我是纯外行,但系里一半以上的人在搞单细胞测序,所里集群上测序任务全年无休,一年到头的报告也跟这个领域有关。
从计算角度感觉这个领域已经快卷到极限了,也就是开始从噪音里找规律了,模型越来越复杂,但确实科学问题只敢去碰最简单的差异分析,稍微遇到后面要实验验证的就开摆,用系统生物学的复杂性来掩盖信心不足。
这里一个麻烦在于实验设计那边都是上世纪的经典控制变量法,所以后面数据分析几乎都是差异分析,如果数据换成人群调查数据,一个批次效应就能毁几年的成果,业内基本就是找个大家用的多的矫正一下就当问题解决了,根本说不清异质性来源,很难发挥单细胞测序优势,而且就算找到单细胞层面异质性,其是否对生物功能影响也是个问号,这需要具体的生物学问题来一个个连起来问,这对数据分析那边就超纲了。
要说这思路在大气环境分析里也有,研究细颗粒物曾经一度盛行单颗粒分析,认为一个颗粒物研究透了整体就找到来源与形成机理了,不过现在没啥人做了,也是搞不清这种异质性的意义,现在基本小圈子自嗨了。
至于空间单细胞测序,一样是个只可远观的概念,结果甚至可能不如显微镜拍出来的有说服力。我感觉探索类方法其实对验证的要求是最高的,而现在很多工作的验证都是去查文献印证,转了个圈啥新发现都没有。当然,这可以说初期需要与经典方法做比对,但不能总是在初期打转。科学问题都在实验室里,如果不进实验室,搞出来的工具都不知道解决了哪个平行宇宙的问题,我最近审稿就发现很多生信工作打着解决生物问题的幌子搞算法排列组合,很明显实验室那边的人既看不懂也不会用,很多工作感觉就是为了做而做,没有实际科学问题做指向,到最后大家都在差异分析上满地打滚。
以我半瓶醋的水平,只能说,啥时候把做数据分析的下放实验室学实际问题个半年一年,或者让实验室的系统学数据分析半年一年,然后大家才会互相理解。不过,大概率是其中一方理解半天后猛然发现,其实可以不需要对方,或者说最需要的部分就是理解那些他们圈子里自己造出来的词跟术语。我只能说现有的黑箱合作(双方不理解对方)模式可能是很多问题源泉,很多实际问题做实验的感觉没必要告知,做数据分析的不知道,最后就都在经典问题上空卷了。