转录组数据分析对电脑硬件要求(通过转录组分析,能为我们提供什么信息？)

1、CPU：决定网格计算速度；

关于CPU和内存的要求：

首先CPU和内存频率越高,计算速度就会越快。如确保CPU所有的核心100%进行运算,所进行运算的数据容量一定不要超过可使用的空闲内存容量,否则整个计算过程要被内存空间不足,从虚拟内存、硬盘中频繁数据调用读取,造成cpu时间延迟等待.

关于网络计算规模对应CPU核数：

从现有规格Xeon E3、Xeon 5600处理器规格来讲，通常小规模（300万网格以内）推荐4核图形工作站，中大规模（600万网格以内）推荐8核图形工作站，超大规模（1000万网格）推荐12核图形工作站。

2、内存：决定的网络计算规模；

核与内存容量的比例：

每个核与内存数据计算量大概在1:4~8比较合理 ，例如4核对应内存16GB~32GB，8核对应32GB~64GB，12核对应48GB~96GB，当然内存越大越好，XASUN独有的内存虚拟硬盘软件可以帮助你大幅缩短数据交换时间。

原因和解决方法如下：

1、当某些程序运行出错的时候就会导致内存运行错误，也会出现暂时性的触摸板失灵。这种情况下可以重启电脑来试试看，如果问题依旧的话可以再次重启电脑，然后按F8键进入到电脑的安全模式，选择最后一次正确配置启动进入。

2、电脑中病毒也会导致触摸板失灵，解决方法就是对电脑全盘进行扫描和杀毒。

3、还有一个原因是笔记本触摸板被关闭了。可以尝试按组合键开启触摸板，但也有的电脑快捷方式是不同的。可以通过查阅下对应品牌型号笔记本的使用说明书。

用生物芯片制造的计算机就是生物计算机。所谓生物芯片就是指用蛋白质分子作元件制造成的集成电路，因此也有人称生物计算机为蛋白质计算机、下一代计算机。

生物计算机的外部用一种非常薄的玻璃膜制成，内装精巧的晶格，晶格里安放生物芯片。

由生物芯片组成的生物集成块完成计算机主体工作。

这种计算机有着广阔的发展前景，因为它有很多优点：

第一、体积小。

1平方毫米芯片可容纳数亿个电路，芯片密集度可达到每平方厘米1015～1016个，生物计算机的体积可缩小至现在计算机的103～105分之一。

第二、存储容量大。

生物计算机一个存储点只有一个分子大小，所以生物计算机的存储容量可达到普通计算机的10亿倍。

第三、运算速度快。

科学家估计，蛋白质集成电路大小是硅片集成电路的千分之一，甚至达到十万分之一，而运算一次只需要10-11秒，仅为目前集成电路的运算时间的万分之一。

生物计算机运算比现在计算机快多了。

生物计算机元件的密度比人脑神经细胞的密度高100万倍。

第四、散热快。

生物芯片中传递信息时，由于受到的阻抗低，耗能低，仅相当于一般计算机的十亿分之一，所以容易散热。

第五、可靠性高。

生物计算机一个重要特点就是具有自我组织自我修复功能，它若与人脑结合起来，听从人脑指挥，就可以具有更高的性能。

生物计算机可以用基因工程方法进行生产制造，成本相当低。二十世纪八十年代初，美国海军科研实验室研究工作出现了“生物计算机机热”。

1984年，日本开始研究生物计算机，每年经费高达80亿日元，到1985年，把这一研究列为国家重点开发计划。1987年，英国拨款3000万英镑，用于进行生物计算机研究。

科学家利用蛋白质制造出“开关装置”，并且已确定，可以利用细胞色素C、细菌视紫红质、遗传基因分子、导电聚合物等蛋白质制造生物芯片。

美国科技人员已率先研究出用于生物计算机的分子电路，它由有机物质的分子组成。

由分子导线组成的显微电路，其大小仅为现代计算机电路的千分之一。由于生物计算机有些关键技术还存在许多问题没有解决，因此科学家预测，估计要到2015年左右，生物计算机才能广泛应用。

需要电脑。生物制药主要研究生物化学、药剂学、生物技术、制药技术等方面的基本知识和技能，进行生物药物的分析、研发、实验、生产、质检等。常见的生物药物有：疫苗、抗生素、抗毒血清、胰岛素等。

课程体系：《解剖生理学》、《色谱分析》、《酶工程与发酵工程》、《生物药物分析》、《细胞与基因药物学》、《药物合成基础》、《药用真菌学》、《药理学实验》、《生物制药综合实验》、《生物制药专业英语》。

生物信息学属于理学，是分子生物学和计算机科学相互交叉形成的新兴前沿学科，本专业是根据21世纪最具市场活力的新兴生物信息产业市场需求而设置的新专业。

生物信息学专业的学生毕业后就业主要集中在生物技术类企业、事业和行政管理部门从事与生物技术有关的应用研究、技术开发、生产管理和行政管理等工作。

生物信息学是一门强大的新技术，是用来分析，存储，搜索海量生物医学数据的信息技术和计算技术，另一方面，生物信息学是一种研究生命科学问题的新方法，新思路，是一种从全基因组出发，从系统水平出发，基于数据整合，提出新假说，发现新规律的研究方法。

你是CS本科，做生物信息学应该有很大优势。生物信息学也分挺多研究方向，我就我比较熟悉的二代测序方向说一下。

二代测序主要是DNA和RNA样品的测序。前期的核酸提取和建库技术都比较成熟，常常可以交给实验员或者公司做。但是用于提取核酸的样品准备会根据研究课题的情况有所区别，不好一概而论。

我RNA做的少，下面就主要以DNA为例子说一下。RNA测序虽然有差别，但也大同小异。

目前DNA二代测序最热门的还是illumina的短片段测序。基本的数据处理技术也比较成熟，现在研究比较热门的几个方面，也是可以进一步提升的几个方面包括：

基因组学-怎样更有效率地index大型基因组和更准确地将短片段map到大型基因组（一般几个G的大小）上；

微生物组学-怎样快速准确地获取宏基因组的物种和功能信息。这个与前者的区别在于，你用来mapping的reference不是单一的基因组，而是成千上万的基因组，常常有几个T的大小，因此对比对的效率以及内存的利用效率要求更高；同时也需要有很高的分辨率来辨别来自不同物种的相似序列。

除了依赖于reference的比对之外，现在从头组装（de novo assembly）也比较热门。从头组装的计算量巨大，也有很多技术上的障碍，即使是人类基因组的从头组装，也还有很大的提升空间。更复杂的就是宏基因组的从头组装了。单基因组测序组装起来不过几十个染色体；宏基因组组装的是成千上万的染色体。

以上这些新的生物信息学工具的开发需要依赖有大量计算机专业知识的人员进行算法的优化，并能够写出相应的程序。相应的，这些计算机专业的人员也需要懂得基本的生物分子学知识和详尽的二代测序原理。

另一种生物信息学研究更注重于数据的分析，这类研究需要从大量的数据中分析得到可靠的结论。对计算机知识的掌握要求比较低，一般熟悉linux系统下的命令行操作，熟悉一两门高级编程语言，比如R和python，就可以了。但是这一类研究需要大量的统计学知识支撑，因此需要有较好的统计学基础。同时，因为是研究具体的生物学问题，也需要掌握科学研究方法，严密的逻辑，和丰富的相关的生物学知识。

还有一个介于两者之间的方向，主要依赖于统计学建模以及新工具的开发。这一类应用比较多的是在转录组测序或者甲基化组测序中，比对实验组和对照组时间的差异。因为涉及到样本大小，样本内的数据校正，样品间的数据校正，怎么处理缺失数据，怎么在样本数量有限的情况下得到高准确度的结果等等。这一类本质上是生物统计学的应用，但是最终也需要计算机专业人员写出相应的工具才能应用到数据上。