生信入门先学什么：21天，每周一个能验收的产出

生信入门先学什么：21天，每周一个能验收的产出

先定产出，再选语言；三周走完一个最小闭环

在视频网站搜“生信入门”，出现的大多是几小时的全套教程，一周精通，30天挑战。评论区问的最多的两句是：先学R还是先学Python？能不能直接跟着跑流程？这两个问题看似在问路，实则问得太早——因为“入门”并非只有一种方式，至于从哪里开始，则取决于你学习它的目的。

这几年工具更新快。以往跑个差异表达需要折腾一晚上的环境，而现下只需一句话即可让AI将质控、比对、差异分析及富集全部完成，并交付图表与脚本。省下来的时间应该用来思考“这个结果说明了什么”？但是很多人却更加慌张了：都自动化了，我还学什么？这篇文章我们把它拆开来，纠正一些误区，然后分两种目的，最后给大家一个21天的计划表。

R与Python并非入门路上的两道门槛，它们是两种不同用途的工具。以发文章为主的路线，R生态是几乎无法绕开的，芯片数据使用limma，RNA-seq原始counts使用DESeq2或edgeR，富集使用clusterProfiler，生存在survival，画图使用ggplot2，都是Bioconductor里面的，文档及例子完备。而如果是偏向于工程、流程、大规模单细胞处理的路线的话，那么Python就会更加顺手一些。所以真正决定了你从哪门下手的是，不是哪个语言更流行，而是三个月后你想拿出什么东西。

第二个误区是，把“跑通流程”当学会。跟着教程三行代码出个结果，问counts矩阵是什么？design公式为何这样写？padj和p有何区别？却答不上来。这样的“会”，换一个数据集、换一个物种、样本分组稍微不平衡，立刻全乱。流程可以背，但是判断力是背不下来的，这才是别人愿意跟你合作的原因。

第三个误区：一上来就啃单细胞、多组学、机器学习。这些方向当然是值得学的，但它们建立于很多基础的概念上：表达矩阵结构，归一化，批次效应，多重检验校正。基础不牢靠就去追热点，最常见的情况就是每个概念都听说过，没有一个能讲清楚。bulk转录组差异表达是生信里最小的完整闭环，跑通、说清楚，然后往外扩，性价比是最高的。

目标更加明确了，路也就清晰了。临床医生、医学生物类研究生大多是为了用公开的数据补一张图、拼一个故事或者验证自己的实验结果，而对于跨专业转行、希望进入生信或者数据类岗位的人来说，他们需要的是能够独立地处理原始数据、搭建流程、维护代码的能力。这两种人，第一年需要花时间的事情重合得没有想象的那么高。

两条路并不冲突，研究久了就会遇到工程，做工程也离不开生物学的解释。但第一年时间短，别平均用劲。发文章，统计基础+生物学解释＞漂亮的代码；找工作，别人能在你的电脑外重现结果＞模型花哨。它们共有的基石是：明晰数据结构形态、全程追踪参数与版本、遇事查阅官方文档而非寻找二手教程。

21 天不是让你精通，而是让你走完一个完整的最小闭环，而且每周都有一个能拿给别人看的东西。以路线一为例，路线二可以将第二周的差异表达换成质控+比对，思路相同。

第一周：装环境、读数据。前两天安装R和RStudio，安装Bioconductor，练习看报错信息——大多数的新手卡住不是由于不会写程序，而是由于看到红字便关掉重来。第三四天补R的基础：向量，数据框，因子，apply家族，ggplot2画图，不需要啃完一整本书，够用就好。第五六天到GEO选择一个与你方向相近的数据集，下载其表达矩阵，平台注释以及样本信息，读入R中，确认行是基因，列是样本。第7天画箱线图PCA，观察是否有明显离群样本，样本分组是否与表中一致。这周产出的成果是一张能说明“这批数据长什么样”的图。

第二周出现差异表达。芯片采用limma，RNA-seq采用DESeq2或edgeR（处理counts），这是最主流的两种方法，切记不要将counts直接输入limma。动手前确认两点：counts是整数、基因ID能够匹配注释。design公式根据你实际的分组来写，不要照搬教程。在结果表中主要关注padj和log2FC，两者都需要设定阈值，只根据p值会获得大量无生物学意义的基因。拿到差异基因后画火山图、热图，然后用clusterProfiler做GO、KEGG富集，要注意物种注释包与ID的转换，很多人富集结果为空是卡在这一步。本周末，你应获得火山图一张，富集气泡图一张，以及三百字左右的总结，猜测这些基因与通路可能指示的方向。

第三周进行延伸和总结。有随访数据就画一条KM生存曲线；如果没有，找一篇单细胞论文，将其分析过程绘制成一张流程图，暂不接触代码。更重要的是将前两周的代码整合成一个从头可以跑完的脚本，将安装过的包及版本写在开头。然后换一个你没有跑过数据集，不看教程自己重新来过一遍，这一步最能够暴露你到底是学会了没有。最后写一页纸：数据来源、分组方法、分析过程、结论、存疑。中途卡住很正常，允许自己延期，但不要中途换教程！把一个数据集做透，胜过把十个数据集各做三天。

生信入门最大的成本不是学不会，是学岔了还不知道。——知乎下面的对着自己看看，回答不上来的回去补一下，不用重新来过。

这里面最狠的是“样本分组搞错”和“不记录版本”。前者不会报错，结果照样出图，只是你分析的可能不是你以为的那两组；后者短期没感觉，等到投稿被问“能否提供分析参数”，才发现什么都还原不出来。两个坑其实并不需要你有多聪明，只要养成两个习惯就好：在分析之前将样本表打印出来对照检查，每次打开一个新的脚本，在脚本的开头注明数据来源、软件的版本、重要参数等。

工具改变了入门的方法，但并没有改变入门的门槛。以前难的是环境和代码，如今难的是判断——这些数据应该这么分组吗？这种归一化合适吗？差异基因那么少是生物学现象还是参数的问题？富集的通路有意义吗？这些问题的答案不在代码里，而在对数据和统计的理解里。因此，更恰当的使用方式是将其作为对照而非作为答案。

具体做法是：自己先按上面的流程跑一遍，记下差异基因数量和主要通路；再换个方式跑一遍，对比两次结果。像 PaperOK 的生信模式，你一句话描述研究问题和数据，它会先跟你确认数据集、分组和统计标准，再往下做质控、比对、差异分析和富集，交付图表、统计表、报告和可复现脚本，每一步都记录输入、参数和产物。对新手来说，最值钱的不是它跑得快，而是每一步都能摊开看，可以拿来核对自己哪一步想错了、参数设偏了。不一致的地方，就是你接下来要补的知识点。

资源不能贪多。R基础看《R for Data Science》的前几章即可；统计概念、生信原理解StatQuest的短视频即可；Bioconductor每个包的官方文档及示例永远是正确的；想系统学习一次，Rafael Irizarry的基因组数据分析公开课及《Bioinformatics Data Skills》值得学习；中文资料中，生信技能树的社区内容较为成体系。顺序上有一个原则：官方文档优先于视频教程，教程会过期，文档跟随版本。

最后回到最初的问题。先学R还是先学Python？等你把目标写清楚，把一个数据集从头做到尾，自然就有答案了。入门的分界线不是你学会了多少套教程，而是一段话能讲清楚：这数据是哪儿来的？我是怎么分组？做了啥处理？结论是什么？哪里还不清楚？能够讲清楚，才是入门。

讲得清自己的数据，才算入门