生物医学科研的挑战

生物医学科研中的挑战，个人经过一段时间的思考总结为以下三点：

人才流入的挑战

中国不缺乏医学类的人才，在现如今的生物医学科研团队中，生物信息及其相关的数据分析的份量越来越重。而从生物信息学从业者必备的技术能力而言，在如今的市场竞争中去从事科研绝对不是一个性价比高的选择，比如互联网公司薪酬绝对比从事生物信息的研究要高数个数量级。当然不排除生物信息学从业者自身对科研有着强烈的爱好，相信这样的人也不会很多。科研本身是一项枯燥乏味，不确定性极大的工作，中国的科研工作主要依托于体制内的高校研究所，体制内的薪酬待遇对于医生和生物信息研究者是否具有优越性，值得思考。招募到合适的人组建合适的团队是第一项现实的挑战。

团队合作的挑战

团队组建之后，医生和生物信息研究者之间的工作配比，合作产出的论文的成果归属及各自对应的科研激励都是很现实的问题。从事湿实验的觉得干实验写写代码点点鼠标就可以完成工作，从事干实验的觉得湿实验的就是不断地用各种仪器去测试也没有什么独特的创新。知识背景上的不同，实验方法上的不同，带来沟通和认识上的彼此的不通，这种现状需要团队负责人极度要重视团队的建设，需要不断花费心思在团队的合作和课题项目推进上兼收并蓄，尽最大程度平衡各方的利益分配。

科研思路的挑战

从现在所处的一个大时代而言，以深度学习为代表的数据驱动的建模渗透到各个领域的科研之中，生物医学领域也迟早会被席卷之中，最近大火的 AlphaFold2 ¹ 即为代表。生命科学问题本身的复杂性在初期 ² 很适合用数据驱动的方法来进行研究，获取的数据量或者说有效数据量又远远不够，这使得数据驱动的科研思路不一定适合现阶段的生命科学研究。而且生物医学领域本身追求解释性，更使得数据驱动的思路真不一定适合现阶段的研究。