请教deep learning在biomarker鉴定中的应用？# Biology - 生物学
c*p
1 楼
昨天下雨,我撒了很多草种, 今天看都在地面上. 我要不要撒些topsoil覆盖草籽呢? 谢
谢.
谢.
f*n
2 楼
deep learning主要成功在图像，声音识别
disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
m*i
3 楼
如果你的地很秃需要盖一下，不然都被鸟吃了
w*a
4 楼
没发大显身手，首先码公不懂disease，
就算懂了，FDA也不让你搞。23andme就搞几个预测就差点被FDA给废了。
【在 f*****n 的大作中提到】
: deep learning主要成功在图像，声音识别
: disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
就算懂了，FDA也不让你搞。23andme就搞几个预测就差点被FDA给废了。
【在 f*****n 的大作中提到】
: deep learning主要成功在图像，声音识别
: disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
c*p
5 楼
那就是说不会影响发芽. 发芽不需要土盖在上面吗?
【在 m**i 的大作中提到】
: 如果你的地很秃需要盖一下，不然都被鸟吃了
【在 m**i 的大作中提到】
: 如果你的地很秃需要盖一下，不然都被鸟吃了
e*6
6 楼
靠自己发挥想象力，两边的知识都要懂，还是有很多可以做的
【在 f*****n 的大作中提到】
: deep learning主要成功在图像，声音识别
: disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
【在 f*****n 的大作中提到】
: deep learning主要成功在图像，声音识别
: disease biomarker领域呢？请教有何进展呢？dl能大显身手呢？
T*m
7 楼
overseeding还是重来？如果是在原来的草地上撒籽（overseeding）,那最好用耙子爬
爬。如果原来的土是光秃秃的，则最好盖一层土，薄薄的。
谢
【在 c*********p 的大作中提到】
: 昨天下雨,我撒了很多草种, 今天看都在地面上. 我要不要撒些topsoil覆盖草籽呢? 谢
: 谢.
爬。如果原来的土是光秃秃的，则最好盖一层土，薄薄的。
谢
【在 c*********p 的大作中提到】
: 昨天下雨,我撒了很多草种, 今天看都在地面上. 我要不要撒些topsoil覆盖草籽呢? 谢
: 谢.
f*n
8 楼
我找到的一片paper：
http://www.aging-us.com/article/100968/text
感觉还是很赞的
如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
【在 e*********6 的大作中提到】
: 靠自己发挥想象力，两边的知识都要懂，还是有很多可以做的
http://www.aging-us.com/article/100968/text
感觉还是很赞的
如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
【在 e*********6 的大作中提到】
: 靠自己发挥想象力，两边的知识都要懂，还是有很多可以做的
c*p
9 楼
? 谢谢.. 我怕没埋土里长不出来.
【在 c*********p 的大作中提到】
: 那就是说不会影响发芽. 发芽不需要土盖在上面吗?
【在 c*********p 的大作中提到】
: 那就是说不会影响发芽. 发芽不需要土盖在上面吗?
n*7
10 楼
我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
1. 首先你可以注意到altmetric score爆表了，居然有700+
对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
于是我很好奇的点击了一下具体内容
发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
而最后都是介绍 Insilico Medicine, Inc 这个公司
这个就是这篇文章的第一作者单位
很显然，这个公司花了些钱做市场推销
2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
应该的。于是过了一遍正文，果然既没有跟别人方法的比较，也没有跟传统方法做的
predictor的比较。这里基本可以确认这是一篇水文了。而且他们的方法，即使从我不
懂DL的人来看，也没啥真货，就是拿着现成的包跑了跑，这算啥啊。
3. 进一步看看细节，图2的字体搞得那么小，根本不是给人看的，一看就不专业。最后
的method部分，很基本的衡量指标还解释那么细致，给人的感觉就是没什么真货，拿这
种照抄的东西来充公式。
4. 最后查查杂志的IF，4左右，符合预期。
总结，又一篇打着AI/DL旗号吹牛的公司烂文。这篇文章拿了俄罗斯的政府的钱，不知
道一作是不是普京的亲戚。
【在 f*****n 的大作中提到】
: 我找到的一片paper：
: http://www.aging-us.com/article/100968/text
: 感觉还是很赞的
: 如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
: 因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
1. 首先你可以注意到altmetric score爆表了，居然有700+
对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
于是我很好奇的点击了一下具体内容
发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
而最后都是介绍 Insilico Medicine, Inc 这个公司
这个就是这篇文章的第一作者单位
很显然，这个公司花了些钱做市场推销
2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
应该的。于是过了一遍正文，果然既没有跟别人方法的比较，也没有跟传统方法做的
predictor的比较。这里基本可以确认这是一篇水文了。而且他们的方法，即使从我不
懂DL的人来看，也没啥真货，就是拿着现成的包跑了跑，这算啥啊。
3. 进一步看看细节，图2的字体搞得那么小，根本不是给人看的，一看就不专业。最后
的method部分，很基本的衡量指标还解释那么细致，给人的感觉就是没什么真货，拿这
种照抄的东西来充公式。
4. 最后查查杂志的IF，4左右，符合预期。
总结，又一篇打着AI/DL旗号吹牛的公司烂文。这篇文章拿了俄罗斯的政府的钱，不知
道一作是不是普京的亲戚。
【在 f*****n 的大作中提到】
: 我找到的一片paper：
: http://www.aging-us.com/article/100968/text
: 感觉还是很赞的
: 如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
: 因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
m*i
11 楼
那你太小看种子的生命力了
【在 c*********p 的大作中提到】
: ? 谢谢.. 我怕没埋土里长不出来.
【在 c*********p 的大作中提到】
: ? 谢谢.. 我怕没埋土里长不出来.
l*r
12 楼
【在 n******7 的大作中提到】
: 我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
: 1. 首先你可以注意到altmetric score爆表了，居然有700+
: 对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
: 于是我很好奇的点击了一下具体内容
: 发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
: 而最后都是介绍 Insilico Medicine, Inc 这个公司
: 这个就是这篇文章的第一作者单位
: 很显然，这个公司花了些钱做市场推销
: 2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
: 。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
l*r
13 楼
dl有效一定要大数据training，能有那么多训练数据集么？
e*6
14 楼
为什么不能？没人说不能。只是没人做而已。
能做出这个东西的技能需求，和Google和Facebook的招聘需求很一致，用Deep
Learning预测biomarker和用deep learning来做更好的推荐系统或者更好的推送广告，
或者优化排序，所需的技能几乎是一样的。
作为一个PI，如何在fresh PhD就业市场上说服别人放弃Google 和Facebook 200k+以上
的package来做postdoc？postdoc最高能给到一年7万，也只有industry的三分之一。
【在 f*****n 的大作中提到】
: 我找到的一片paper：
: http://www.aging-us.com/article/100968/text
: 感觉还是很赞的
: 如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
: 因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
能做出这个东西的技能需求，和Google和Facebook的招聘需求很一致，用Deep
Learning预测biomarker和用deep learning来做更好的推荐系统或者更好的推送广告，
或者优化排序，所需的技能几乎是一样的。
作为一个PI，如何在fresh PhD就业市场上说服别人放弃Google 和Facebook 200k+以上
的package来做postdoc？postdoc最高能给到一年7万，也只有industry的三分之一。
【在 f*****n 的大作中提到】
: 我找到的一片paper：
: http://www.aging-us.com/article/100968/text
: 感觉还是很赞的
: 如果ageing上可以大大提高prediction performance，其他任何疾病为何不能？
: 因为大部分dl应用还是在图像，声音，所以看到这种研究，比较难得。
e*6
15 楼
Deep Learning算是听热门的东西。
看看DeepSea和DeepBind的一些后续工作，有个开源版本发了Genome Research，还有个
调参数版本发了ISMB（这可以发一篇就能找faculty的档次的），有个beat了原版的
performance发了NAR
这种原创性的，又是临床相关，按理说应该也是10分档次的
【在 n******7 的大作中提到】
: 我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
: 1. 首先你可以注意到altmetric score爆表了，居然有700+
: 对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
: 于是我很好奇的点击了一下具体内容
: 发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
: 而最后都是介绍 Insilico Medicine, Inc 这个公司
: 这个就是这篇文章的第一作者单位
: 很显然，这个公司花了些钱做市场推销
: 2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
: 。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
看看DeepSea和DeepBind的一些后续工作，有个开源版本发了Genome Research，还有个
调参数版本发了ISMB（这可以发一篇就能找faculty的档次的），有个beat了原版的
performance发了NAR
这种原创性的，又是临床相关，按理说应该也是10分档次的
【在 n******7 的大作中提到】
: 我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
: 1. 首先你可以注意到altmetric score爆表了，居然有700+
: 对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
: 于是我很好奇的点击了一下具体内容
: 发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
: 而最后都是介绍 Insilico Medicine, Inc 这个公司
: 这个就是这篇文章的第一作者单位
: 很显然，这个公司花了些钱做市场推销
: 2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
: 。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
e*6
16 楼
没有数据要利用现有资源发现数据，能找到数据的，顺便就能把Deep Learning跑了，
为什么要等着被人来摘果子？！
【在 l****r 的大作中提到】
: dl有效一定要大数据training，能有那么多训练数据集么？
为什么要等着被人来摘果子？！
【在 l****r 的大作中提到】
: dl有效一定要大数据training，能有那么多训练数据集么？
f*n
17 楼
我很赞同！我也觉得这是一篇水文。从学术的角度说。
居然没有看到他们用DL和比如random forest，XGboost比较
通篇俄罗斯人的广告
但这是我唯一能搜索到的deep learning在biomarker的paper
关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
【在 n******7 的大作中提到】
: 我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
: 1. 首先你可以注意到altmetric score爆表了，居然有700+
: 对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
: 于是我很好奇的点击了一下具体内容
: 发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
: 而最后都是介绍 Insilico Medicine, Inc 这个公司
: 这个就是这篇文章的第一作者单位
: 很显然，这个公司花了些钱做市场推销
: 2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
: 。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
居然没有看到他们用DL和比如random forest，XGboost比较
通篇俄罗斯人的广告
但这是我唯一能搜索到的deep learning在biomarker的paper
关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
【在 n******7 的大作中提到】
: 我不懂DL，不过粗粗看了一下，感觉这是一篇烂文
: 1. 首先你可以注意到altmetric score爆表了，居然有700+
: 对于这样一个不知名刊物上，没有什么惊世骇俗发现的文章，这是非常不正常的
: 于是我很好奇的点击了一下具体内容
: 发现居然有89篇新闻报道，其中有几个网站在几个月跨度上反复报道了这篇文章
: 而最后都是介绍 Insilico Medicine, Inc 这个公司
: 这个就是这篇文章的第一作者单位
: 很显然，这个公司花了些钱做市场推销
: 2. 再扫一眼摘要，预测的performance没觉得有啥，发现几个重要marker云云都是套话
: 。但是最关键的，没有看到作者提到相比已有的工作如何。作为一个传统问题，这是不
f*n
18 楼
NO
这也是我的问题。
如果dl解决biomarker像image那样，估计文章早满天飞了，为何至今文章寥寥？
注意知乎专门讨论为何deep learning在图像上如此成功：
https://www.zhihu.com/question/21815490
因为image特殊的数据类型
所以我相当怀疑，deep learning没有那么适合genomics, biostat, biomarker类型的
数据
当然你提到deepBind啥的，请问比传统ML的performance提高很多？
会不会对于genomics/biostat，比如只有20%的数据表现很好
而对于image，100%都表现很好？
【在 e*********6 的大作中提到】
: 为什么不能？没人说不能。只是没人做而已。
: 能做出这个东西的技能需求，和Google和Facebook的招聘需求很一致，用Deep
: Learning预测biomarker和用deep learning来做更好的推荐系统或者更好的推送广告，
: 或者优化排序，所需的技能几乎是一样的。
: 作为一个PI，如何在fresh PhD就业市场上说服别人放弃Google 和Facebook 200k+以上
: 的package来做postdoc？postdoc最高能给到一年7万，也只有industry的三分之一。
这也是我的问题。
如果dl解决biomarker像image那样，估计文章早满天飞了，为何至今文章寥寥？
注意知乎专门讨论为何deep learning在图像上如此成功：
https://www.zhihu.com/question/21815490
因为image特殊的数据类型
所以我相当怀疑，deep learning没有那么适合genomics, biostat, biomarker类型的
数据
当然你提到deepBind啥的，请问比传统ML的performance提高很多？
会不会对于genomics/biostat，比如只有20%的数据表现很好
而对于image，100%都表现很好？
【在 e*********6 的大作中提到】
: 为什么不能？没人说不能。只是没人做而已。
: 能做出这个东西的技能需求，和Google和Facebook的招聘需求很一致，用Deep
: Learning预测biomarker和用deep learning来做更好的推荐系统或者更好的推送广告，
: 或者优化排序，所需的技能几乎是一样的。
: 作为一个PI，如何在fresh PhD就业市场上说服别人放弃Google 和Facebook 200k+以上
: 的package来做postdoc？postdoc最高能给到一年7万，也只有industry的三分之一。
e*6
19 楼
这和数据类型没关系，各个行业都有不同的数据类型，都要根据自己的需求来重新做
model，要是没合适模型直接拿来用，就说没法做的，那deepbind和deepSea都不会出现
了。
DeepBind的这种东西，没有可以比的benchmark，因为这是开创性的革命性的，或者说
，传统的SVM之类的，效果实在太差，差到都没发表的必要的。
一流的研究是颠覆性，革命性，开创性的，很多时候的确没有什么传统的benchmark可
以比较
看这两篇paper，都是用deep learning的手段来增强实验数据的，
http://biorxiv.org/content/early/2016/05/07/052118
http://biorxiv.org/content/early/2017/03/01/112631
就是对现实需求和deep learning技术的结合，两篇都没有任何benchmark来进行对比，
因为都是开创性的，传统的SVM和Linear Regression都无法做这个事情
【在 f*****n 的大作中提到】
: NO
: 这也是我的问题。
: 如果dl解决biomarker像image那样，估计文章早满天飞了，为何至今文章寥寥？
: 注意知乎专门讨论为何deep learning在图像上如此成功：
: https://www.zhihu.com/question/21815490
: 因为image特殊的数据类型
: 所以我相当怀疑，deep learning没有那么适合genomics, biostat, biomarker类型的
: 数据
: 当然你提到deepBind啥的，请问比传统ML的performance提高很多？
: 会不会对于genomics/biostat，比如只有20%的数据表现很好
model，要是没合适模型直接拿来用，就说没法做的，那deepbind和deepSea都不会出现
了。
DeepBind的这种东西，没有可以比的benchmark，因为这是开创性的革命性的，或者说
，传统的SVM之类的，效果实在太差，差到都没发表的必要的。
一流的研究是颠覆性，革命性，开创性的，很多时候的确没有什么传统的benchmark可
以比较
看这两篇paper，都是用deep learning的手段来增强实验数据的，
http://biorxiv.org/content/early/2016/05/07/052118
http://biorxiv.org/content/early/2017/03/01/112631
就是对现实需求和deep learning技术的结合，两篇都没有任何benchmark来进行对比，
因为都是开创性的，传统的SVM和Linear Regression都无法做这个事情
【在 f*****n 的大作中提到】
: NO
: 这也是我的问题。
: 如果dl解决biomarker像image那样，估计文章早满天飞了，为何至今文章寥寥？
: 注意知乎专门讨论为何deep learning在图像上如此成功：
: https://www.zhihu.com/question/21815490
: 因为image特殊的数据类型
: 所以我相当怀疑，deep learning没有那么适合genomics, biostat, biomarker类型的
: 数据
: 当然你提到deepBind啥的，请问比传统ML的performance提高很多？
: 会不会对于genomics/biostat，比如只有20%的数据表现很好
e*6
20 楼
biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
巴给标出来，deep learning就没啥优势。
为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
，为什么要开这些高风险项目？
【在 f*****n 的大作中提到】
: 我很赞同！我也觉得这是一篇水文。从学术的角度说。
: 居然没有看到他们用DL和比如random forest，XGboost比较
: 通篇俄罗斯人的广告
: 但这是我唯一能搜索到的deep learning在biomarker的paper
: 关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
: 很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
: 那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
巴给标出来，deep learning就没啥优势。
为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
，为什么要开这些高风险项目？
【在 f*****n 的大作中提到】
: 我很赞同！我也觉得这是一篇水文。从学术的角度说。
: 居然没有看到他们用DL和比如random forest，XGboost比较
: 通篇俄罗斯人的广告
: 但这是我唯一能搜索到的deep learning在biomarker的paper
: 关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
: 很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
: 那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
f*n
21 楼
很受教！
“biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好”
说的很赞
我举一个例子
比如对于某个疾病，我们测量blood glucose，但这个测量是动态的，随时间变化的
比如对于一个人：
Jan 200
Feb 300
Marc 400
对于这种raw data，请问能直接作为feature来train？不需要任何feature
engineering么？
比如我们过去做的就是polynomial fit，y=kx+b；然后取k和b作为new feature
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
“biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好”
说的很赞
我举一个例子
比如对于某个疾病，我们测量blood glucose，但这个测量是动态的，随时间变化的
比如对于一个人：
Jan 200
Feb 300
Marc 400
对于这种raw data，请问能直接作为feature来train？不需要任何feature
engineering么？
比如我们过去做的就是polynomial fit，y=kx+b；然后取k和b作为new feature
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
n*7
22 楼
不知道你在那个平行宇宙作研究
纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
，大家都还挺高兴
这种烂文发个IF4的期刊都赚了，你眼界太差
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
，大家都还挺高兴
这种烂文发个IF4的期刊都赚了，你眼界太差
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
f*n
23 楼
还有，我昨天在你的DL科普帖子问了问题，估计你没看到
你说：
“过去都是人工feature engineering，比如有个ATATACT的pattern的情况下，可能有
什么东西binding”
能否具体解释一下呢？什么叫人工feature engineering？
我记得过去也有类似的工作，都是随便给一个sequence，预测有啥protein bind；DL就
是performance好点，还有啥优点？
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
你说：
“过去都是人工feature engineering，比如有个ATATACT的pattern的情况下，可能有
什么东西binding”
能否具体解释一下呢？什么叫人工feature engineering？
我记得过去也有类似的工作，都是随便给一个sequence，预测有啥protein bind；DL就
是performance好点，还有啥优点？
【在 e*********6 的大作中提到】
: biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好。原始数
: 据里的feature是非常稀疏，就好DNA序列ATGC或者一个一个像素点一样。
: 就像人脸识别，deep learning擅长的是从原始的pixel 上来识别，要是把眼睛鼻子嘴
: 巴给标出来，deep learning就没啥优势。
: 为什么没人做？和人有关系，就算不提在industry上的需求，就在学术界，人家能改改
: model，beat了deepSea或者deepbind的表现，稳稳妥妥一篇Bioinformatics以上级别的
: ，为什么要开这些高风险项目？
G*G
24 楼
请问第二篇论文中，是如何把一个image切割成块的，这些快作为input，有什么顺序吗？
怎么确定这个顺序呢？
【在 e*********6 的大作中提到】
: 这和数据类型没关系，各个行业都有不同的数据类型，都要根据自己的需求来重新做
: model，要是没合适模型直接拿来用，就说没法做的，那deepbind和deepSea都不会出现
: 了。
: DeepBind的这种东西，没有可以比的benchmark，因为这是开创性的革命性的，或者说
: ，传统的SVM之类的，效果实在太差，差到都没发表的必要的。
: 一流的研究是颠覆性，革命性，开创性的，很多时候的确没有什么传统的benchmark可
: 以比较
: 看这两篇paper，都是用deep learning的手段来增强实验数据的，
: http://biorxiv.org/content/early/2016/05/07/052118
: http://biorxiv.org/content/early/2017/03/01/112631
怎么确定这个顺序呢？
【在 e*********6 的大作中提到】
: 这和数据类型没关系，各个行业都有不同的数据类型，都要根据自己的需求来重新做
: model，要是没合适模型直接拿来用，就说没法做的，那deepbind和deepSea都不会出现
: 了。
: DeepBind的这种东西，没有可以比的benchmark，因为这是开创性的革命性的，或者说
: ，传统的SVM之类的，效果实在太差，差到都没发表的必要的。
: 一流的研究是颠覆性，革命性，开创性的，很多时候的确没有什么传统的benchmark可
: 以比较
: 看这两篇paper，都是用deep learning的手段来增强实验数据的，
: http://biorxiv.org/content/early/2016/05/07/052118
: http://biorxiv.org/content/early/2017/03/01/112631
f*n
25 楼
哈哈。
从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
infer
biomed里比这个有趣的课题很多
【在 n******7 的大作中提到】
: 不知道你在那个平行宇宙作研究
:
: 纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
: ，大家都还挺高兴
: 这种烂文发个IF4的期刊都赚了，你眼界太差
从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
infer
biomed里比这个有趣的课题很多
【在 n******7 的大作中提到】
: 不知道你在那个平行宇宙作研究
:
: 纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
: ，大家都还挺高兴
: 这种烂文发个IF4的期刊都赚了，你眼界太差
n*7
26 楼
我记得看过一些DL做bioinfo的文章
但是没啥特别的，所以都没印象了
我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
后来就没有下文了
所以你的思路是对的，现在做bioinfo的那么多三脚猫
看到这个不费力的灌水利器肯定早就在试了
显然是成功的不多
用常识就可以推断出两个可能：
1.DL不适合一般的bioinfo问题
2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
bioinfo的搞不定
【在 f*****n 的大作中提到】
: 我很赞同！我也觉得这是一篇水文。从学术的角度说。
: 居然没有看到他们用DL和比如random forest，XGboost比较
: 通篇俄罗斯人的广告
: 但这是我唯一能搜索到的deep learning在biomarker的paper
: 关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
: 很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
: 那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
但是没啥特别的，所以都没印象了
我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
后来就没有下文了
所以你的思路是对的，现在做bioinfo的那么多三脚猫
看到这个不费力的灌水利器肯定早就在试了
显然是成功的不多
用常识就可以推断出两个可能：
1.DL不适合一般的bioinfo问题
2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
bioinfo的搞不定
【在 f*****n 的大作中提到】
: 我很赞同！我也觉得这是一篇水文。从学术的角度说。
: 居然没有看到他们用DL和比如random forest，XGboost比较
: 通篇俄罗斯人的广告
: 但这是我唯一能搜索到的deep learning在biomarker的paper
: 关键是DL几乎所有工作都用在图像，声音上，为何我几乎没看到类似biomarker的？
: 很多人说图像声音有自己特殊的feature性状，比如raw signal，比如连续。
: 那么到底deep learning是否适合biostat/biomarker这样类型的data training呢
n*7
27 楼
bioinfo里面可以tweak的地方太多了
很多步骤外人根本都不知道它们的存在的
这个领域鱼龙混杂
这个aging的文章是典型的垃圾文
呢。
【在 f*****n 的大作中提到】
: 哈哈。
: 从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
: quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
: 我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
: infer
: biomed里比这个有趣的课题很多
很多步骤外人根本都不知道它们的存在的
这个领域鱼龙混杂
这个aging的文章是典型的垃圾文
呢。
【在 f*****n 的大作中提到】
: 哈哈。
: 从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
: quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
: 我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
: infer
: biomed里比这个有趣的课题很多
f*n
28 楼
但EricZhang有一点也说的对
就是have a try
至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
data适合DL
所以试试咯
我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
要跳出bio这个坑的
【在 n******7 的大作中提到】
: 我记得看过一些DL做bioinfo的文章
: 但是没啥特别的，所以都没印象了
: 我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
: 后来就没有下文了
: 所以你的思路是对的，现在做bioinfo的那么多三脚猫
: 看到这个不费力的灌水利器肯定早就在试了
: 显然是成功的不多
: 用常识就可以推断出两个可能：
: 1.DL不适合一般的bioinfo问题
: 2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
就是have a try
至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
data适合DL
所以试试咯
我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
要跳出bio这个坑的
【在 n******7 的大作中提到】
: 我记得看过一些DL做bioinfo的文章
: 但是没啥特别的，所以都没印象了
: 我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
: 后来就没有下文了
: 所以你的思路是对的，现在做bioinfo的那么多三脚猫
: 看到这个不费力的灌水利器肯定早就在试了
: 显然是成功的不多
: 用常识就可以推断出两个可能：
: 1.DL不适合一般的bioinfo问题
: 2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
f*n
29 楼
所以前辈你觉得俄罗斯人的那个ageing DL是。。tweak出来的？
算造假么？
当然了，I know there's lots of grey region quesiton in biology
【在 n******7 的大作中提到】
: bioinfo里面可以tweak的地方太多了
: 很多步骤外人根本都不知道它们的存在的
: 这个领域鱼龙混杂
: 这个aging的文章是典型的垃圾文
:
: 呢。
算造假么？
当然了，I know there's lots of grey region quesiton in biology
【在 n******7 的大作中提到】
: bioinfo里面可以tweak的地方太多了
: 很多步骤外人根本都不知道它们的存在的
: 这个领域鱼龙混杂
: 这个aging的文章是典型的垃圾文
:
: 呢。
G*G
30 楼
你说的这些，我都会。但是怎么让招聘的人聘用你呢。
比如：怎么让金融公司的老总聘用你。
请大家详谈。
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
比如：怎么让金融公司的老总聘用你。
请大家详谈。
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
G*G
31 楼
请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
定？
【在 n******7 的大作中提到】
: 我记得看过一些DL做bioinfo的文章
: 但是没啥特别的，所以都没印象了
: 我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
: 后来就没有下文了
: 所以你的思路是对的，现在做bioinfo的那么多三脚猫
: 看到这个不费力的灌水利器肯定早就在试了
: 显然是成功的不多
: 用常识就可以推断出两个可能：
: 1.DL不适合一般的bioinfo问题
: 2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
定？
【在 n******7 的大作中提到】
: 我记得看过一些DL做bioinfo的文章
: 但是没啥特别的，所以都没印象了
: 我第一次听到DL就是2013年的时候我一个好朋友考虑用DL解决一个传统bioinfo问题
: 后来就没有下文了
: 所以你的思路是对的，现在做bioinfo的那么多三脚猫
: 看到这个不费力的灌水利器肯定早就在试了
: 显然是成功的不多
: 用常识就可以推断出两个可能：
: 1.DL不适合一般的bioinfo问题
: 2.要让DL能在非图像声音数据上工作很好，需要做一些很深入的改动/调整，大部分做
n*7
32 楼
没
我觉得他们就是用dl在数据上跑了跑
也不管结果好坏
灌了篇文章
然后到处吹我们是用人工智能解决健康问题的nb公司
【在 f*****n 的大作中提到】
: 所以前辈你觉得俄罗斯人的那个ageing DL是。。tweak出来的？
: 算造假么？
: 当然了，I know there's lots of grey region quesiton in biology
我觉得他们就是用dl在数据上跑了跑
也不管结果好坏
灌了篇文章
然后到处吹我们是用人工智能解决健康问题的nb公司
【在 f*****n 的大作中提到】
: 所以前辈你觉得俄罗斯人的那个ageing DL是。。tweak出来的？
: 算造假么？
: 当然了，I know there's lots of grey region quesiton in biology
n*7
33 楼
try是必须的
但是要明确自己的目的
评估代价
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
但是要明确自己的目的
评估代价
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
n*7
34 楼
这我不懂，你问错人了
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
G*G
35 楼
这不是dl用在图片学习预测的第一步吗？
【在 n******7 的大作中提到】
: 这我不懂，你问错人了
【在 n******7 的大作中提到】
: 这我不懂，你问错人了
f*n
36 楼
最简单的：
图片是像素组成的
比如一张图28X28=784个像素，
你从上到下，从左到右，一个数
那么就是一个784 row的vector，比如：
[1，
0，
0，
0，
1，
...]
颜色深的地方就是1，眼色浅的是0；
图像就转变成数字了；
同样类似frequency count，比如bags-of-words，文字也可以变成数字
然后一幅图就变成了784个feature的vector，可以作为ML input
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
图片是像素组成的
比如一张图28X28=784个像素，
你从上到下，从左到右，一个数
那么就是一个784 row的vector，比如：
[1，
0，
0，
0，
1，
...]
颜色深的地方就是1，眼色浅的是0；
图像就转变成数字了；
同样类似frequency count，比如bags-of-words，文字也可以变成数字
然后一幅图就变成了784个feature的vector，可以作为ML input
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
f*n
37 楼
修degree 或 online degree
没degree的时候自己做project咯
金融domain knowledge难的话
互联网数据更好啊
【在 G***G 的大作中提到】
: 你说的这些，我都会。但是怎么让招聘的人聘用你呢。
: 比如：怎么让金融公司的老总聘用你。
: 请大家详谈。
没degree的时候自己做project咯
金融domain knowledge难的话
互联网数据更好啊
【在 G***G 的大作中提到】
: 你说的这些，我都会。但是怎么让招聘的人聘用你呢。
: 比如：怎么让金融公司的老总聘用你。
: 请大家详谈。
G*G
38 楼
金融行业，风险大。老板根本不会聘这种半路出家的。
不信，你问问quant
老板会认为你是去偷技术的。
而如果你真有技术，你也不会去卖给老板。
【在 f*****n 的大作中提到】
: 修degree 或 online degree
: 没degree的时候自己做project咯
: 金融domain knowledge难的话
: 互联网数据更好啊
不信，你问问quant
老板会认为你是去偷技术的。
而如果你真有技术，你也不会去卖给老板。
【在 f*****n 的大作中提到】
: 修degree 或 online degree
: 没degree的时候自己做project咯
: 金融domain knowledge难的话
: 互联网数据更好啊
G*G
39 楼
从下到上，从右到左，行不行？
预测的精度会改变吗？
【在 f*****n 的大作中提到】
: 最简单的：
: 图片是像素组成的
: 比如一张图28X28=784个像素，
: 你从上到下，从左到右，一个数
: 那么就是一个784 row的vector，比如：
: [1，
: 0，
: 0，
: 0，
: 1，
预测的精度会改变吗？
【在 f*****n 的大作中提到】
: 最简单的：
: 图片是像素组成的
: 比如一张图28X28=784个像素，
: 你从上到下，从左到右，一个数
: 那么就是一个784 row的vector，比如：
: [1，
: 0，
: 0，
: 0，
: 1，
f*n
40 楼
那就互联网啊
【在 G***G 的大作中提到】
: 金融行业，风险大。老板根本不会聘这种半路出家的。
: 不信，你问问quant
: 老板会认为你是去偷技术的。
: 而如果你真有技术，你也不会去卖给老板。
【在 G***G 的大作中提到】
: 金融行业，风险大。老板根本不会聘这种半路出家的。
: 不信，你问问quant
: 老板会认为你是去偷技术的。
: 而如果你真有技术，你也不会去卖给老板。
e*6
41 楼
每一个raw data就是一个feature
比如对image，如果是800 *600的黑白图像，就有480000个feature，这些feature直接
的相互关系，决定了图片到底是什么。
deep learning的核心就是对这些feature的多步抽象和处理
【在 f*****n 的大作中提到】
: 很受教！
: “biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好”
: 说的很赞
: 我举一个例子
: 比如对于某个疾病，我们测量blood glucose，但这个测量是动态的，随时间变化的
: 比如对于一个人：
: Jan 200
: Feb 300
: Marc 400
: 对于这种raw data，请问能直接作为feature来train？不需要任何feature
比如对image，如果是800 *600的黑白图像，就有480000个feature，这些feature直接
的相互关系，决定了图片到底是什么。
deep learning的核心就是对这些feature的多步抽象和处理
【在 f*****n 的大作中提到】
: 很受教！
: “biomarker上的研究要用deep learning来发展，从原始数据开始，越原始越好”
: 说的很赞
: 我举一个例子
: 比如对于某个疾病，我们测量blood glucose，但这个测量是动态的，随时间变化的
: 比如对于一个人：
: Jan 200
: Feb 300
: Marc 400
: 对于这种raw data，请问能直接作为feature来train？不需要任何feature
e*6
42 楼
ISMB一篇就能拿到很多学校的面试。
ISMB档次明显高于Bioinformatics，所以大家一般说publication的时候，就是说发了
一篇ISMB而不是发了一篇Bioinformatics
【在 n******7 的大作中提到】
: 不知道你在那个平行宇宙作研究
:
: 纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
: ，大家都还挺高兴
: 这种烂文发个IF4的期刊都赚了，你眼界太差
ISMB档次明显高于Bioinformatics，所以大家一般说publication的时候，就是说发了
一篇ISMB而不是发了一篇Bioinformatics
【在 n******7 的大作中提到】
: 不知道你在那个平行宇宙作研究
:
: 纯扯淡。有年ISMB的论文都算作特别issue，发到bioinfomatrics还是BMC的一个杂志上
: ，大家都还挺高兴
: 这种烂文发个IF4的期刊都赚了，你眼界太差
e*6
43 楼
为什么Chip-seq容易造假？
这东西测序仪出来几个G的数据，然后mapping，call peak，一切都是pipeline怎么造
假？一个一个把fastq里边改2个字母？？
western的结果我才不信呢，我只信高通量出来的数据。
呢。
【在 f*****n 的大作中提到】
: 哈哈。
: 从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
: quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
: 我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
: infer
: biomed里比这个有趣的课题很多
这东西测序仪出来几个G的数据，然后mapping，call peak，一切都是pipeline怎么造
假？一个一个把fastq里边改2个字母？？
western的结果我才不信呢，我只信高通量出来的数据。
呢。
【在 f*****n 的大作中提到】
: 哈哈。
: 从biologist角度，坦白说我不太信CHIP-seq；太容易造假；完全看你的antibody
: quality；这不是我们computational能控制的；而且每天binding来binding去啥意思呢。
: 我周围的HHMI明确说：他们不买账任何binding，觉得binding不代表function，顶多
: infer
: biomed里比这个有趣的课题很多
e*6
44 楼
你去哪里分析互联网，金融，图像和声音的数据？有人给你吗？这都是机密，公司的核
心资产之一。
图像声音，标准数据集就这么多，早被研究透了，你要能在标准数据集上跑个超过现有
方法的结果，这是个CVPR best paper档次的。
Kaggle一类的，也基本已经脱离了实际生产背景，给限定死了数据的范围了
老老实实拿着生物数据库联手最最现实
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
心资产之一。
图像声音，标准数据集就这么多，早被研究透了，你要能在标准数据集上跑个超过现有
方法的结果，这是个CVPR best paper档次的。
Kaggle一类的，也基本已经脱离了实际生产背景，给限定死了数据的范围了
老老实实拿着生物数据库联手最最现实
【在 f*****n 的大作中提到】
: 但EricZhang有一点也说的对
: 就是have a try
: 至少DeepBind之类的成功了（当然我不了解这个领域），说明可能有部分genomics
: data适合DL
: 所以试试咯
: 我现在觉得genomics越来越没意思，所以在做一些biostat数据，觉得更广阔
: 当然了，这些都是缓兵之计；学习分析互联网，金融，图像，声音才是重点，反正我是
: 要跳出bio这个坑的
e*6
45 楼
一块是一个样品，和顺序没关系
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
【在 G***G 的大作中提到】
: 请问一个图片如何分割成好几个快，然后作为convnet的输入？这个输入的顺序如何确
: 定？
e*6
46 楼
deep learning都是要具体问题具体分析，尤其解决新问题，要对deep learning的学习
有一定的广度，知道什么东西可能有用处
【在 n******7 的大作中提到】
: 没
: 我觉得他们就是用dl在数据上跑了跑
: 也不管结果好坏
: 灌了篇文章
: 然后到处吹我们是用人工智能解决健康问题的nb公司
有一定的广度，知道什么东西可能有用处
【在 n******7 的大作中提到】
: 没
: 我觉得他们就是用dl在数据上跑了跑
: 也不管结果好坏
: 灌了篇文章
: 然后到处吹我们是用人工智能解决健康问题的nb公司
e*6
47 楼
大哥，对图片这种，对常见的CNN，要在二维做Convolution好不？把2D matrix
flatten了以后，不就改变了他们之间的相互关系了吗？local pattern就被破坏了啊
【在 f*****n 的大作中提到】
: 最简单的：
: 图片是像素组成的
: 比如一张图28X28=784个像素，
: 你从上到下，从左到右，一个数
: 那么就是一个784 row的vector，比如：
: [1，
: 0，
: 0，
: 0，
: 1，
flatten了以后，不就改变了他们之间的相互关系了吗？local pattern就被破坏了啊
【在 f*****n 的大作中提到】
: 最简单的：
: 图片是像素组成的
: 比如一张图28X28=784个像素，
: 你从上到下，从左到右，一个数
: 那么就是一个784 row的vector，比如：
: [1，
: 0，
: 0，
: 0，
: 1，
e*6
48 楼
你的数据哪里来？
DL最关键的就是数据啊，为啥大佬纷纷跳槽，不就是Google， Facebook和Baidu有数据
吗？
【在 f*****n 的大作中提到】
: 那就互联网啊
DL最关键的就是数据啊，为啥大佬纷纷跳槽，不就是Google， Facebook和Baidu有数据
吗？
【在 f*****n 的大作中提到】
: 那就互联网啊
f*n
49 楼
测序之前呢？
sample prep呢？
fixation，chromatin shear，最关键的是antibody quality；都可以让你的library以
及sequencing结果彻底不同
general 高通量测序我信，但只要是跟protein沾边的，抗体沾边的，我都不信
同一个protein，你去看不同paper的chip-seq data，以及 CLIP-seq，完全不同；当然
epigenetics本来就是dynamics的，这里边又有多少操作上的noise，鬼知道
【在 e*********6 的大作中提到】
: 为什么Chip-seq容易造假？
: 这东西测序仪出来几个G的数据，然后mapping，call peak，一切都是pipeline怎么造
: 假？一个一个把fastq里边改2个字母？？
: western的结果我才不信呢，我只信高通量出来的数据。
:
: 呢。
sample prep呢？
fixation，chromatin shear，最关键的是antibody quality；都可以让你的library以
及sequencing结果彻底不同
general 高通量测序我信，但只要是跟protein沾边的，抗体沾边的，我都不信
同一个protein，你去看不同paper的chip-seq data，以及 CLIP-seq，完全不同；当然
epigenetics本来就是dynamics的，这里边又有多少操作上的noise，鬼知道
【在 e*********6 的大作中提到】
: 为什么Chip-seq容易造假？
: 这东西测序仪出来几个G的数据，然后mapping，call peak，一切都是pipeline怎么造
: 假？一个一个把fastq里边改2个字母？？
: western的结果我才不信呢，我只信高通量出来的数据。
:
: 呢。
f*n
50 楼
互联网，金融，图像和声音的数据？有人给你吗？这都是机密。。
拜托，网上一堆堆API，好不好
google，facebook，twitter，linkedin。。。
当然open API的，大家都会去玩儿数据，拿来练手
至于机密重要的，他们肯定也不会公开
【在 e*********6 的大作中提到】
: 你去哪里分析互联网，金融，图像和声音的数据？有人给你吗？这都是机密，公司的核
: 心资产之一。
: 图像声音，标准数据集就这么多，早被研究透了，你要能在标准数据集上跑个超过现有
: 方法的结果，这是个CVPR best paper档次的。
: Kaggle一类的，也基本已经脱离了实际生产背景，给限定死了数据的范围了
: 老老实实拿着生物数据库联手最最现实
拜托，网上一堆堆API，好不好
google，facebook，twitter，linkedin。。。
当然open API的，大家都会去玩儿数据，拿来练手
至于机密重要的，他们肯定也不会公开
【在 e*********6 的大作中提到】
: 你去哪里分析互联网，金融，图像和声音的数据？有人给你吗？这都是机密，公司的核
: 心资产之一。
: 图像声音，标准数据集就这么多，早被研究透了，你要能在标准数据集上跑个超过现有
: 方法的结果，这是个CVPR best paper档次的。
: Kaggle一类的，也基本已经脱离了实际生产背景，给限定死了数据的范围了
: 老老实实拿着生物数据库联手最最现实
e*6
51 楼
如何“操作”能改变分子级别的结果，的确是大牛，那也真是本事。
【在 f*****n 的大作中提到】
: 测序之前呢？
: sample prep呢？
: fixation，chromatin shear，最关键的是antibody quality；都可以让你的library以
: 及sequencing结果彻底不同
: general 高通量测序我信，但只要是跟protein沾边的，抗体沾边的，我都不信
: 同一个protein，你去看不同paper的chip-seq data，以及 CLIP-seq，完全不同；当然
: epigenetics本来就是dynamics的，这里边又有多少操作上的noise，鬼知道
【在 f*****n 的大作中提到】
: 测序之前呢？
: sample prep呢？
: fixation，chromatin shear，最关键的是antibody quality；都可以让你的library以
: 及sequencing结果彻底不同
: general 高通量测序我信，但只要是跟protein沾边的，抗体沾边的，我都不信
: 同一个protein，你去看不同paper的chip-seq data，以及 CLIP-seq，完全不同；当然
: epigenetics本来就是dynamics的，这里边又有多少操作上的noise，鬼知道
e*6
52 楼
你做项目，能给别人看的，就是你有solid programming skill，可以把这些简单的数
据抓下来处理一下。
【在 f*****n 的大作中提到】
: 互联网，金融，图像和声音的数据？有人给你吗？这都是机密。。
: 拜托，网上一堆堆API，好不好
: google，facebook，twitter，linkedin。。。
: 当然open API的，大家都会去玩儿数据，拿来练手
: 至于机密重要的，他们肯定也不会公开
据抓下来处理一下。
【在 f*****n 的大作中提到】
: 互联网，金融，图像和声音的数据？有人给你吗？这都是机密。。
: 拜托，网上一堆堆API，好不好
: google，facebook，twitter，linkedin。。。
: 当然open API的，大家都会去玩儿数据，拿来练手
: 至于机密重要的，他们肯定也不会公开
相关阅读
美国主流媒体都报道啦anyone knows how to quantify PI(3,4)P2生物版已死，多亏了张生天天烧纸若用这种羞耻的方式拿诺奖，我们中国人宁愿不要三问谢灿学术问题求助虽然生物学很艰难，我也要坚持到底（卢立你过来看，老张点你的名了）清者自清浊者自flippase 可以买到直接加到细胞培养液里用吗？事件起因就是生物界奇葩的发表审稿制度希望Keays吃他的帽子去张撸谢事件讨论还有完没完？除了CRISPR外，近年还有那些新的技术可以创造细菌突变体，无论是定点的还是随机的我k，张生家洗版啊鲁抢抢实验室真是卧虎藏龙呀“张生家案”真相还原---3.答复（1）张生家之言如何富集肠道菌群中某一特定菌群？博士毕业，公司 post doc， 绿卡问题张鲁谢教你们怎么作人文献求助