问你一个问题构建了一个研究领域的底层之后能不能形成赢家通吃的局面大家好这里是生信之灵。今天我们来讲一下 Fabian Theis。相信做算法开发的小伙伴对他肯定不会陌生就算你没听说过他你也肯定听说过 Scanpy。法比安可以说是生信算法领域的天花板了。做这期视频主要是因为我自己也是生信算法领域的博士生我想通过研究本领域这些大牛的成功路径看看有没有能供我们学习的地方大家共同学习共同进步。【人物名片】法比安·泰斯德国计算生物学家单细胞数据分析事实标准工具 Scanpy 和 AnnData 的实验室出品方。现任亥姆霍兹慕尼黑计算健康中心主任、慕尼黑工业大学讲席教授、亥姆霍兹 AI 科学总监、拜仁州人工智能委员会主席2023 年获得德国科研最高奖——莱布尼茨奖。他 26 岁拿到物理博士一年之后也就是 27 岁拿到第二个计算机科学博士。【我原本的三个误解】在我对他没有足够了解的时候我以为的版本是这样的他在 2010 年代抓住了单细胞的浪潮做出了 Scanpy 这个单细胞分析的底层基础库靠开源社区做大做强后续开发的算法又能快速并入这个库最后形成赢家通吃的局面。这期视频当时就是想研究一下他的成功经历看看对我们现在的博士生有没有什么可以学习的地方。但是当我对他了解得更详尽之后我才发现我之前的想法是错的。【误解一不是他抓住了浪潮是浪潮撞上了他】第一个误点就是不是他抓住了单细胞的浪潮而是浪潮撞上了他。因为他已经站在这个位置十年了。我们看一下他的时间线。2002 年他的物理博士论文题目是《独立成分分析》2003 年他的计算机博士论文是《几何盲源分离》。这两篇文章基本都是在做高维数据的降维——从高维数据里反推出真正驱动数据的那些成分。那我们现在回过头看单细胞 RNA 分析当时的核心任务是什么是把上万维度的基因表达矩阵降维到几十维的特征空间然后从里面找出细胞状态、发育轨迹、批次效应这些东西。对应的方法像 PCA、扩散图、UMAP还有 RNA velocity它们全都是同一类数学——高维含噪观测下的隐变量模型。所以当 2015 年前后10x Genomics 把 scRNA-seq 变成流水线商品、数据量爆炸的时候绝大多数生物学家面对的是一个全新的问题但对法比安来说这已经是他做了十多年的老问题了只是换了一套数据。就像雷军说的站在风口上猪都能起飞。但他不是去追风口他压根就没动——是单细胞的风口直接吹到他这来了。【误解二Scanpy 不是他做的】另一个问题是我一直以为 Scanpy 是他做的。这么理解其实也没大错因为我们一般默认通讯作者才是这篇文章的最终负责人。这话是没错但 Scanpy 实际上是由他的博士后 Alex Wolf 主动提议、并且主导做出来的。我之前一直以为就算是通讯作者也是你先提出这个项目然后去找手底下的博士生或者博士后去做。但其实不是这样。就像 ISCB 创新者奖那篇人物特写里写的这是一次「意料之外的突破」——也就是说法比安本人当时并没有预见到Scanpy 会成为标准。【但他做对了三件极其困难的事】但我们还是得说法比安在这里面还是做了巨大的贡献的。他做对了三件极其困难的事。第一他同意了让一个博士后花大量时间去做工程基础设施而不是赶论文。我们都知道在这个越来越浮躁的年代不发论文就是死。在这种学术环境里你要拿着钱去养一个注定很难出成果的项目这个决策是非常难做的。他能做出这个决策一个是非常困难再一个我觉得也是一个非常英明、非常理智的选择。第二他不光同意了他还保护了这段时间。这一年多的时间里这个项目基本上没有什么产出但他依然让这个博士后继续做下去。第三他在事后改变了自己的战略重心。这本来是一次偶然的成功但他迅速意识到了这里面的潜在机会有多大然后迅速把自己的战略重心转移到了——「基础的计算工具会成为生物发现的必要基础」。【所以 PI 的价值是什么】从这件事上就可以看出来对于一个 PI 来说关键不在于他发明了什么。当然他要是真的有所发明、有所发现那当然更好。但 PI 本身是一个管理岗位他真正的价值在于他允许什么、以及他把什么资源化。能做出这种决策本身就已经很了不起了。那对于我们博士生呢我们可能就像当年的 Alex Wolf 一样。或许我们手头上也有一些好的想法但关键是你怎么去向导师争取资源怎么去说服导师怎么去创造这个环境我觉得这是我们博士生可以认真思考的一个方向。【误解三不是赢家通吃而是赢了另外三场比赛】我的第三个误解是我以为它会赢家通吃。但其实只是部分成立。单细胞领域其实有两大工具R 语言方向的 SeuratPython 方向的 Scanpy。看 GitHub 星数Seurat 甚至还略微领先一点。对于普通的生物学家来说Seurat 用得其实比 Scanpy 更多用途也更广泛。但 Scanpy 赢的是另一场比赛。它不是在「单细胞分析」这个领域形成了赢家通吃而是它赢下了另外三场第一机器学习赛道。那几年正好是深度学习、AI 异军突起的时候所有做深度学习的几乎都是 Python而 Scanpy 就是 Python 写的跟 scikit-learn 这些天然同源数据互通几乎零成本。第二超大规模赛道。现在测序时间越来越短、成本越来越低数据在呈爆炸式增长。而 Scanpy 的底层做得非常好特别适合百万级细胞、图谱级的这种超大规模项目。第三基础设施赛道。这一条是决定性的。所以更准确的说法不是赢家通吃而是他根本就没有去抢占已经拥挤的赛道他定义并且占据了一个当时还不存在的赛道。【真正的护城河AnnData】好接下来我们看一下Scanpy 或者说法比安真正的护城河是什么。我一开始以为 Scanpy 就是护城河后来我才明白AnnData 才是护城河。对 AnnData 不了解的朋友可以看我相关的那期视频。我认为这是整个分析里最重要的一条这个数据格式的下载量是分析工具本身的将近两倍。因为 AnnData 不只被 Scanpy 依赖它被整个生态依赖——scvi-tools、squidpy、scVelo、CellRank、moscot以及成千上万的第三方包全部是以 AnnData 作为输入输出的。我个人认为这个数据格式设计得相当相当完美。你往后看它不只能装 RNA 模态的数据像 ATAC、空间组学甚至最近比较火的扰动数据其实都可以用 AnnData 来表示。说实话我前段时间也一直在想我能不能搞出一个比 AnnData 更好的数据结构。但我实在想不出来——我真的想不到还有什么样的数据是它装不下的。所以谁定义了数据格式谁就定义了这个领域。这也不是生信独有的规律。你像 Adobe 靠 PDF医学影像靠 DICOM基因组学靠的是 SAM/BAM 而不是某个具体软件现在单细胞靠的是 h5ad。说实话我们这种在生信领域搞算法的你搞出一个算法来用不了多久可能就被替代了。甚至本质上说你搞出一个算法其实只是搞出了一篇论文你的用户可能就是相关领域的那么几个人。但如果你定义了一个文件的读写格式那么涉及这个领域的任何人都要依赖你的输入输出——等于说你直接拿下了一整个领域。当大部分人在争谁的算法更准的时候他去定义了所有算法都必须使用的文件格式。【飞轮护城河其实是分发渠道】我之前观察到法比安他们组的工作模式是开发一个算法迅速集成到已有的工具里快速扩展用户、提升知名度。但这只是我一开始比较浅薄的一层理解。现在整理完之后我才看明白整个链条是怎么转的Scanpy 加 AnnData 成为整个行业的标准之后当组里的学生有了新的算法它天然就是基于 AnnData 开发的。于是新算法的第一天立马就有了分发渠道——用户装上直接就能用不需要迁移数据因为大家的底层数据格式本来就是一样的。用户零成本试用就能快速推广、快速提高知名度进而发更好的文章——因为你对领域的贡献确实更大。接下来就是利滚利更多的经费、更高的声望吸引到更好的学生和博士后产出更多的方法而这些方法全部又是基于 AnnData 的于是整个标准就更加稳固。强者越强强者恒强。所以他这套科研模式关键根本不是「我有一个好的想法」他的另一个护城河在于算法的分发渠道。这是现在学术界很容易被低估的一点。大家都比较浮躁都在比「我在这个 benchmark 上表现比你好那我就牛逼」。但一个被忽略的事实是一个真正好的算法、一个好的工具它必须容易安装、容易使用而且不能自建一套谁也不认的数据格式——不然它的实际影响力肯定大不了。【他们组的人员配置3 个工程师 1 个社区经理】这就引出了他的另一个工作模式——他们组的人员配置。正常的组是什么样一个 PI 相当于老板下面带着博士生和博士后各自搞各自的项目。但他的组不是这样他有三个专职的软件工程师而且是长期职位。咱们一般的组培养一个博士生或者博士后也就三四年。这个时间太短了。一个项目可能要做十多年或者说你发布一个项目之后后续的维护、开发、扩展要持续十多年。博士生、博士后在这只待几年很难去做这种超长周期的工作。所以他实验室里专门养了三个专职软件工程师还有一个社区经理。这是一个预算的决定而不是一个科研的决定——或者说这是一个课题组正确的组织决策。我们看 Scanpy 那篇论文的第二作者Philipp Angerer。那篇文章是 2018 年发表的而他到 2026 年仍然在这个实验室职位就是软件工程师。这是九年。同一时间段里一个博士生入学、毕业、离开已经三轮过去了人都换了两三茬。所以在一个人员每三到四年就彻底换血一次的组织里他保留了一批不换血的人。而软件的价值恰恰就来自连续性——API 的高度一致性、向后兼容、issue 的历史上下文还有「为什么当年会这么设计」的记忆。这些东西写不进论文也交不了接。学生一走就没了就算你再找其他博士生来接也很难接得好。而专职的软件工程师是长期稳定的职位他不会走。【顺便说说同济取消长聘】这也是为什么之前同济说取消长聘编制、所有人员都要考核我会觉得有问题。这其实是变相在逼着研究人员去搞短平快的小项目。那种短期内回报很低、但长期收益爆炸的项目你是没办法做的。总感觉大家还是人心太浮躁了。很多项目你必须要沉下心可能要搞十几年。关于同济取消长聘这件事对整个科研界的利弊后期我应该会单独出一期视频专门讲一下这里就先不展开了。【社区经理我头一次见的岗位】另外要专门提一下的是工程师这个岗位我还是见过不少的很多大组都会养专门的工程师或者实验员。但社区经理这个职位我真的是头一次见。她的头衔是 scverse Community Manager就是这个社区的管理者。她甚至不写核心代码她做的是运营整个社区运营 Zulip 聊天和 Discourse 论坛保证有人提问的时候有人回运营相关组织的账号组织年度的线下会议组织新贡献者的上手活动维护文档和行为准则——让新人从「用户」变成「贡献者」。这其实是一个含金量非常非常高、也非常重要的岗位。很多时候我们开发完一个库往 GitHub 上一扔论文一发我们的工作就彻底结束了。但这样是没法长期维持下去的。前面说了他组里有专职工程师来维护项目可你还需要另一件事随着时间发展你要升级迭代、要扩展、要兼容别的东西而这段时间里会不断有新人进入这个领域——本科生升硕士、硕士升博士。那么怎么快速抢占这批新鲜血液怎么让他们从「学习者」快速转化成「社区的贡献者」这就是社区经理要干的事。社区的衰亡是静默的。某个社区一段时间没人说话其实就相当于死了。社区必须活跃、必须有人它才会长期吸引人。设一个专职岗位盯着这件事就相当于给这个飞轮装了一个马达。而且这个岗位的产出PI 本人是做不了的——你不可能随时去解答用户各种各样的疑问。【钱从哪来一条和论文基金平行的融资曲线】那另一个问题来了这些钱是从哪来的这也是咱们国内很多组的一个大问题这类人员几乎不产出论文但他们确实对工具的长期维护做出了不可替代的贡献那用什么钱去养他们国外有专门资助开源软件开发和维护的基金。Scanpy 就入选了 CZI「科学领域必要开源软件」计划是首批 32 个项目之一——同一批入选的是 SciPy、NumPy、pandas、matplotlib、scikit-learn。后来 scverse 又转入了 NumFOCUS 的财政赞助也就是科学计算的基础设施这个体系。被分到这个类别里本身就是一种加冕。而且这笔钱的性质是关键它是发给「维护者」的不是发给「创新者」的。CZI 官方说明里写得很明白这笔钱用来雇更多的开发者、改进文档、提升可用性、引导新贡献者、召集社区。所以这个循环就是软件做到足够重要 → 拿到专门养软件的钱 → 雇专职工程师和社区经理 → 软件变得更加重要 → 再拿到更多这类钱。这是一条和论文基金完全平行的融资曲线。而绝大多数 PI从来没有上过这条曲线。所以如果真的有 PI 在看这期视频或者你现在还只是博士生、博士后我很推荐你以后认真考虑一下这条路子。【交出控制权换来更大的权力】然后还有前面已经提到好几次的 scverse。这里想说的是交出权力其实可以换来更大的权力。2021 年Scanpy 和 AnnData 从 theislab 迁移到了 scverse 组织由 NumFOCUS 财政赞助2023 年一篇 Nature Biotechnology 的论文把它正式化。表面上看他是放弃了控制权。但实际上开源才是全局的最优解。相当于是把某个实验室私有的工具变成了大家公用的基础设施。而法比安始终是创始成员机构他仍然在核心位置上同时长期维护的责任被分担了抗风险能力反而上升了。在开源世界里正式放弃所有权往往是扩大实际影响力最有效的手段。你像现在中国的 AI 很多都是开源的打法DeepSeek、千问等等都是这个逻辑。【比开源更高一层裁判权】比开源软件还要更厉害的一层在于裁判权。这一层我之前完全没有关注到是后来整理这些资料的时候才发现的。你看他被引最高的那些论文里有好几篇引用量非常高的一类是 tutorial一类是 benchmarking还有一类是 best practice。这些东西的性质根本不是科研发现而是教程、基准、规范、议程设定——相当于他在制定规则。tutorial 和规范这一类作用是吸引新鲜血液。你刚进入这个领域就有各种各样专门的新手教程让你快速上手他的工具从而抢占整个市场。而 benchmarking 这一类意味着他不只做参赛的选手。他也发论文但他同时还写规则、当裁判、办比赛、出教材。这就意味着他握着「什么叫好方法」的定义权——你提出的方法为什么好得由我这个 benchmark 说了算。你要证明你比别人好你得在我的基准上跑。于是新人从第一天就被塑造了全世界的单细胞新手看的入门课程是他们写的学的分析流程是用他们的工具做的。所以你一开始就已经上了他们的车了。而且这类论文的引用效率极高。他被引 Top 20 的论文里有八篇是工具、教程、基准、最佳实践这一类而不是生物学发现——单位工作量的引用回报远高于普通的发现类论文。这其实还引出了另一个问题科学工作者的任务不只是创造和发明还有一项任务是普及科学发现。我觉得这是现在很多 PI、很多科研工作者根本没有注意到的一件事。【举两个 AI 领域的例子】说到 benchmarking我问你一个问题。李飞飞非常出名对吧在 AI 领域被誉为「AI 女神」。但你想一想你看到她名字的第一反应那个最大的贡献是什么我猜 99% 的人会说ImageNet。那我就要问了ImageNet 是什么类型的贡献它是一个新算法吗不是。它是一个 benchmark一个数据集。大家全都要在她的数据上去跑、去竞赛、去比较。每一个人提出一个新算法只要做 benchmarking就要在她的数据上跑就要引用她的文章——她的影响力就又被提升了一次。还有 AI 领域的吴恩达你对他的第一反应是什么很可能是「我上过吴恩达老师的课」。没错这也是科研领域的一条赛道。你不一定非要去提出新想法、做出新的科学发现你还可以致力于基础科学的传播让更多人了解它。因为每一次有新人学习你的课程都是在扩大你这个讲课人的影响力。【位置红利2013 年的时间套利】接下来讲位置、数据和组织权力。我们先说时间红利。2013 年37 岁的法比安拿到了 TUM 的讲席教授加上亥姆霍兹 ICB 研究所所长。这个时间点太关键了2013 年他拿到永久教职加研究所2014 年10x Genomics 成立2015 年scRNA-seq 通量爆炸数据爆炸2016 年人类细胞图谱启动大量数据要处理2017 年Scanpy 仓库创立。他是在浪潮起来的前两年就拿到了「不需要靠短期论文求生」的资源自由。说实话这一点对我们、尤其是对中国的学者来说现在是越来越难了。就像刚才提到的取消永久教职本质上还是在逼着人们发短平快的论文你没有办法去沉淀、去探索真正的未知。因为未知领域你不可能预先知道结果不可能一次实验就立马成功你要经历无数次失败。失败的这段时间你没有论文产出怎么办没有资金资源怎么办这些都是问题。我们为什么缺少从 0 到 1 的东西我们老是说欧美擅长从 0 到 1中国擅长从 1 到 100。就是因为很多未知领域前期投入成本太高、风险太高。我们以前确实更喜欢做那些欧美已经验证过走得通的方向然后在上面进一步扩展。但从无到有这件事谁也不敢保证一定能成功更不敢说「我要在三年、或者三加三六年之内做出什么什么」——这种话谁也不敢说。所以我觉得还是制度上的问题。中国的高等教育制度本身就在逼迫研究人员必须发短平快的东西你不能沉下心去做真正从无到有的工作。【数据联盟席位】还有就是他的数据联盟席位——他是 Human Cell Atlas 的董事会成员。说实话生信领域做方法、做算法的人最大的瓶颈不是算法而是数据。而且还不是公开数据——很多组自己测的数据那种才是最宝贵的。他加入了这个组织就意味着可以接触到核心的、超大量的、最高价值的数据集而且你的工具还会成为整个联盟的默认工具。再加上细胞图谱类的论文动辄上百个作者引用复利极高。【组织权力把科学资本兑换成资源分配权】再往上看他的组织权力这一层从加入各种组织到管理一个部门最后到拜仁州 AI 委员会主席——他现在甚至已经有了政策影响力。这一层的本质是把科学资本兑换成资源分配权。他现在已经不只是一个「做得好的科学家」他是一个「决定别人能不能做」的人。但这里要特别注意这些全都是在 Scanpy 成为标准之后才到来的。你首先要有不可替代的技术资产然后才有组织权力。顺序不能反。【人才网络校友也是分发渠道】还有一层是人才网络。他指导过 65 位以上的博士生、50 位以上的博士后。而且他用的是「Y 模型」的培养方法每个博士生配两个导师一个管方法一个管生物。这一点我觉得非常好。我现在也在读博士我的导师是既懂方法又懂生物同时我们还跟专门搞生物医学的组合作也跟专门做计算机算法的组合作这些资源我都能接触到。生信本来就是一个交叉领域这样能让人得到更全面的培养。然后你看他教出来的学生比如 Alex Wolf 现在是一家初创公司的 CEO。每一个离开的人都会在新的机构继续用这一套技术栈然后再把它交给下一代。所以校友不只是人情网络校友也是一条分发渠道。这里也想奉劝国内的一些 PI不要总把学生当奴隶搞得学生毕业之后恨不得跟老师老死不相往来。这其实是一件收益非常低的事——看起来你压榨学生短时间内快速拿到了论文但你损失的是长期利益。当然这又回到那个原点本身的奖惩制度就有问题所以学者没法静下心来搞科研。【那我们博士生能学到什么】最后我们来讲一下对于我们这种年轻的博士生到底有什么能学的。首先得承认很多时候你真的不得不相信天命这种东西。你看他本身什么都没做风口直接就找上他了他后来进一步起飞靠的是 Scanpy而 Scanpy 是他手底下的人提出来的。很多时候真的得看运气。风口来了同时你也要有把握住机会的能力——有的人是你给他机会他也不中用。所以他这条成功路线很多地方我们是没法复刻的单细胞的浪潮已经开启了底层工作也已经有人做了再加上时间点、运气人家拿到终身教职之后立马起飞——这些都不是我们能复刻的。但也有一些是可以做的第一生物基础模型的评测标准。像 scGPT、Geneformer 这些才刚刚起步它们的评测标准其实还没有特别明确。这个方向是可以搞一下的。第二扰动数据Perturb-seq。它的数据量在涨而且可以辅助 AI 制药。跟生物医药相关资本又密集你就更容易变现资本也更青睐拿资金相对更容易。第三中文的生态位。说实话全球的单细胞社区里中文的我还真没找到特别好的。像生信技能树之类的我感觉他们不是真正在做社区而是在卖课而且是卖那种基础入门课。当然我不是说他们不好而是说一个正常的交流社区应该是交流高质量的中文文档、教程、公开课这些才是我们可以做的。我创这个账号的初衷也是想做一些这方面的贡献跟大家多交流生信领域的进展和工作。后续我看看能不能进一步给大家提供一个交流的平台。第四把自己的算法合并进已有生态。我们开发完算法之后可以看看能不能并到 Scanpy、scverse 相关的库里去借它的渠道提升自己的影响力。打不过我们就先加入嘛对吧。第五发布大规模数据集做成 benchmark 评判标准。第六把工程质量当成科研战略而不是一个杂活。不要发完文章、代码往 GitHub 一扔工作就结束了。我能不能长期维护能不能用心维护能不能让使用者快速上手这些虽然不会立马看到收益但长期的收益不可忽视。第七绑定数据源。中国人口庞大很多时候是比较容易拿到数据的。可以多跟大的临床相关的组去合作——我们这边做算法那边产出数据。在中国这个策略的性价比很高因为产数据的组远多于能分析数据的组。【可见性是复利资产】还有一点可见性是复利资产越做越好。法比安在 ISCB 的访谈里专门提到过Dana Peer 的讲故事能力震撼了他让他意识到叙事在科研中的重要性。具体怎么做你可以在社交媒体平台上发表你的见解去真正地推广一些东西或者去讲 tutorial、办 workshop就像吴恩达他们做的那样去做科学的科普和推广。我觉得这也是一条非常值得打造的赛道。而且说实话这条赛道我还真没怎么见到国内有太多人在走。当然我做这个账号的另一个可能的动机就是——我其实也有点想走这条赛道我也想让更多人能快速上手单细胞相关的分析和算法。【最重要的一条怎么选导师、选组】最后也是我认为最重要的一条对于我们博士生甚至研究生你在未来选导师、选组的时候除了评估这个组的产出、评估 PI 的帽子之外你还要看几件事——第一这个组能不能拿到别人拿不到的数据第二这个组的算法是不是真正受欢迎不要只看它发表的文章高不高你要去看它的 GitHub 仓库看使用者的星数看 issue 区的活跃度这些都是评估标准。第三看这个实验室的校友他们的出路好不好。我觉得这是一个隐形的分水岭。一个好的导师真的可能会影响你的一生。拿我个人来说我们组也不是什么特别大型的组但我是真心挺感激我的导师的他对我很好组里的资源也会尽量给我争取。所以我觉得你导师的好坏直接决定了你这个学术生涯顺利与否。最后也非常感谢各位收看。各位有什么建议或者还想看什么内容都可以在评论区发一下。