在學習生物信息

0：計算是21世紀生物科學的關鍵技能
時代在發展，生物在進步。現代生物學越來越成為一門計量科學。三個世紀以來，生物學從觀察科學成為實驗科學再逐漸演變為數據科學，總之技術手段要求越來越高啊，好摘的果子早就被人撿跑了，要想有重要發現，想發文章，光靠觀察和試驗肯定是不夠的了。新的重要發現，要求我們研究人員必須利用大數據和先進的數據分析方法。所以，在座的各位，想吃生物學這口飯，就請面對現實，不要逃避！如果你覺得我是在忽悠你，那你就聽聽各位諾貝爾獎大牛怎麼說的：
A)Walter Gilbert在20年前就斷言：如果要利用互聯網上海量的序列信息，生物學家不僅必須要成為計算機學者，還要改變他們研究生物學問題的方法。
B)Sydney Brenner說：我花了大量時間試圖說服大家，計算不僅成為生物學研究不可或缺的組成部分，還可以為我們研究生物的復雜性提供模型。。。測序技術的發展和廣泛應用，導致大量數據的產生，毫無疑問，計算機已經成為生物學研究不可或缺的一部分。
1：計算技術是高度可轉移的技術
首先請大家認清現實：不是每個生物學的在讀博士或者博士後日後會從事生物學的學術研究。華盛頓郵報有報道稱：「只有14%的生物學博士在畢業後5年內可以得到一份穩定的科研方面的工作」。所以，如果你在讀博士或者博士後期間的訓練，將來很可能會用於學術之外的工作，幹嘛不限制就學一些以後應用范圍更廣的技能呢？實驗技術只能用於以後的實驗室或者醫學研究中，但是計算技術有廣泛的應用。提高你的計算能力，不僅會讓你更容易找到工作，也可以幫你受益終生，因為你的電腦特長會幫助你更加得心應手地處理日常事務。
2：計算能夠提高你的核心科學技能
生物學在本質上是一個雜亂紛繁的學科。盡管有些生物學家通過嚴格訓練，知道如何通過好的實驗設計和統計分析來處理這一頭亂麻（比如那些生態學家）。可悲的是，大部分生物學家在數據收集和分析方面習慣很差。計算會迫使你剋制在科研中人為造成的混亂，並且讓你培養出以下核心的科研技能：有邏輯的實驗設計，數據收集的一致性，試驗方法的可重復性，以及通過合適的統計學方法進行數據分析等。所以，即使你不願意放棄自己的實驗和野外科研，計算方面的訓練也可以使你掌握一些最佳做法，並且這些方法可以提高你的實驗技巧。
3：你應該在你的博士或博士後期間獲得新的技能
大部分生物學家在攻讀博士的時候，擁有一些在高中或者大學期間得到的生物學實驗技能。盡管這些技能並不是最前沿的，但是你至少是掌握了一些技能。與此同時，大部分博士生除了知道用EXCEL和一些圖形界面的軟體外，在科學計算上面一無所知。所以，你現在需要充電—學一些以前沒學過的東西，而不僅僅是強化你以往的技能。這些生物信息學方面的訓練最好是在攻讀博士期間完成，而博士後期間是你做這些事情最後的機會。因為博士期間你有充足的時間和資本，系裡也有相關的課程等條件，來幫助你做這些事情。博士後期間獲得計算技能也不錯，但是因為合同時間短，對於PI的依賴度高，以及發文章的壓力比較大，這些使你很難有充裕的時間和精力。（本人認為：生物學的朋友們，越早進入生物信息學領域越好！）
4：你可以在生物學方面獲得更加獨特的技能
如上所述，大部分生物學家只是具有實驗方面的技能，只有少數擁有專業的計算方面的培訓。盡管這個狀況在改變，但是，如果你會編程，在10年之內甚至更長的時間內，你在這個後基因組時代，依然在獲取結果等方面有相當的競爭優勢。因為你擁有這些技能，你將能夠在人才市場上脫穎而出。
5：你可以發表更多文章
盡管你可能沒有意識到，但是，讀博士和博後其實時間很快就過去了。所以，如果你不想GAME OVER的話，你能夠浪費在那些「實驗失敗」的時間並不多。我不是說，生物信息學就不像實驗生物學那樣容易失敗。關鍵是，在數個小時或者數天內，你就可以知道你的生物信息學實驗失敗了；可是，你需要幾個星期甚至幾個月才知道你的傳統實驗是否成功。所以，生物信息學可以讓你更快地推進你的研究。因此，在同樣的時間里，你可以發表更多的生物信息學方面的文章。雖然不少人覺得傳統實驗的論文更難發表，所以價值更高。但是，很顯然，發文章在科研領域還是硬通貨。另外，招聘委員會的座右銘「文章不用讀，數數誰的多」在大部分情況下依然行得通。況且，僱主和發放基金的單位更願意資助那些有好想法並且付諸實施的年輕研究人員。發文章是你可以完成項目的證據。因此，生物信息學可以幫助你證明，你就是僱主和基金單位要找的人。
6：你的研究有更多的靈活性
做生物信息學最酷的事情是，你的研究不像做實驗生物學那樣受限制。也許你只是做那些可以進行計算分析的研究。但是，這個領域已經非常廣闊了，從計算神經科學到理論生態學，以及這里邊任何領域。你可以從一個方向跳到另外一個方向，這比你從事實驗生物學轉方向容易多了。研究的靈活性可以滿足你科研方面的好奇心，或者讓你更容易追蹤最新的科研進展。最重要的是，對於學生來說，生物信息學提供的靈活性和低代價使得你可以更早地接受科研訓練，開始你科研方面的職業生涯。這對大家非常關鍵，因為你越早開始，你未來也就越容易成功。
7:你的工作方式更加靈活
在平衡工作和生活，並且依然保持較高的科研產出方面，生物信息學具有很多優勢。不像實驗生物學家那樣只能圍著試驗台轉，生物信息學家幾乎可以在任何地方從事自己的科研工作，在家通過遠程操控來進行計算分析對於生物信息學家來說是家常便飯。從長遠來看，這種靈活度可以幫助你克服職業中斷，應付生活中那些艱難的時刻，以及做出結婚生子等重大決定。因為你可以把代碼提交給伺服器執行，去做別的事情，而不用因為擔心跑膠或者養細胞而跑回實驗室。所以，讓我明確地告訴你：如果你希望在從事生物學方面的研究的同時擁有一個完整的家庭，那麼，攻讀博士或者博士後期間進行生物信息學研究會幫助你更容易地達到這個目標。這不僅僅對女生適用。做生物信息學最好的一點是，你可以一邊搞科研，一邊哄娃睡覺！
8：計算方面的研究性價比高
由於擁有大量的公共資料庫資源，生物信息學研究比那些需要大量資金的實驗研究更加便宜。這一點非常重要，因為，1）生物信息學研究對於研究經費的依賴度沒有那麼高，所以，你沒必要花費大量的時間，像個奴隸一樣乞求經費，你可以做自己喜歡的方向。這一點在經費緊張的時候尤其重要。2）正如上文提到的，因為生物信息學所需經費少，這樣的話，該專業的學生可以盡早開始設計自己的研究，因為你不需要等待你的老闆批准經費。3）性價比高對於你建立自己的實驗室和在困難時期保持持續的科研產出也非常重要。4）生物信息學的高性價比使得來自發展中國家（比如金磚國家）的科學家擁有跟來自富裕國家的研究者同等的研究機會。這些國家的研究者如果希望成為頂級的科學家，應該考慮從事生物信息學，因為他們的研究不會受到太多資金的限制。
9：成功的科學家老死在辦公室
開個玩笑。如果你得到了PI的位置，很有可能你就永遠呆在辦公室了。也許有些老傢伙還會找時間跑到實驗室里做點兒實驗—他們是稀有品種。一個科學家就應該坐在辦公室里，面對電腦--你摸不著試驗台，做不了實驗，可是，如果你是做生物信息學，你還是可以繼續你的研究啊。繼續你的研究，才能夠讓你保持活躍。記住：你的長期目標是成為「主要研究人員」（Principal Investigator，PI），而不是「原則上是研究人員」（「In Principle Investigator）。所以，如果你年輕的時候希望做科研，就問問你自己：幹嘛學一些自己大部分時間無法受用的技能呢？同時卻看著其他人在你的實驗室享受發現的快樂！

㈤ 生物背景入門生物信息學需要補哪些計算機知識

我在的北大的生物醫學工程系裡面有健康信息系統、醫學數據、計算生物學方向，和傳統的生信有一定的差別；真正做生信的人信息科學院有一撥，生命科學院還有一撥。不排除數學院也有理論研究專家。計算機方面的基礎知識，和真正學計算機專業的同學是完全不一樣的要求。不談計算生物學裡面DNA計算機一類的東西，如果是序列分析、組學這些研究的話，我現在按如下一步步來：首先，應用層面，Linux必須要會用，所有的生信軟體幾乎都是linux-based不會也得會，（嗯，會用，不是說要把內核源碼深入解析一下什麼的）主要是會文件操作，登陸伺服器，許可權，進程什麼的各種概念，以及一些基本的生信工具BLAST等等。其次，如樓上所言，要求數據結構與演算法的知識。直接被用在生信應用裡面的比如BLAST的動態規劃，當然其他沒有直接關聯的也很重要，比如之前看宏基因組分類方面的論文就有一些組用了貪心法這樣的簡單原理，但是也達到過很好的效果。最後，編寫代碼方面，需要一些技能是光上一點基礎課學不來的，必須在戰爭中學習戰爭。比如說會寫了python或者C，java，但是還是需要一些高級技術以及技術細節。之前在做測序數據分析的時候要求寫成並行的程序，這樣伺服器跑起來快，免得結果等好幾天。

㈥ 如何學好生物信息學沒有計算機基礎的學生

首先要具有生物學的基礎，然後熟悉大部分的生物信息學軟體，然後會機器學習方法或優化演算法就行，計算機和英語一樣，只是一種工具，可以找別人做，也可以自己學，半年就會了。

㈦ 求助一個關於生物信息學伺服器的問題

生物信息學中數學佔了很大的比重。統計學，包括多元統計學，是生物信息學的數學基礎之一；概率論與隨機過程理論，如隱馬爾科夫鏈模型（HMM），在生物信息學中有重要應用；其他如用於序列比對的運籌學；蛋白質空間結構預測和分子對接研究中採用的最優化理論；研究DNA超螺旋結構的拓撲學；研究遺傳密碼和DNA序列的對稱性方面的群論等等.總之，各種數學理論或多或少在生物學研究中起到了相應的作用.但並非所有的數學方法在引入生物信息學中都能普遍成立的，以下以統計學和度量空間為例來說明. Simond在人類的認知一書中指出，人在解決問題時，一般並不去尋找最優的方法，而只要求找到一個滿意的方法.因為即使是解決最簡單的問題，要想得到次數最少，效能最高的解決方法也是非常困難的.最優方法和滿意方法之間的困難程度相差很大，後者不依賴於問題的空間，不需要進行全部搜索，而只要能達到解決的程度就可以了.正如前所述，面對大規模的序列和蛋白質結構數據集，要獲得全局結果，往往是即使演算法復雜度為線性時也不能夠得到好的結果，因此，要通過變換解空間或不依賴於問題的解空間獲得滿意解，生物信息學仍需要人工智慧和認知科學對人腦的進一步認識，並從中得到更好的啟發式方法.

㈧ 學習生物信息學，需要配置怎樣的電腦呢

首先的問題的是，我們需要什麼樣的計算機。

關於硬體：

需要至少4G內存，最好可以達到16G以上內存；

至少500G硬碟空間。通常一個RNA-seq的數據量為20G左右，如果再加上分析之後的結果，可能達到50G，所以即使你有500G的空間，也分析不了幾組數據。所以硬碟空間越多越好，比如說2TB或者使用高速網路存貯界質。

CPU，至少2核。因為你在運行程序時，通常100%佔到CPU，如果沒有2核，計算機多半會假死在那裡。如果有8核，或者以上更好。

GPU，很多程序開始使用GPU運算，如果能有好的GPU顯卡，也是推薦的，但不是必須的。

為了達到以上的條件，入門極的比如說Mac Pro。進階級的就是獨立server，高級的是supercomputer clusters，支持qsub之類的。或者可以購買雲計算服務。

對於操作系統，在工作站方面，推薦Mac OS。它運行穩定，與LINUX同源。需要下載安裝Xcode和wget就可以了。當然你還可以很方便的安裝office辦公軟體，以及photoshop，AI等工具。最後安裝好R/Bioconctor，就可以開始工作了。如果買了兼容機，可以安裝上Linux/UNIX系統。它在安裝上R/Bioconctor之後基本上就可以了。它的缺點是辦公軟體，繪圖軟體的安裝。最差的就是Windows了。需要安裝比如GCC編譯器，make工具,mingw64, perl, zip/unzip, tar, wget, ghostscript等等。

有了軟體及硬體，接下來的工作就是了解一些常識以武裝你的大腦，這是整個運行環境中最重要的一環。首先，你需要學習了掌握UNIX常用命令，並且不反感字元界面。其次學會安裝，設置及構建網路服務，比如apache的websever，以及mysql的資料庫服務。第三安裝及設置一個Galaxy。當然，第二步及第三步可能會有難度，可以先使用Galaxy本身的服務，但是它有很多限制，所以最好還是自己安裝一個比較好。第四步，學習一門計算機語言，比如c, python, ruby, java等，還有一門腳本式語言工具，比如perl。第五步，學習使用R/Bioconctor。第六步，統計學。

至此，你的NGS分析環境就設置完成了。如果快的話，你可以兩三個月就設置完成，達到起步的階段，之後就是漫長的學習過程。慢的話，四年本科也不一定學到多少。

㈨ 生物信息學對計算機的配置要求有多高

生物信息學都是用伺服器處理數據的,一般都是用的Linux操作系統.個人電腦處理不了太多的數據,不過很少量數據還行.你的配置還是不錯.可以自己用著試試.不行就找伺服器吧!PC處理這種大量的生物數據實在很有限.

㈩ 大二計算機專業學生,想學生物信息學,但是很猶豫,不知前景如何

同學，你把計算機專業看的太窄了。。你現在只是本科。。如果確實不想寫代碼，也沒有興趣的話，同時家裡也有條件讓你轉專業（有些學校轉專業需要關系）的話那就轉，生物信息學的前景目前來看沒有計算機好哈！

但是如果你還對計算機感興趣，且又對生物信息學感興趣的話，堅持下來，到以後階段做交叉學科，計算機與生物信息交叉比這些方向都好，目前交叉學科的前景是最好的哈！
希望被採納哈！