1. 会议通知里最值得关注的三件事1.1 会议背景与学术定位先说结论这届会议有两个重要的身份标签——既是“第四届山东省生物信息学学术大会”又是“中国生物信息学学会筹生物信息学算法研究专委会学术大会”。两个会期合开意味着它已经从单纯的省级学术活动升级成了全国性算法方向专委会的交流平台。山东省在生物信息学领域一直有较强的研究基础尤其是海洋生物、农作物基因组、医学组学数据分析这几个方向省内高校和科研机构积累了不少团队。第四届会议选在山东办同时把全国算法研究专委会的学术大会放过来摆明了是要把“算法”作为这届大会的核心招牌。对做生物信息学算法的人而言这类会议的价值通常不在于你听完某一场报告立刻能改代码而在于你能在现场摸清楚现在大家手里在解决什么具体问题哪些问题已经有人做出了漂亮的工作哪些问题还卡在思路上。这比闷头读论文要快得多。说到专委会目前学会还处于筹建阶段但算法研究专委会实际上承担的就是把国内做算法开发、算法理论、算法应用的人攒起来形成一个相对固定的交流圈子。这种“筹备期”的专委会往往更活跃因为大家都有一种紧迫感都想在这个平台上做出点东西来。如果你做的方向跟算法沾边不管是在校生还是从业者都值得花两天时间参加。1.2 算法研究专委会为什么重要生物信息学这些年越来越依赖算法这已经是共识。但“算法”在生物信息学里的含义跟计算机科学里的算法不完全一样。计算机算法关心的是复杂度、正确性、通用性生物信息学里的算法必须同时扛住生物学数据的脏乱差要能处理缺失、噪声、批次效应还得在有限算力下跑出结果。所以专委会讨论的算法往往是“有生物学味道的算法”既要讲求理论优雅又要能在真实的测序数据、单细胞数据、质谱数据上work。比方说做序列比对教科书里讲的是动态规划复杂度是O(nm)听起来很漂亮但人基因组30亿个碱基对你不可能直接跑一个二维矩阵。于是有了BWT索引、seed-and-extend、哈希表分块这些工程技巧这些技巧本质上都是在“理论算法”和“实际数据规模”之间找折中。专委会要讨论的恰恰就是这类折中的智慧。再看这几年火起来的深度强化学习DQN、PPO、MADDPG这些算法很多人觉得它们只适合玩游戏、控制机器人但生物信息学里已经有团队把它们用在CRISPR脱靶预测、蛋白质折叠策略优化、基因调控网络的动态干预方案搜索上。这类跨界的算法改造光靠读文献很难摸清门道最好就是到会上听当事人讲他踩过的坑。1.3 第一轮通知意味着什么“第一轮通知”这几个字参加过学术会议的人都懂但还是得给新朋友解释一下它就是会议的“预告函”。第一轮通常只公布最核心的信息——时间、地点、主办方、主要议题、投稿开放时间。但你千万不要以为这只是个简单通知你得学会“解读”它。第一轮通知里藏着不少关键信息会议时间有没有跟你现有的项目节点冲突要不要提前请假或调课会议地点在哪个城市交通方便不方便周边住宿紧张不紧张投稿截止日期是什么时候倒推回去你还有多少时间来凝练摘要受邀报告人名单如果公布了他们的方向跟你是否相关相关的话建议优先去听专委会的成员构成从这里能判断出会议的学术偏向。第一轮的真正用途是让你做计划。通知一发出来你就要立刻判断“我要不要去、我要不要投稿、我要重点听哪些报告”。等到第二轮通知出来再开始打算账户上该花的钱一分都少不了但酒店的性价比会差很多。我见过不少学术新人收到第一轮通知后随手存进邮箱等第二轮通知出来才慌了匆匆忙忙写了篇摘要去投结果摘要质量很差连送审都没通过。这次会议既然把题目定下来咱们就别再犯这种错误。2. 生物信息学算法研究的核心赛道拆解2.1 序列比对与搜索算法从暴力枚举到BWT讲生物信息学算法序列比对永远是绕不开的基石。你在网上随便搜生物信息学和算法相关词条KMP算法、BWT、Smith-Waterman、FASTA、BLAST这些词会反复出现因为它们代表了几十年来的核心积累。先说KMP。它是经典的字符串匹配算法在很多人的印象里属于“数据结构与算法”课的作业题。但在生物信息学里它被广泛用在短序列的精确匹配中比如把测序得到的read快速定位到参考基因组上。KMP的预处理复杂度是O(m)匹配过程是O(n)它避免了暴力枚举的在每次失配后从头开始的愚蠢行为。很多教材喜欢用“暴力枚举”来对比KMP很多学科也确实还在用暴力枚举但测序数据一上来就是几千万条read暴力枚举直接在现实中崩溃。更重要的是FM-index和BWT。这俩是很多现代比对工具的地下引擎。BWT把参考基因组字符串做一次特殊的重排让重复片段聚集在一起然后用后缀数组配合LF映射在很小的内存下完成指数级的匹配加速。这段内容听着难但你只需要记住一个结论没有BWT现在的全基因组比对根本跑不动。所以你看序列比对这一条线从朴素的动态规划到启发式搜索再到基于索引的近似比对每一步都是大数据倒逼出来的。这个会在算法专委会的场次上大概率会有报告讲最新的比对策略比如如何用GPU并行加速如何用图索引替代线性索引如何处理长读长测序数据。如果你平时只用现成工具、从不看别人怎么改算法去听一听会有很大收获。2.2 组装与图算法德布鲁因图背后的思维序列比对是把短reads拼回参考基因组序列组装则是没有参考的情况下把reads拼接成完整的基因组。这个问题的核心是图算法。目前主流组装方法比如SPAdes、MEGAHIT都基于de Bruijn图。做法是把reads分割成固定长度的k-mer每个k-mer作为图中的节点相邻k-mer之间用边连接然后通过简化图、去掉气泡、解决重复区域来组装出基因组序列。这里面涉及的学问可不少k-mer长度怎么选太短会碰到重复序列导致死胡同太长则测序错误容忍度低而且耗内存。所以每个组装工具内部都有自适应调整机制。另外还有一个经典算法叫匈牙利算法它在生物信息学里常用于解决最小代价配对问题比如把一段序列匹配到多个候选位置上挑选全局最优组合。这类算法在单细胞数据里的细胞-细胞匹配、空间转录组中spot和cell的对应关系里也经常出现。你可能会说这不是运筹学的吗没错生物信息学的算法从来不是只属于某一门学科它把空间数据结构、组合优化、动态规划、概率统计全揉在了一起。如果你打算去听组装相关报告建议先自己动手装一个测序数据集跑一跑SPAdes再看它报出来的参数统计信息里哪些指标跟你组装质量相关。带着问题去会上和空着手去听的收获完全是两回事。2.3 机器学习和强化学习在组学数据分析中的应用这几年生物信息学算法最大的增量就来自机器学习。传统机器学习里随机森林、SVM、逻辑回归至今仍是挖掘组学特征的常用方法尤其在临床预测模型里随机森林因为能处理高维特征、不容易过拟合依然是很多人的首选项。深层一点的深度强化学习也被越来越多人盯上。有人用DQN去优化药物分子生成的顺序策略用PPO去训练一个智能体在调控网络里搜索基因干预组合。听起来是挺科幻的但实际工作已经在陆续发表。还有人用maddpg做多细胞状态下的协同调控策略把每一个细胞当作一个agent把基因表达状态当作环境通过多智能体强化学习去模拟细胞命运决定的过程。当然这类做法的计算代价非常高而且可解释性很差目前更偏探索性的研究。在这个大会里算法研究专委会的场次上你应该期待看到这类内容的讨论。大家可以关注报告里提到的数据规模和训练策略而不是只盯着效果数字。比如同样是DQN有人用肿瘤转录组数据有人用DNA序列编码特征环境状态的定义完全不同直接套用是套不了的。学算法的朋友一般都具备一定的代码基础如果你想快速跟进这些方向建议早点掌握PyTorch或TensorFlow同时复习一下强化学习的基础概念——回报折扣因子、经验回放、策略梯度不用精通但至少要知道它们是什么不然听报告容易掉线。2.4 聚类、降维与空间组学的细胞分型算法单细胞RNA测序现在已经是生物信息学的基础技术。拿到一个上万个细胞、几万个基因的大矩阵之后第一件事做什么降维聚类把细胞分成不同的类群然后再做差异表达和轨迹推断。这里常被提到的算法包括PCA、t-SNE、UMAP、Leiden聚类、Louvain聚类、HDBSCAN等。我特别想说一下HDBSCAN。传统的K-means需要你提前指定聚类数量K这很不现实。HDBSCAN可以自动根据密度分布确定聚类数量还能识别离群点。在单细胞数据分析中细胞类型本身就不是均匀分布的有些稀有细胞群密度很低用K-means很容易忽略HDBSCAN在识别这类结构上更有优势。当然它也有参数要调min_cluster_size、min_samples网上很多教程照搬参数跑出来的效果并不理想还是要针对自己的数据做网格搜索。空间组学上来之后聚类算法又面临新挑战我们不仅要把细胞按转录组特征分群还要考虑它们之间的空间邻接关系。于是就有了图神经网络、Giotto、BayesSpace这类方法它们会把空间坐标编码进特征里让分群结果不违犯组织学规律。这些方法听上去很多但提出它们的底层算法往往不是最复杂的复杂的是如何把生物学先验塞进算法里。这个会议的价值就在于给大家提供一个交流的场子你可以问报告人“你那个先验假设是怎么设定的参数敏感性怎么样”诸如此类非常具体的工程问题。3. 大会投稿与参会准备的实操路线3.1 确定参会目标学习、交流还是投稿在琢磨怎么投稿之前先想清楚你这次参会的目标。我把目标分成三种学习型、社交型、成果展示型。三种目标对应不同的准备策略。如果你是个研一新生或者刚转行做生物信息的算法工程师第一次参会建议定位成学习型。你的重点是弄清楚领域里最近的关键词看看别人做的算法漂亮在哪里听听大家讨论的问题到底卡在哪个环节。学习型不必强求投稿但一定要做准备提前把会议的日程第二轮通知后下载下来标出你必听的那几场排好时间表。如果你已经有一个相对成熟的工作哪怕只是一个初步结果我也建议走成果展示型路线。很多“算法偏实践”的报告其实内容没那么宏大但有一个新思路或者一个能解决具体问题的小流程就值得拿出来讲。不要总觉得自己的东西不够“纯算法”生物信息学从来都是问题导向的别人更想看到你这个方法解决了什么生物学问题。至于社交型目标它更多是辅助性的。你在现场吃饭、茶歇间隙认识的人往往会成为日后合作的起点。为社交做的准备其实也很简单把自己的工作浓缩成一句话比如“我做的是基于图神经网络的单细胞扰动响应预测”最好能在半分钟内让人听懂。这句话要反复练争取去掉所有专业黑话再说一遍确保跨方向的人也能听懂。3.2 摘要写作的要点和常见坑第一轮通知通常会预告摘要提交的要求。摘要写作未必需要长篇大论但它反映了你的研究高度绝对值得花几个星期来打磨。生物信息学算法的摘要我建议遵守“三段式”结构问题说清楚你要解决的生物学/计算问题为什么值得解决方法简单描述你的算法思路但不要只堆名词要说明你的核心创新在哪里结果给出一个最重要的量化优势比如“在XX数据集上比现有方法AUC提高0.05”“重建的基因组完整度达到98%”。常见坑有三个。第一把摘要写成方法综述。很多人上来就写“我们提出了一个基于深度学习的方法”但根本没说明白这个方法和别人的方法本质区别在哪。第二不写复现细节别人根本没法判断你的方法是否可行。你在摘要里至少要给出数据来源、主要对比方法和核心指标。第三过度承诺。只做了模拟数据却说“适用于各类数据”只测试了肿瘤样本却说“可普适到所有疾病”。这种摘要大概率会被审稿人直接打回。如果你打算投稿最好在提交日期前两周完成第一稿然后放在一边冷却两天再找导师或同事提意见。临时突击出来的摘要一眼就能看出来。3.3 会议预算、行程与注册的注意事项会议预算包括会议注册费、差旅、酒店。生物信息学学术会议的注册费通常对在校生有优惠有的会提供免费名额给投稿作者。报名之前务必看清注册费包含哪些项目比如是否包含餐食、是否包含晚宴。也注意缴费截止日期有些会规定提前缴费才有优惠现场缴费更贵。住宿方面建议第一轮通知发布后就赶紧查周边酒店。会议指定的协议酒店通常离会场近但数量有限手慢就没了。我一般会做三手准备协议酒店、步行10分钟内的经济型酒店、地铁方便的第二选择。订房时注意可取消条款因为会议日程有可能调整。行程上如果你不是本地人一定提前算好从车站/机场到酒店的路线。有些校园里的会场比较偏靠打车还行但如果出现极端天气出租车很难叫。最好把地铁路线也研究一下方便应对突发情况。参会那几天手机充满电充电宝一定要带会场里插座紧张是常态。4. 现场交流与学术社交的正确姿势4.1 快速判断一个报告值不值得听学术会议通常是多分会场并行。你不可能听所有报告所以要在会前和会中做筛选。会前筛选看题目。如果题目里同时包含“方法名生物学问题”比如“基于条件生成模型的DNA甲基化填补方法”这通常是有实质工作的报告如果题目非常宏大比如“生物信息学未来发展的思考”大概率是软性报告除非你对他个人成名已久否则不必太在意。做好标记冲突时优先选择更具体的。会中筛选开头两分钟就能判断。好的报告开头30秒就会说清楚“我要解决什么问题为什么重要”听众能快速跟上。如果报告人花了5分钟还在回顾领域历史那你就要考虑是不是边听边干点自己的事。当然你得尊重讲者不要大摇大摆出去但我个人的做法是如果实在没兴趣第二十分钟后可以安静离场去另一场听后半段。多数会议报告的后半段会展示结果图往往比前半段有价值。4.2 怎么跟算法大佬有效交流茶歇时间报告结束后这些场合你怎么提问、怎么交流直接决定了你这次参会的社交质量。不要在完全没有了解的情况下去问那种太大路的问题比如“请问我该怎样入门生物信息学算法”这会瞬间消耗掉别人的耐心。正确的问法是先说明你的背景和在做的事再提出一个具体问题。比如“我是做单细胞数据分析的目前用Seurat做聚类但我观察到有些稀有细胞群总是被合并我想尝试HDBSCAN听说它的min_cluster_size参数很敏感您觉得应该如何设置初始范围”这么一问对方会觉得你至少做过功课也愿意跟你聊下去。还有一种很自然的交流方式就是给反馈。你在听报告过程中发现了他方法里的一个小细节或者你联想到自己的数据上也可能出现类似问题茶歇时直接告诉他“你的方法里那个阈值选择机制很巧妙如果用到我们这种低质量的单细胞数据上会不会存在问题”好的研究者听到这种接得住的提问甚至会主动找你继续聊。无论你是什么身份都不要在交流中表现得太“索取”。如果你想拷贝代码、获得数据最好先建立联系之后再慢慢发邮件沟通第一次见面就伸手要东西通常不体面。4.3 会后跟进与长期合作学术会议的魅力从来不是那几天而是密度极高的人脉资源。会后跟进这件事很多新手容易忽略。你加了微信或留了邮箱回去之后三天内要发送一封简短的跟进邮件。邮件里写清楚你是哪场报告后在哪个场合跟他交流的再总结一下你们的共识或对方给你的建议最后可以附上你的论文链接或GitHub地址。不用写长文三五句话就好核心目的是让他在收到邮件的那一刻回忆起你是谁。如果交流中确实产生了一个合作设想也可以把这个设想写在邮件里但尽量不要承诺什么。比如可以写“我最近计划扩展一下深度学习模型的应用范围您提到的XX数据我很有兴趣有机会我们可以进一步聊聊。”这是为后续联系埋下伏笔而不是马上给他布置任务。长期保持联系的方式不外乎几个节日问好、发了论文互相通报、看到对方相关的工作转发并简单评论。别怕打扰学术圈本来就靠这种弱连接互相推进。只要你保持真诚、别太功利这些关系自然会慢慢深化。5. 常见问题与避坑实录5.1 会议通知信息不完整怎么办第一轮通知本来就只是预告很多细节还没定比如具体日程、特邀报告人完整名单、摘要格式模板。所以你不必焦虑“我好像没什么信息”你可以按现有信息先把大方向定下来。再教你一招直接去看举办方网站或微信公号通常第一轮通知发布之后会陆续有“专题征稿”“报名开启”等后续推送。如果还有不确定信息可以在工作时间打电话或发邮件询问会务组。注意措辞礼貌别问“你们这个会具体几号几点开始”这种鸡毛蒜皮就问关键的摘要投稿截止日期还有没有可能延期、注册费缴费方式是否支持对公转账、学生注册费是否包含餐费。会务组每天被太多邮件轰炸提问越清晰回复越快。5.2 摘要投稿时间怎么合理安排很多人会在截稿前一周才开始写摘要这是大忌。我建议反着排时间表第一轮通知发布后立刻定下“投还是不投”距离截稿四周把你想报告的初步结果列一个大纲跟导师或合作者确认距离截稿三周完成初稿重点写清方法和结果距离截稿两周认真修改找同行给他挑刺距离截稿一周最终润色核对格式、作者、单位信息提交。这样的时间表可以保证你的摘要经过多轮打磨。如果你是第一次投会议摘要提交前一定让有经验的人帮你看一眼格式错误、机构名称写错这类低级失误每年都能碰上一大堆。5.3 学生参会的省钱建议研究生经费有限这个大家都懂。我给学生朋友的建议是提前申请导师的科研经费资助。很多导师其实愿意支持学生参会但申请的时候要说明参会对课题的潜在帮助最好附上你要听的关键报告列表抢早鸟注册费。大多数会议早鸟注册费比现场注册便宜一两百火车票酒店也是越早订越便宜跟同门同学拼房。如果你们结伴参会订双床房比两个单间性价比高很多不过要提前约定好双方的作息习惯关注学生论文奖。不少会议设有优秀学生报告奖/墙报奖即使没获奖入选本身对履历也是加分项而大部分会议学生论文奖的评审门槛并没有你想象得那么高。5.4 线上参会如何获得同样价值如果实在没法到现场也别气馁。很多会议会提供线上参会或直播通道线下结束后还会有视频回看。线上参会的优势是省钱省时间但劣势很明显没法跟人随机交流而随机交流恰恰是会议精华的一半。线上参会策略集中精力看高质量报告把自己当成“录屏机”之外还要承担一个任务记下报告里值得追问的点。然后把所有问题整理出来会后给报告人发一封邮件写清楚你听了他的报告有哪几个地方希望能进一步请教通常演讲者都会乐于回复的。这样虽然没有现场的人脉拓展但你也完成了关键的知识输入和初步连接完全不亏。最后再分享一个小技巧。无论你是临时起意参会还是准备已久都要学会在会场上保护自己的精力。学术会议的信息密度极高从早上8点半到下午6点满脑子的算法、模型、数据集不亚于连续加班两天的强度。我自己的经验是不要试图每个报告都全神贯注那样第三天一定会崩溃。该走神就走神该茶歇就去透透气把精力花在最适合自己的那几场报告上就好。这场大会本身有着浓厚的“算法”属性说不定你在茶歇时遇到的某个人将来就是你写paper时的合作者。