【世毕盟人工智能申请】系列微讲座第二场：生物信息.docx

【世毕盟人工智能申请】系列微讲座第二场：生物信息 今天的嘉宾Xia学长，科研横跨多个领域，横扫Stanford, MIT, Berkeley, CMU计算机四大神校，目前就读于Stanford EE。 嘉宾分享： 我先自我介绍一下吧~ 我本科是清华自动化系的，目前就读于Stanford EE，申请的方向是计算生物+机器学习。录取的结果是Stanford EE PhD, MIT EECS PhD, UC Berkeley EECS PhD, CMU CBD PhD, UIUC CS PhD, Cornell CB PhD, CMU MCDS, UCLA Bioinfo PhD。目前研究方向是Computational biology + computer vision。 接下来说一下本次讲座的大纲： 计算生物方向的介绍 本科应该有的核心课程 各个学校的师资情况 申请策略 那么我们就开始吧 计算生物方向，严格来说并不能直接属于AI，本质上是用计算的方法解决生物的问题，做出生物领域的发现。传统计算生物偏算法 有很多algorithmic的东西，例如序列比对、组装等。现代的计算生物在机器学习这波火起来了之后偏机器学习和统计，用了很多机器学习的方法和理论，所以才会被说和AI相关。 （中间可能会放一些slides啊 大家看起来也比较方便） 我们来看看计算生物的一些小方向： 目前最热门的是计算基因组学，本质是要用序列去解释生物。例如解释基因突变和疾病的关系。这个学科建立在测序（以及序列组装）的基础上，目前高通量测序的发展造成了这个领域的极大发展。另外在计算方面也有很多进展，例如在图像领域用到的CNN从2014年开始被用到了Computational Genomics中。 computational neuroscience，目前也比较火 研究的是对神经元建模 以及sensory, memory之类的机制，偏applied的方向有做脑电图分析的，还有人试图用这个方向解释为什么神经网络会work。stanford在这个领域就有很好的研究（Ganguli Lab），还有一些小方向，例如Computational evolutional biology, Cancer computational biology。我就不具体说了，感兴趣的同学可以之后和我交流。 接下来说说这个领域的特点: 这个领域最大的特点是跨学科，横跨计算机、应用数学、统计、生物、基因组学等等。所以也是很多学生物的同学转计算机的跳板，本身也吸引了很多这些不同学科的同学。 顺着这个话题我们可以聊聊本科应该有的课程，计算生物学目前看来是计算机和生物并重，所以最好两方面的课程都有。抛开数学、物理的基础之外，计算机方面需要学好程序设计（尤其是脚本语言，例如python和R），数据结构和算法，模式识别。生物方面需要有一些生物学导论，计算生物学，基因组学的课程。还要学好概率论与数理统计。另外本科最好有计算生物的科研经历。这点我一会儿会说到，我会告诉大家在国内和国外有哪些实验室可以去。 另外，还有一个参加计算生物项目的好方法是参加iGEM比赛，很多学校都会有。目前基本是实验+计算，有一些计算的部分。 下面我们聊聊学校，计算生物方面的好去处如下 我们可以一个个过一下：Stanford，目前比较活跃的包括这些人，Anshul Kundaje: Deep learning in CB，David Tse: Information-theoretical optimal assembly，Serafim Batzoglou原来很活跃但是现在去Illumina当VP了，去年新的faculty James Zou，目前研究计算生物和ML交叉的一些问题，也吸引了很多学生。 如 Berkeley原来有Lior Pachter，现在他去了Caltech，Berkeley还有Nir Yosef 下面列举了一些其他的包括了国内的老师，清华有很好的计算生物的组，曾老师和张老师都比较好。 补充一点，现在stanford一些教授做医学成像/health care和deep learning的结合，也和comp bio有关。faculty包括 Feifei Li, Sebastian Thrun(主要是他的学生)。 下面我们说说这个领域的申请： 这个领域的申请算是AI相关方向里竞争不那么激烈的，申请到top school的几率也比纯CS要大一些，申请学校的时候主要看的评价标准是CS, Biology, Math, Statistics,。diverse的背景会更受欢迎。另一方面是publications，如果本科期间有publication会有比较大的加分。如果是硕士申请几乎一定要有publications，如果有8分以上