生信分析python醫學

A. 生物信息分析師都需要具備哪些技能

1. 計算生物學、統計學、機器學習、生物信息學等相關專業
2. 國內畢業者需碩士學位或以上 （或國內本科及兩年以上相關工作經驗） / 海歸人員需國外的本科學位或以上
3. 熟悉Linux/Unix操作系統，有HPC環境背景優先考慮
4. 熟悉生信流程創建
5. 精通PerI、R （如會Matlab、python、C/C++中兩種以上編程語言可加分）
6. 具備較強的中英文文獻查詢與閱讀能力，並做英文書面報告
7. 精通單細胞、高通量測序數據的分析全流程者優先考慮

B. 想入生物信息學這個行業，python學習要達到什麼程度

我以自己的3年的自學經歷，給跟著我學習生物信息的小夥伴親自出了13到題目，並邀請前輩錄制了視頻，分別是：
生信編程貼
01.生信編程很簡單 | 02.人類基因組的外顯子區域到底有多長
03.探索人類基因組序列 | 04.探索人類基因組注釋文件
05.多個同樣的行列式文件合並 | 06.根據GTF畫基因的多個轉錄本結構
07.下載最新版的KEGG信息並且解析 | 08.寫超幾何分布檢驗！
09.根據指定染色體及坐標得到參考鹼基 | 10.根據指定染色體及坐標得到位置信息
11.把文件內容按照染色體分開寫出 | 12.json格式數據的格式化
生物信息Python從入門到精通
我覺得你能把這些題目獨立完成，就說明在生物信息領域，你的編程能力大致是足夠來工作了。
當然，去做科研演算法還是不夠的。

C. 常用的生物信息學python庫有哪些

常用的生物信息學python庫：
Tkinter
Python默認的圖形界面介面。Tkinter是一個和Tk介面的Python模塊，Tkinter庫提供了對Tk API的介面，它屬於Tcl/Tk的GUI工具組。
PyGTK
用於python GUI程序開發的GTK+庫。GTK就是用來實現GIMP和Gnome的庫。
PyQt
用於python的Qt開發庫。QT就是實現了KDE環境的那個庫，由一系列的模塊組成，有qt, qtcanvas, qtgl, qtnetwork, qtsql, qttable, qtui and qtxml，包含有300個類和超過5750個的函數和方法。PyQt還支持一個叫qtext的模塊，它包含一個QScintilla庫。該庫是Scintillar編輯器類的Qt介面。
wxPython
GUI編程框架，熟悉MFC的人會非常喜歡，簡直是同一架構（對於初學者或者對設計要求不高的用戶來說，使用Boa Constructor可以方便迅速的進行wxPython的開發）
PIL
python提供強大的圖形處理的能力，並提供廣泛的圖形文件格式支持，該庫能進行圖形格式的轉換、列印和顯示。還能進行一些圖形效果的處理，如圖形的放大、縮小和旋轉等。是Python用戶進行圖象處理的強有力工具。
Psyco
一個Python代碼加速度器，可使Python代碼的執行速度提高到與編譯語言一樣的水平。
xmpppy
Jabber伺服器採用開發的XMPP協議，Google Talk也是採用XMPP協議的IM系統。在Python中有一個xmpppy模塊支持該協議。也就是說，我們可以通過該模塊與Jabber伺服器通信，是不是很Cool。
PyMedia
用於多媒體操作的python模塊。它提供了豐富而簡單的介面用於多媒體處理(wav, mp3, ogg, avi, divx, dvd, cdda etc)。可在Windows和Linux平台下使用。
Pmw
Python megawidgets，Python超級GUI組件集，一個在python中利用Tkinter模塊構建的高級GUI組件，每個Pmw都合並了一個或多個Tkinter組件，以實現更有用和更復雜的功能。
PyXML
用Python解析和處理XML文檔的工具包，包中的4DOM是完全相容於W3C DOM規范的。它包含以下內容：
xmlproc: 一個符合規范的XML解析器。Expat: 一個快速的，非驗證的XML解析器。還有其他和他同級別的還有 PyHtml PySGML。
PyGame
用於多媒體開發和游戲軟體開發的模塊。
PyOpenGL
模塊封裝了「OpenGL應用程序編程介面」，通過該模塊python程序員可在程序中集成2D和3D的圖形。
NumPy、NumArray、SAGE
NumArray是Python的一個擴展庫，主要用於處理任意維數的固定類型數組，簡單說就是一個矩陣庫。它的底層代碼使用C來編寫，所以速度的優勢很明顯。SAGE是基於NumPy和其他幾個工具所整合成的數學軟體包，目標是取代Magma, Maple, Mathematica和Matlab 這類工具。
MySQLdb
用於連接MySQL資料庫。還有用於zope的ZMySQLDA模塊，通過它就可在zope中連接mysql資料庫。
Sqlite3
用於連接sqlite資料庫。

Python-ldap
提供一組面向對象的API，可方便地在python中訪問ldap目錄服務，它基於OpenLDAP2.x。
smtplib
發送電子郵件。
ftplib
定義了FTP類和一些方法，用以進行客戶端的ftp編程。如果想了解ftp協議的詳細內容，請參考RFC959。
PyOpenCL
OpenCL的Python介面，通過該模塊可以使用GPU實現並行計算。

D. 生物信息學就業方向和前景分別怎麼樣

就業方向生化、科研類單位：生物研究、基因組學研究、蛋白質組學研究； 醫葯類企業：生物工程、生物技術、生物制葯、葯品研發、葯品銷售。

就業前景廣闊，可以從事研究開發和 銷售。

考研方向生物學、生物化學與分子生物學、生物醫學工程、生物工程。

生物信息學的學科特點

生物信息學將生物與數學、計算機進行了有效結合，主要通過綜合運用數學和信息科學等多領域的方法和工具對生物信息進行獲取、加工、存儲、分析和解釋，來闡明大量生物數據所包含的生物學意義，研究重點主要體現在基因組學和蛋白質組學兩方面。

課程體系

《生物信息學》、《普通生物學》、《生物化學》、《分子生物學》、《遺傳學》、《計算生物學》、《基因組學》、《生物晶元原理與技術》、《蛋白質組學》、《Perl/Python語言編程》。

E. 生物信息學編程，選Python語言可行嗎

python對於業餘人士，特別是科研人員來說，非常好。目前看來，幾乎是最好的語言。

不過，這個要看你們學校里，或者是科研單位上用什麼語言。

比如你們學校里流行java或者是C語言，那麼你用python編程可能就有不合群的感覺。

不過國外的大學里，大部分都將python作為一個基本工具來用的。幾乎每個教授都在用它做教學科研。

F. Perl，R，Python在生物信息學中是怎樣的角色

應該說Python/Perl是相互替代的腳本語言，但個人推薦用Python, 雖然很多老的生物信息軟體是用Perl,Python學習曲線好，功能也更強大，是發展趨勢。這兩個語言主要是做數據預處理、文本處理和格式轉換、對演算法效率要求不高的分析軟體開發，系統管理和pipeline搭建等工作。R語言主要的優勢是大量的統計包的支持，數據統計分析中非常常用。Python和R有良好的介面。關於繪圖很多人用R,其實Python的Matplotlib的繪圖效果比它漂亮很多，也更強大。對pipeline的搭建shell編程更適合，是一個不可缺少的技能。與資料庫相關的工作需要用到SQL， Linux : 操作系統，是基礎。 生物信息對Linux的要求其實並不高，並不是要做系統開發者或管理員，只需要會用就行。復制粘貼、處理數據、安裝軟體等。生物信息軟體：標准數據分析。 生物信息學的數據格式已經基本標准化，大部分工作可以直接用軟體完成。Perl和Python：處理個性化問題、軟體之間的對接。 這兩門語言至少應該熟練掌握一門自己寫程序用，另外一門要能看得懂。 寫點小腳本感覺差別不大，但是perl寫大程序不合適。 很多人認為python是趨勢，但至少截止目前更多生信軟體是用perl寫的。 所以，如果剛開始學，建議主打python, 看懂perl。R ：數據處理、統計、繪圖、數據分析。 R語言的數據結構跟其他語言差異較大、而且總感覺語法比較散，不好記。但是R的軟體包卻異常強大。數據處理的reshape2, dplyr；繪圖的ggplot2；還有Bioconctor里的幾千個包。不得不會。

G. 如何用Python寫生物信息學軟體

表現方式：
1）時間戳(用秒來表示)
2）格式化的時間字元串
3）元組（struct_time）共九個元素。

H. 生物信息在國內前景究竟如何

實際上生信的壁壘在於計算機水平，一個有cs基礎的人轉行生信的難度，明顯低於一個純生命科學專業轉行生信。故如果轉行cs再回到生信需要的緩沖期很短，而生信再轉行深度學習，需要的緩沖長一些，但是因人而異，因為已經有python和基本的資料庫，相比純生物學優勢很大。如果想要在生信上進一步做科研，目前來看前景（短期）還是很積極的，無論是施一公領銜的結構生物學（更重要的是設備，但也有分析），還是華大領銜的基因組學，以及目前非常火熱的精準醫療都與生信有密切聯系。隨著深度學習的發展，以各類資料庫為基礎的智能診斷也與生信有關。從另一個側面看，生物專業未來的需求應該是多面的，未來做生物學研究（或者說基礎醫學研究），需要計算機、數學等等方面的人才會很多（例如計量生物學）。很多實驗（基本的養細胞，跑膠）可能在未來的效率會大幅提升，純實驗所需人手可能在飽和，照目前美國技術迭代的速度，幾乎所有科技行業每半年都需要進修與學習，相對於生命科學來說，有生信基礎的人會面臨小一些的壓力。（但是只是相對大部分生命科學學生）必須承認金融與cs未來還會是最具吸引力的行業，但是如果可以在生信上做好，那麼掌握醫學統計學；統計學，python和組學知識的人才無須擔心前景，但是讀PhD期間，可能很多人會因為枯燥的濕實驗，大量重復性的工作而失去耐心，故仍舊要考慮自己的情況。