有博友发文感叹生物信息学的“边缘化”而不得不“裸奔”（http://blog.sciencenet.cn/blog-404304-614035.html），得到很多响应。我也是从计算机专业转向做生物信息学和计算生物学的问题，所以，深有同感。其实，这么多的交叉学科，是机会，也是陷进。即可以两边都靠，也可以两边都不搭理你。所以，如果是出自一个大牛平台的交叉学科的结果，比较容易得到承认；如果是出自一个普通的研究者之手，那么就会被两边质疑。这也是很自然的事情，没有什么可抱怨的。

但是，我个人觉得，即使是从事生物信息学和计算生物学的学者，还是有许多人对学科的认识是有误解的，所以，也不要责备两边的专家来质疑了。

首先，所谓生物信息学，本质上重点研究的是信息学问题，只是这些信息学问题来自生物领域的原始问题。例如，序列比对问题，这是一个标准的信息学范畴内的问题。我们都知道ABC和ADC的匹配是有两个字母相同，可以认为是相似度是2。这是一个经典的计算机学科讨论的问题。如果把这个问题变换一下，问ABC与ADC相似、还是ABC与AEC更相似？从计算机的角度说，都是2！但是，如果告诉你，BD的相似度是0.5、BE的相似度是0.4，那么，ABC与ADC相似度2.5，ABC与AEC相似度就是2.4了。更加通用化，如果给你一个所有字母两两之间的相似度，那么，上面的字符串匹配问题就是一个比较复杂的信息学问题了。而这个相似度矩阵，不是出这个信息学问题的专家挖空心思想出来的，而是来自于生物学的领域。再把这个信息学的问题变态地搞得更加复杂：如果我们允许两个字符串匹配过程中，字符串的任意一个位置允许插入通配符“-”，当然也给定这个通配符与其它字母匹配时的相似度，那么，两个字符串匹配就有许多种可能，如果要问，相似度最高的那个匹配是什么？这样一个信息学问题，就是所谓的序列匹配问题了。不要以为这是一个异想天开的问题，这是一个自然的来自生物领域的计算问题。

所以，可以把生物信息学简单表示为b-m-c，b表示生物问题，m表示面向计算的建模，c就是计算问题。生物信息学要解决的首要问题是c，而不是b！因为b解决得好坏，不但取决于c解决的好坏，还要取决于m的好坏。当然，m需要两个领域通吃的人才能解决得好。一般计算机出生的人做的是c，m是现成的，不会去动它，也没有能力去动它。所以免不了要被学生物的人指责你的b没有做好。在生物信息学里，最早最成功的算法和程序大概就是序列比对程序blast了，由于其m-c都解决的非常好，所以得到了广泛的认同。

再看计算生物学。其实，计算生物学要回答的是生物学的问题，不过是采用了计算的方法手段。为了便于比较，可以把计算生物学表示为c-m-b，其落脚点是回答b，而c是手段。（再次提醒b-m-c中，c是最终问题，b是c的来源。c本身很难可以独立成为一个问题，回答了c能够顺便回答b那是最理想的，不过回答不了，也没有什么可耻的。）比如，两个基因，它们有共同的祖先吗？这是一个标准的生物问题。要回答这样的问题，如果采用传统实验的方法，就是“实验生物学”的范畴；如果把基因表示成字符串，把“是否有共同的祖先”（这是一个b问题）这个生物学问题转化为“序列比对”问题（这是一个c问题）来做，这就是“计算生物学”的范畴了。这往往是生物背景的学者通过学习计算手段后来从事的工作。

其实，现在我们完全可以说，计算完全可以同实验、理论并列地称为三大方法论，可以用来从事任何学科：传统上，“实验生物学”占主导地位，但是也有“理论生物学”（化学、物理也一样），现在，出现“计算生物学”，也是顺应潮流的。而生物信息学，应该被看作信息学里面的一个特定问题集而已，当然，m问题不仅仅是c问题，也是b问题。生物信息学越是发展，计算生物学就越有基础。所以，生物信息学也罢，计算生物学也罢，没有必要“裸奔”。当你做大做强了，人家自然用你的。

最后，用一个例子来解释如何面对实验生物学家对“预测”的轻视。假如有这样一个问题：100个蛋白质和100个小分子，它们有可能的结合物是什么？如果用实验生物学的方法，那就是做1万次两两配对的实验，假定发现了60个可以结合的复合物，十分地伟大！获得了insights，但是获得了“规律”吗？如果用计算生物学的方法，给出了预测，即使是预测的准确率是60%（这已经是让计算生物学家拿不出手的:-），那也只要让实验生物学家做100次实验就可以获得那60个insights！想一想那实验生物学家的60个insights的分母！

也许你会说，我们实验生物学家不会那么傻到来做1万次实验，我们先是凭经验和“灵感”筛选一部分实验来做的！那么，计算生物学家同样可以问，你的筛选的准确率有60%吗？被你放弃的那些配对实验真的没有可能的结合物吗？这就回到实验生物学家质疑计算生物学家“预测”的相同情况了！其实，计算手段也是对专家经验的模仿（“灵感”即使是对人类专家来说也是可遇不可求的，计算机目前还是放弃了对“灵感”的追求，但是代之以更加完善的随机技术）。我们可以承认计算机处理和推理定性知识的能力不如人脑，但是，可以坚定地认为，计算机处理推理定量知识的能力，完全是超过人脑的！！如果质疑这一点，那么实验生物学家也就不称职了。

其实，搞计算的学者对生物、生命、医学等领域的学者最羡慕的是：那里永远没有重复的问题，每一个具体结果都是创新！

转载本文请联系原作者获取授权，同时请注明本文来自吕强科学网博客。
链接地址：https://blog.sciencenet.cn/blog-404372-614310.html

上一篇：Nature发科幻小说纪念图灵百年
下一篇：政府何必为华为、中兴羞答答地抱不平？