RSS
EO Wilson加入了 WSJ 我觉得很有趣， 伟大的科学家≠擅长数学:
对于许多渴望成为科学家的年轻人来说，最大的麻烦就是数学。 没有高级数学，您如何在科学方面做认真的工作？ 好吧，我有专业 分享的秘密：当今世界上许多最成功的科学家在数学上只不过是半文盲。
...
这种失衡在生物学中尤其如此，在现实中，现实生活中的因素常常被误解，或者一开始就没有被注意到。 理论生物学的历史被数学模型所阻塞，这些数学模型可以安全地忽略，或者在测试时失败。 持久价值可能不超过10％。 只有那些与现实生活系统的知识牢固联系在一起的人，才有很多被使用的机会。
威尔逊在这个问题上已经有一段时间了，这让我在Twitter上追随的一些科学家感到困惑（当然，我追随的人往往是定量基因组学类型，其背景可能是数学，物理学或统计学的背景）。 阅读此书时，我想到了两件事。 第一的， 如今，成千上万的活着的著名和成功的科学家都是古老的，例如EO Wilson。 仅仅因为您可以在一定程度上达到数学流利程度 enfant可怕 在1970年代并不意味着这会在2010年代削减。 在数学上比较薄弱的伟大科学家经常会招募合作者，博士后和研究生。 如果您不是地球上的大人物之一，那可能会是另一回事。 据我所知，没有数学技能的正在招聘的科学家更喜欢具有数学技能的候选人。
其次，对我而言，形式化数学模型的成功率达到10％似乎很高！ 科学中的绝大多数猜想都是垃圾。 如果威尔逊坚持10％的数字，那么这就是为数学能力赋予更大价值的论点。 但是我怀疑理论模型存在一个真正的问题，这些模型尚未经过测试，或者只是用来增强某人的出版物列表（请参阅： 理论生物学杂志）。 在罗伯特·特里弗斯（Robert Trivers）中 自然选择与社会理论 他说，有人告诉他，他的想法就像经济学家的想法。 奇怪的是，在同一卷中，汉密尔顿（WD Hamilton）建议年轻的特里弗（Travers）不要试图“放弃”他关于互惠利他主义的最初想法（特里弗（Travers）忽略了这一建议，尽管事后看来他同意了这一观点）。 我之所以这样说是因为，当代经济学似乎确实存在一个问题，即极其强大的定量方法已与当前的经验问题脱钩。 但是我看不出这些问题在生物学上有太大的问题。 与其说形式精度太低，不如说，许多进化生物学都可以从更高的脆度中受益.
在这一点上，我必须提供的是，我从未与遗传学家（我认识的人，倾向于进化论的人）进行过交谈，后者抱怨他们过多地进行了数学运算。 相反，相反。 显然，当Theodosius Dobzhansky阅读诸如Sewall Wright这样的人的论文时，他会在正式部分“哼”一声。 自从威尔逊预先承认自己的数学能力不强以来，我很乐意转达我从哈佛生物学系的几位相关人员那里听到的信息： 有争议的 诺瓦克（Nowak）等。 al。 纸 威尔逊（Wilson）的名字有问题，部分是因为威尔逊（Wilson）可能不了解 正式 他支持的论点的细节。 更具体地说，EO威尔逊长期以来对社会行为的性质有着特殊的直觉，他一直在寻找形式主义者，可以为他提供数学上的支持。 这通常是科学的完成方式，但似乎并非最佳情况。 另外，我还要补充一点，尽管威尔逊强调数学，但今天同样重要的是编写和实现一些代码的能力。 尽管数学和程序设计经常联系在一起，但粗略而现成的脚本（实际上是当今许多生物学家的生硬之笔）根本不是数学上的。
当然，所有这一切都取决于人们感兴趣的生物学领域。理论上的生态学家将比现场生态学家需要更多的数学知识。 许多分子生物医学遗传学家不必担心比标准的统计测试更多的事情。 等等。 但是EO Wilson是一位进化生物学家。 查尔斯·达尔文（Charles Darwin）有深刻的见识，他不是数学科学家。 但令人惊讶的是，不成比例的达尔文20世纪继承人有很强的数学倾向。 数学流利并不是成为一名出色的进化科学家的必要或充分条件。 但这肯定会增加您获得深刻见解的可能性，这些见解可能会推动该领域的发展。
附加数量： WD汉密尔顿 在很大程度上是作为人口遗传学家自学的。 在 自然的神谕 乌利卡·塞格斯特拉勒（Ullica Segerstrale）认为，受过经典训练的理论家最初对汉密尔顿的模型非常怀疑，因为它们看上去相当轻率， 特设。 Segerstrale解释的原因是汉密尔顿像工程师一样操作，用一系列模型综合了他的深层生物学直觉，对框架进行了微调，从而使理论上层结构被适当地支撑在生物学问题上。 这似乎是一种邀请，要求我们制作出不可靠的模型，但是Nowak等人。 al。 尽管汉密尔顿的成就经受了时间的考验。
不擅长微积分就很难做物理。 并非不可能，我想，而且有很多数学不是必需的……
如果更多的科学家擅长统计学（我将其归类为数学）就好了
威尔逊承认，要学物理和大部分化学，你需要擅长数学。 他的重点是生物学。 即使在生物学中，仍然不确定这是个好建议。 回复：统计数据，衷心同意。 大多数使用 p 值的人可能不知道/不记得 p 值是什么。 我正在考虑在 twitter 上进行一次奇怪的交流，dan macarthur 与一个试图“教育”他的人讨论了 p 值和基因组学，但并不真正理解 0.05 p 值不是一成不变的。
如果更多的科学家擅长统计学（我将其归类为数学）就好了
回复：@Razib Khan
威尔逊承认，要学习物理和大部分化学，您需要擅长数学。 他的重点是生物学。 即使在生物学中，仍然不确定这是个好建议。 回复：统计数据，衷心同意。 大多数使用 p 值的人可能不知道/不记得 p 值是什么。 我正在考虑在 twitter 上进行一次奇怪的交流，dan macarthur 与一个试图“教育”他的人讨论了 p 值和基因组学，但并不真正理解 0.05 p 值不是一成不变的。
这里的博士生。 我希望我知道更多的数学（主要是统计）。 我希望我知道更多的脚本！！
问题，或者更确切地说，问题是：
1. 现在的普通“生物学家”（或者更确切地说是生命科学家）至少需要多高的数学知识？ 十年前，我记得标准的介绍性大学统计和微积分就足够了，但现在似乎要高得多。
2. 假设生命科学的一般定量要求不断以可观的速度增长（也就是十年前的计算编程甚至不会在关于必要的通用技能集与被吹捧为潜在职业的对话中被提及）缓冲/保护这些天），大多数当前或有抱负的生物学家/生命科学家是否能够获得基本的熟练程度，更不用说掌握这些越来越困难的概念了？
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见:-)
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多智能；-) 大多数科学的东西都是立即投入使用，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
回复：@SJ Esposito、@Anonymous、@chris_T_T、@Ria
1. 现在的普通“生物学家”（或者更确切地说是生命科学家）应该具备多高的数学知识？ 十年前，我记得标准的介绍性大学统计和微积分就足够了，但现在似乎要高得多。
2. 假设生命科学的一般定量要求不断以可观的速度增长（也就是十年前的计算编程甚至不会在关于必要的通用技能集与被吹捧为潜在职业的对话中被提及）缓冲/保护这些天），大多数当前或有抱负的生物学家/生命科学家是否能够甚至获得基本的熟练程度，更不用说掌握这些越来越困难的概念了？
回复：@Razib Khan
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见🙂
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多的智慧😉 大多数科学的东西只是开始工作，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
我认为您一针见血：编程——这是一项非常有用且不难掌握的技能。
对于“数学思维”，也有一些话要说。 理解和做复杂的数学是一回事，但培养良好的定量直觉是另一回事。 我发现学习线性代数、形式逻辑和集合论等主题的课程对让我进行抽象和分析思考非常有帮助，尽管自从我多年前上过这些课程以来，我还没有证明过定理或推论。 我想说，即使你不擅长数学，生物学学生也可以从高等数学课程中的挣扎中受益，即使只是为了锻炼那些在生物课上不经常锻炼的智力肌肉。
如果你主要在板凳上工作，我不知道你是否还需要超越计算和统计数据
嗯，我现在的老板是一位社会科学家，在这个领域工作，贝叶斯分析和重采样方法正在成为常态。 我必须从分析层面向他解释这些和其他统计主题，以便他能够竞争资金。
因此，对于越来越多的“替补”科学家来说，了解数学（而不仅仅是方程式和算法）至关重要。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见
对于最复杂的统计和建模，可以使用 Matlab 程序。 R 已被引入社区并进行了讨论，但由于大多数模型已经在 Matlab 中，因此切换的成本效益值得怀疑。
线性代数对于数量遗传学家非常有用，特别是对于那些有兴趣以智能方式处理 GWAS 或 NextGen 序列数据的人（即：不仅仅是一次查看单个基因的加性遗传变异）。 如果有人想研究缺失的遗传性问题（或只是在他们的工作中解决它），他们应该考虑的不仅仅是检查罕见变异效应的方法，他们还应该考虑遗传结构（即：上位性）似乎是合理的，单倍型（在罕见的变异假设中假设，但不幸的是，并不是每个研究这部分问题的人都假设），甚至可能有一些可以用数学建模的印记的影响）。 为此，您几乎必须自己编写程序，尤其是当您的人口有复杂的谱系结构时。
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见:-)
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多智能；-) 大多数科学的东西都是立即投入使用，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
回复：@SJ Esposito、@Anonymous、@chris_T_T、@Ria
我认为您一针见血：编程——这是一项非常有用且不难掌握的技能。
对于“数学思维”，也有一些话要说。 理解和做复杂的数学是一回事，但培养良好的定量直觉是另一回事。 我发现学习线性代数、形式逻辑和集合论等主题的课程对让我进行抽象和分析思考非常有帮助，尽管自从我多年前上过这些课程以来，我还没有证明过定理或推论。 我想说，即使你不擅长数学，生物学学生也可以从高等数学课程中的挣扎中受益，即使只是为了锻炼那些在生物课上不经常锻炼的智力肌肉。
威尔逊文章的副标题谈到了数字运算，我认为这是问题的核心。 擅长计算只是数学能力的一个方面。 在更高的层次上，概念化更为重要，如果不是一个好的概念化者，任何人都不能成为一个好的科学家。
数学比数字运算更具概念化。
威尔逊在他最近的《给年轻科学家的信》中提出了类似的观点。 他补充说，如果您不具备这些技能，则需要与了解数学的人合作。 他举了一些来自他自己的研究项目的例子
回复：@Razib Khan
数学比数字运算更具概念化。
这是老科学家还是新的年轻科学家？ 或者？ 除了数学，许多人没有广泛的知识背景，就像二战一代那样，许多人因为某种联系而被聘用，而不是在生物学方面很出色。 AM 感到惊讶的是，如今有多少人不知道......对网络成瘾的想法会顺流而下......
威尔逊属于（最后？）一代，通过集邮可以做出重大发现。
如果将形式逻辑作为数学的一个分支包括在内，那么他很可能是错误的，甚至是关于他自己的。
虽然传统的生理学方法已经教会了我们很多东西，但它们依赖于将导致现象的大部分潜在过程作为黑匣子或孤立系统的一部分。 这两种方法都不能让我们详细了解多个生物系统如何相互作用。 除非我们有如此深刻的理解，否则我们只能用大锤来治疗我们的疾病。
要真正理解一个系统，您必须能够对其进行建模，而建模需要数学。
更多的是后者。 我会说赖特是生物学家的数学家，尽管他不是渔夫。
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见:-)
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多智能；-) 大多数科学的东西都是立即投入使用，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
回复：@SJ Esposito、@Anonymous、@chris_T_T、@Ria
如果你主要在板凳上工作，我不知道你是否还需要超越计算和统计数据
嗯，我现在的老板是一位社会科学家，在这个领域工作，贝叶斯分析和重采样方法正在成为常态。 我必须从分析层面向他解释这些和其他统计主题，以便他能够竞争资金。
因此，对于越来越多的“替补”科学家来说，了解数学（而不仅仅是方程式和算法）至关重要。
“当代经济学似乎确实存在一个问题，即极其强大的定量方法与手头的实证问题在某种程度上脱钩了。”
我对生物学领域的情况了解不多，但我很好奇您是否可以详细说明这一部分？ 以哪种方式 - 您是否在考虑经典的“过度形式主义”？ 黑拳？ 或者关于要求研究人员使用新的和复杂的方法而不是简单的方法来发表，即使有时结果可能非常相似？ 还有什么？
我之所以这么问是因为虽然我完全同意过度的形式主义是整个经济学的一个问题，并且该领域有大量的“为了数学而数学”，但我的印象并不是“应用数学”/统计为“应用数学/统计本身就是一个很大的问题。 尽管该子领域确实存在“理论家”，但至少我的印象是，积极使用新定量方法的人往往非常专注于实际使用这些方法来处理手头的具体问题，以便更好地解决经验问题他们渴望回答——他们似乎大多使用这些方法，因为他们解决了原本无法克服的问题。 实际上，积极应用新的和强大的定量方法的人往往对“实际科学”非常感兴趣，因此在其他条件相同的情况下，我当然会假设他们与手头的经验问题的“脱钩”比该领域的许多其他人（例如，经济学家认为不需要处理真实数据的混乱世界，因此将数学方法的使用限制在复杂的理论和通常无法检验的模型上。这些人要多得多可能会“计算”他们的东西。）。
写的。 新的定量方法 重要的是要记住，有一个关于使用“花哨”方法是否合适的问题，以及一个关于如何处理这种情况的问题。 黑盒是一个主要问题，因此如果应用新方法，则需要一定程度的形式主义。 有时，“非花哨”的方法可能不再是一种选择，因为人们已经认识到，这种解决经验问题的方法存在严重缺陷。
我在这里可能不公平。 坦率地说，2008 年之后的关键问题是，当这个领域似乎还没有达到实证科学的期望时，我已经厌倦了听到关于经济建模的花哨数学。
回复：@USfromDK
ps我通常更喜欢计量经济学fwiw ....
我对生物学领域的情况了解不多，但我很好奇您是否可以详细说明这一部分？ 以哪种方式 - 您是否在考虑经典的“过度形式主义”？ 黑拳？ 或者关于要求研究人员使用新的和复杂的方法而不是简单的方法来发表，即使有时结果可能非常相似？ 还有什么？
我之所以这么问是因为虽然我完全同意过度的形式主义是整个经济学的一个问题，并且该领域有大量的“为了数学而数学”，但我的印象并不是“应用数学”/统计为“应用数学/统计本身就是一个很大的问题。 尽管该子领域确实存在“理论家”，但至少我的印象是，积极使用新定量方法的人往往非常注重实际使用这些方法来处理手头的具体问题，以便更好地解决经验问题他们渴望回答——他们似乎大多使用这些方法，因为他们解决了原本无法克服的问题。 实际上，积极应用新的和强大的定量方法的人往往对做“实际科学”非常感兴趣，所以在其他条件相同的情况下，我当然会假设他们“与手头的经验问题脱钩”比该领域的许多其他人（例如，经济学家认为不需要处理真实数据的混乱世界，因此将数学方法的使用限制在复杂的理论和通常无法检验的模型上。这些人要多得多可能会“计算”他们的东西。）。
写的。 新的定量方法 重要的是要记住，有一个关于使用“花哨”方法是否合适的问题，以及一个关于如何处理这种情况的问题。 黑盒是一个主要问题，因此如果应用新方法，则需要一定程度的形式主义。 有时，“非花哨”的方法可能不再是一种选择，因为人们已经认识到，这种解决经验问题的方法存在严重缺陷。
回复：@Razib Khan，@Razib Khan
我在这里可能不公平。 坦率地说，2008 年之后的关键问题是，当这个领域似乎还没有达到实证科学的期望时，我已经厌倦了听到关于经济建模的花哨数学。
我实际上理解这种情绪没有问题，我应该指出，我并不是唯一一个对宏观经济学不太重视的即将成为经济学家的人。 在这一点上，我只在计量经济学和微观经济学的交叉领域工作——一般方法是完全不同的。 大多数这些东西只是经济学家可能会问自己的个人层面数据处理问题的应用统计数据。 我知道你之前在你的博客上讨论过双胞胎研究，我也许应该指出这些经常用于应用微观的某些领域。
你知道这一点，但它需要重复一遍：经济学不仅仅是宏观的。 经济学中的其他一些领域可以更好地处理科学。
回复：@Razib Khan
我对生物学领域的情况了解不多，但我很好奇您是否可以详细说明这一部分？ 以哪种方式 - 您是否在考虑经典的“过度形式主义”？ 黑拳？ 或者关于要求研究人员使用新的和复杂的方法而不是简单的方法来发表，即使有时结果可能非常相似？ 还有什么？
我之所以这么问是因为虽然我完全同意过度的形式主义是整个经济学的一个问题，并且该领域有大量的“为了数学而数学”，但我的印象并不是“应用数学”/统计为“应用数学/统计本身就是一个很大的问题。 尽管该子领域确实存在“理论家”，但至少我的印象是，积极使用新定量方法的人往往非常注重实际使用这些方法来处理手头的具体问题，以便更好地解决经验问题他们渴望回答——他们似乎大多使用这些方法，因为他们解决了原本无法克服的问题。 实际上，积极应用新的和强大的定量方法的人往往对做“实际科学”非常感兴趣，所以在其他条件相同的情况下，我当然会假设他们“与手头的经验问题脱钩”比该领域的许多其他人（例如，经济学家认为不需要处理真实数据的混乱世界，因此将数学方法的使用限制在复杂的理论和通常无法检验的模型上。这些人要多得多可能会“计算”他们的东西。）。
写的。 新的定量方法 重要的是要记住，有一个关于使用“花哨”方法是否合适的问题，以及一个关于如何处理这种情况的问题。 黑盒是一个主要问题，因此如果应用新方法，则需要一定程度的形式主义。 有时，“非花哨”的方法可能不再是一种选择，因为人们已经认识到，这种解决经验问题的方法存在严重缺陷。
回复：@Razib Khan，@Razib Khan
ps我通常更喜欢计量经济学fwiw ...。
我在这里可能不公平。 坦率地说，2008 年之后的关键问题是，当这个领域似乎还没有达到实证科学的期望时，我已经厌倦了听到关于经济建模的花哨数学。
回复：@USfromDK
我实际上理解这种情绪没有问题，我应该指出，我并不是唯一一个对宏观经济学不太重视的即将成为经济学家的人。 在这一点上，我只在计量经济学和微观经济学的交叉点上工作——一般方法是完全不同的。 大多数这些东西只是经济学家可能会问自己的个人层面数据处理问题的应用统计数据。 我知道你之前在你的博客上讨论过双胞胎研究，我也许应该指出这些经常用于应用微观的某些领域。
你知道这一点，但它需要重复一遍：经济学不仅仅是宏观的。 经济学中的其他一些领域可以更好地处理科学。
两点
1）与我有卓有成效的互动的社会科学家绝大多数是经济学家。 其中一些是在微观和行为遗传学的交叉领域工作的人。
2）我认为宏观是很多人放弃...... OTOH，我记得在2008年之前一位杰出的年轻经济学家（你会认识这个名字）告诉我，好的宏观植根于微观。 我可以买那个。 但是这个微根宏是否能够进行非平凡的预测？ 经济学家非常聪明（比普通生物学家更聪明）。 但不幸的是，他们讨论的话题并不是那么容易处理......
回复：@USfromDK
我实际上理解这种情绪没有问题，我应该指出，我并不是唯一一个对宏观经济学不太重视的即将成为经济学家的人。 在这一点上，我只在计量经济学和微观经济学的交叉领域工作——一般方法是完全不同的。 大多数这些东西只是经济学家可能会问自己的个人层面数据处理问题的应用统计数据。 我知道你之前在你的博客上讨论过双胞胎研究，我也许应该指出这些经常用于应用微观的某些领域。
你知道这一点，但它需要重复一遍：经济学不仅仅是宏观的。 经济学中的其他一些领域可以更好地处理科学。
回复：@Razib Khan
两点
1）与我有卓有成效的互动的社会科学家绝大多数是经济学家。 其中一些是在微观和行为遗传学的交叉领域工作的人。
2）我认为宏观是很多人放弃...... OTOH，我记得在2008年之前一位杰出的年轻经济学家（你会认识这个名字）告诉我，好的宏观植根于微观。 我可以买那个。 但是这个微根宏是否能够进行非平凡的预测？ 经济学家非常聪明（比普通生物学家更聪明）。 但不幸的是，他们讨论的话题并不那么容易处理……
“我认为宏观是很多人放弃” - 我也是。
“这个微根宏是否能够进行非平凡的预测？” - 我对那种微宏进行了一些处理，我的答案是否定的。 这就是为什么我不再处理那些东西的部分原因。
两点
1）与我有卓有成效的互动的社会科学家绝大多数是经济学家。 其中一些是在微观和行为遗传学的交叉领域工作的人。
2）我认为宏观是很多人放弃...... OTOH，我记得在2008年之前一位杰出的年轻经济学家（你会认识这个名字）告诉我，好的宏观植根于微观。 我可以买那个。 但是这个微根宏是否能够进行非平凡的预测？ 经济学家非常聪明（比普通生物学家更聪明）。 但不幸的是，他们讨论的话题并不是那么容易处理......
回复：@USfromDK
“我认为宏观是很多人放弃”——我也是。
“这个微根宏是否能够进行非平凡的预测？” – 我已经处理过这种微宏了，我的回答是否定的。 这就是为什么我不再处理那些东西的部分原因。
在我看来，至少在遗传学中，许多最重要的问题本质上都是抽象的和定量的：我们仍在努力找出复杂性状的工作原理以及我们可以用我们拥有的遗传信息做些什么。 实验室工作是调查的重要组成部分，但您需要进行统计培训才能正确理解某些问题（例如遗漏遗传力的问题）。
好吧，你或我会感兴趣的问题。但在生物医学遗传学领域，他们仍在阐明一种特定的基因途径。 这也很重要。
回复：@Razib Khan
好吧，你或我会感兴趣的问题。但在生物医学遗传学领域，他们仍在阐明一种特定的基因途径。 这也很重要。
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见:-)
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多智能；-) 大多数科学的东西都是立即投入使用，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
回复：@SJ Esposito、@Anonymous、@chris_T_T、@Ria
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见
对于最复杂的统计和建模，可以使用 Matlab 程序。 R 已被引入社区并进行了讨论，但由于大多数模型已经在 Matlab 中，因此切换的成本效益值得怀疑。
如果您主要在替补席上工作，我不知道您是否还需要超越计算和统计数据。 即使你在做 GWAS，也有一些包（plink）可以完成大部分工作，而且模型也没有那么疯狂。 如果你更喜欢建模等，显然线性代数等会很有帮助。
另外，如果所有生物学家都停止使用 excel 而只是转向 R，那就太好了，但我有偏见:-)
大多数当前或有抱负的生物学家/生命科学家是否能够获得对那些日益困难的概念的基本熟练程度，更不用说精通了？
我不认为编程/脚本编写需要那么多智能；-) 大多数科学的东西都是立即投入使用，而不是“关键任务”。 至于数学，我不知道。 我认为野外生态学家等仍有工作要做。 据我所知，尽管纯粹在替补席上工作可能已成为过去，因为更多的工作被外包和自动化。
回复：@SJ Esposito、@Anonymous、@chris_T_T、@Ria
线性代数对于数量遗传学家非常有用，特别是对于那些有兴趣以智能方式处理 GWAS 或 NextGen 序列数据的人（即：不仅仅是一次查看单个基因的加性遗传变异）。 如果有人想研究缺失的遗传性问题（或只是在他们的工作中解决它），他们应该考虑的不仅仅是检查罕见变异效应的方法，他们还应该考虑遗传结构（即：上位性）似乎是合理的，单倍型（在罕见的变异假设中假设，但不幸的是，并不是每个研究这部分问题的人都假设），甚至可能有一些可以用数学建模的印记的影响）。 为此，您几乎必须自己编写程序，尤其是当您的人口有复杂的谱系结构时。
我认为 Lisp 成名的 John McCarthy 说那些不会做数学的人注定会失败是正确的。