一、从一组"AUC显著提升"说起
我第一次对"AUC显著提升"这六个字生出警惕，是在一次药物反应预测的组会上。那时我在一个做肿瘤药敏的课题组做研究助理，日子过得很具体：数据来源（CCLE/GDSC/TCGA）、细胞系编号与传代次数、药物浓度梯度与IC50拟合曲线、特征矩阵的构建方式、缺失值填补方法、训练集测试集划分比例、交叉验证折数、超参数搜索网格、评价指标（AUC/PR-AUC/RMSE/一致性指数）、n到底等于几个独立队列，还有那句被反复使用的结论——"模型显著优于基线、关键特征可解释、机制链条完整"。有一次我交了一份关于某个多组学融合模型的说明，写着"五折交叉验证稳定、外部验证通过、趋势可重复"。带我的老师没否定我，只是把同一份代码仓库里被我标成"两个细胞系因'表达谱异常'剔除"和"七种划分方案里只报了AUC最高那一套"的那两处抽出来摊开，问了一句：这个"显著"，是这个模型真的学到了生物学规律，还是你先知道了答案该有提升，再给它挑了一批最配合的剔除标准、一个最顺手的划分种子和一组最肯给好数的超参数？
那天我从机房出来，屏幕上的ROC曲线还亮着。我第一次承认，自己对上的是一组筛出来的图，而不是那个因为系统性地把最难解释的批次效应、最不服从的两个离群样本和最含糊的基线定义提前排在了叙述之外、才让"完整"显得成立的版本。我把"交叉验证做了"当成了"结论稳"，把"AUC高"当成了"机制清"，把代码跑通了当成了问题想明白了。于是我想回去读书，想回到"生物学问题—可检验假设—数据生成机制—统计推断—独立验证"这条链的道理本身，而不是它的验收话术。我报了中国科学院大学的计算生物学方向。
二、公共课：慢一点，反而快
政治我从四月开始，不赶进度。每天一小时，先看知识点，再刷选择题，最后两个月才动主观题。我的办法是把每个专题往自己的专业上靠：基础研究长期投入与国家科学数据中心（国家生物信息中心、国家基因组科学数据中心、算力平台是典型的重平台投入）、生物安全法与人类遗传资源管理条例（人类遗传资源采集保藏出境审批、知情同意范围与二次使用、重要遗传家系与特定地区人类遗传资源申报、数据去标识化）、数据安全法与个人信息保护法（健康医疗数据分类分级、受控访问与数据使用协议、跨境传输）、健康中国行动与精准医学（肿瘤基因组、罕见病诊断、药物基因组学与伴随诊断监管）、人工智能治理（生成式AI服务管理、深度合成标识、训练数据合法性、模型偏倚与可解释性、算法备案）、种业振兴与生物育种（种质资源与基因组选择）、双碳目标与微生物固碳、科研诚信与学术不端治理（p-hacking与多重检验不校正、选择性报告最优超参数、剔除离群样本不披露、事后假设当先验、论文工厂与代投）。同一个话题，我逼自己答三层——它是什么、为什么现在提、在计算生物学上对应哪类数据哪条合规要求哪个环节。这样写出来的东西有筋骨，考场上不至于空。
英语我更不敢偷懒。单词从三月背到考前，一天不落；阅读一天一篇精读，拆主干、找同义替换，顺手攒专业词汇：algorithm、inference、heterogeneity、benchmark、reproducibility、generalization、calibration、annotation。写作我自己搭框架，改到看不出模板的痕迹。这个方向大量阅读英文文献、国际数据库文档与方法论文，英语其实是同一件事。
另外要提醒一句：计算生物学的初试科目跨度极大——有的单位考数学（常见为数学二，少数考数学一），有的单位不考数学而考生物化学与分子生物学、普通生物学或细胞生物学，还有的计算机口径单位考数据结构与算法或计算机学科专业基础。这一点我一开始就核对清楚了，免得拿着"带'计算'二字必考408"或者"挂在生物学下就不考数学"的旧印象白练一年——下面细说。
三、专业课：先说一件更重要的事
"计算生物学"在国科大体系里不是一个全国统一编码的二级学科，而是以自设二级学科或自设交叉学科的形式挂在多个一级学科下面。 这是最容易踩坑的一步，而且比前面几篇都绕。你会看到生物学（0710）下的自设二级学科"计算生物学"（代码多为0710Z×），也会看到以"J"后缀的自设交叉学科形式挂在生物学、计算机科学与技术、基础医学下，还会看到交叉学科门类下的相关口径以及电子信息（0854）、生物与医药（0860）等专硕路径。也就是说，同一个"计算生物学"名字，可能对应理学、工学、医学不同的学位授予口径——学位证上写的专业和你能报的方向，取决于你报的是哪一个代码。更要紧的是：这些代码的研究方向名称高度重合（"蛋白质结构与计算设计"、"系统与网络生物学"、"组学数据整合分析"、"群体遗传与进化计算"、"单细胞与空间计算"、"疾病建模与精准医学"、"算法、数据库与大科学设施"），光看方向名你根本分不清自己报的是生物学还是计算机；而相邻方向的服务器可能就在同一个机房，考试科目却完全不同。这一步如果搞错，去搜"计算生物学考研科目"，百分之百会被方向名带偏。
国科大做计算生物学的单位主要有中国科学院北京基因组研究所（国家生物信息中心，北京）、中国科学院上海营养与健康研究所（生物医学大数据中心）、中国科学院深圳先进技术研究院（深圳合成生物学创新研究院、医工所）、中国科学院昆明动物研究所（遗传资源与进化国家重点实验室）、中国科学院微生物研究所、中国科学院计算技术研究所、中国科学院自动化研究所、中国科学院软件研究所、中国科学院生物物理研究所、中国科学院分子细胞科学卓越创新中心、中国科学院遗传与发育生物学研究所、中国科学院青岛生物能源与过程研究所、中国科学院天津工业生物技术研究所、中国科学院大连化学物理研究所、中国科学院生态环境研究中心，并与北京生命科学研究所、华大等机构有联合培养；高校系统的传统重镇（如北大、清华、复旦、上交、华中科大、同济、浙大、中国农大等）报考路径不同但研究内容高度相关。这里有个必须单独强调的大坑：部分单位的研究生学籍不在国科大而在合作高校（如深圳先进院与深圳理工大学、部分与中科大/复旦等联合培养项目），你想去的"那个所"走的是另一套目录、另一套初试科目和另一条分数线——别拿着国科大的大纲复习一年才发现报错了学校。反过来，想报国科大系统的计算生物学，重点看国家生物信息中心、上海营养与健康所、昆明动物所等。
好消息是：国科大统一命题科目的考试大纲由国科大统一发布（约每年7月公布在招生信息网），同一张卷子在不同单位通用，真题可以跨单位练。坏消息同样明确：你报的代码决定了你考哪一套。以近年情况为例，常见组合包括①101思想政治理论②201英语（一）③一门业务课一（如数学二／生物化学与分子生物学／普通生物学／计算机专业基础等）④一门业务课二（如生物学综合／生物化学与分子生物学／数据结构与算法／程序设计等，具体以当年目录为准）；偏结构与算法的多考数学加计算机类或生化，偏组学与群体的多考数学加生物学综合，偏医学建模的多考生化或普生加生物学综合。报名前请逐项核对院系所代码、专业代码和科目代码，尤其要确认第三门到底是数学二、生物化学与分子生物学还是计算机专业基础，第四门到底是生物学综合还是数据结构与算法，这一步做错了，后面全是无用功。更要紧的是分数线差异极大且年年波动，单科还有硬杠：有的年份总分线能到三百三十以上，次年可能落到二百九十分附近；总分过了、专业课差几分一样进不了复试，且推免与直博占比很高，统考名额有限且每年调整，个别专业某年只招推免生。另外提醒一句：涉及人类样本、临床表型与队列数据的方向须符合伦理审批、知情同意、人类遗传资源管理与数据去标识化要求，受控访问数据须遵守数据使用协议不得超范围使用；涉及病原微生物基因组、毒素与合成序列的方向有专门的生物安全等级与审批要求；涉及实验动物的方向须通过伦理审查并遵守3R原则、麻醉镇痛与人道终点规范；涉及AI生成内容与深度合成的方向须遵守标识与备案要求，以当年招生简章和专业目录的规定为准。
第一条主线取决于你考的是数学、生化、普生还是计算机，我抓的是同一件事：变量、分布与推断。如果考数学，就把高数—线代—概率统计串起来，然后问自己"它在组学数据里长什么样"——矩阵分解与降维（SVD/PCA的几何意义、特征值衰减、群体分层的主轴解释）、最小二乘与正则化（L1/L2的几何差别、稀疏性从哪来、岭回归与lasso的选择）、梯度与凸性、马尔可夫链与隐马尔可夫模型（这是HMM在基因预测、变异检测、谱系推断里的根）、极大似然与贝叶斯（先验选择对后验的影响）、假设检验的功效与效应量、多重检验校正（Bonferroni保守性与BH-FDR的独立性假设）、广义线性模型与负二项分布（计数数据的离散度）、混合模型与随机效应（这是后来一切"批次能不能当随机效应"的根）、溯祖理论的直觉（有效群体大小、分支长度、位点间相关性）；如果考生化与分子，就把中心法则—染色质—表观—调控串起来，然后问"这个生物学事实在数据里留下什么信号、会被什么技术噪声掩盖"——polyA与rRNA去除捕获的RNA集合不同、链特异性决定反义转录本判读、UMI解决PCR重复但不能解决分子内重复、ChIP-seq需要input/IgG对照且peak calling对对照敏感、ATAC-seq的Tn5偏好性与核小体相位、Hi-C的分辨率由有效读段数决定而非总读段数、质谱DDA与DIA的缺失值机制不同；如果考普通生物学，就把分子—细胞—个体—种群层级搭起来，不许只背名词不背判据——同源/直系/旁系怎么分、orthology推断靠什么证据、物种树与基因树为什么可以不一致（不完全谱系分选ILS、基因重复丢失、水平转移）、遗传力与环境影响怎么分、相关性与因果性怎么判；如果考计算机，就把数据结构—算法—系统串起来，然后问"它在序列数据上怎么落地"——哈希与k-mer计数、后缀树/后缀数组与BWT/FM-index（这是所有短序列比对的根）、动态规划与Needleman–Wunsch/Smith–Waterman、BLAST的seed-and-extend与E值含义、de Bruijn图组装与k的选择、图的连通与气泡化解、并查集与聚类、最短路与最小生成树、NP-hard与启发式、时间空间复杂度与外存/并行。这一门最容易丢分的地方恰恰是最基础的：有效数字与误差传递没算、对照组没设（无处理对照、input/IgG、scramble、空载体、同窝对照、技术空白）、把技术重复当生物学重复、把细胞数当样本数、把位点数当n、把拟合优度当机制证明、把相关当因果、把"富集到了通路"当"通路被驱动"、把TPM跨数据集比较、把聚类结果当真实亚型、把N50当组装质量的全部（N50可以被拼接错误和污染人为拉高）。学到负二项模型与离散度收缩那一段我停得最久，因为那是后来一切"这个差异到底是不是噪声"的根；学到溯祖与有效群体大小那一段我又停了一次，因为那是"这个信号是历史还是选择"的分水岭。
第二条主线是计算生物学专业内容，我抓的是"问题—数据—模型—推断—验证"，每一环都问三件事：它的前提假设是什么、它的噪声结构是什么、它不能证明什么。我从结构与计算生物学出发，把序列比对与谱、隐马尔可夫模型与结构域、同源建模、折叠预测类方法的原理与局限（MSA深度与模板依赖、单构象输出、IDP与复合物/配体/PTM处理弱、pLDDT/PAE的正确解读、不能直接给出亲和力与动力学）、蛋白设计与从头生成、分子对接与打分函数的物理近似、分子动力学与自由能计算的收敛判据（FEP/TI/MM-PBSA、采样充分性、力场与水的选择、周期性边界与长程静电）、QM/MM、药效团与QSAR、ADMET预测串起来，每一种都要求能说清它的盲区；进入序列与组学数据分析，把测序原理与错误模式、比对（BWA/minimap2的参数与软裁剪、多映射reads处理）、变异检测（局部重比对、VQSR与硬过滤、CNV读深、SV四类证据、体细胞突变纯度倍性、trio一致性与孟德尔冲突）、定量（featureCounts/HTSeq口径、TPM/CPM/TMM前提）、差异表达（DESeq2/edgeR的size factor与离散度估计、limma-voom、log2FC收缩）、可变剪接PSI口径、WGCNA、单细胞流程（质控阈值、doublet检测、归一化与高变基因选择、批次整合Harmony/CCA、降维UMAP/t-SNE的超参依赖与距离不可比、聚类分辨率任意性、marker多重校正、细胞类型注释的参考依赖、轨迹推断的前提与方向不可识别、RNA velocity的稳态假设、空间转录组的spot混合与去卷积）串起来，永远先问"这个亚群是不是换个整合方法就消失"；进入系统与网络生物学，把PPI与共表达网络的构建与假阳性来源、模块检测算法依赖、贝叶斯网络与因果推断的可识别性边界、通量平衡分析FBA（目标函数设定与解空间退化、影子价格）、动力学建模ODE（参数可辨识性：结构可辨识性与实用可辨识性的区别、敏感性分析、多尺度建模、模型选择的AIC/BIC与过拟合）串起来；进入机器学习与统计学习，把交叉验证的正确嵌套（特征选择、超参调优、离群样本剔除必须在训练折内完成）、类别不平衡与PR-AUC、泄漏的四种形态（样本级、亲属/同个体级、批次级、时间级）、外部验证与独立队列、校准曲线与概率校准、可解释性的陷阱（SHAP值的相关性偏倚、特征共线性、事后解释不等于因果）、深度学习在序列/结构/影像上的应用与泛化风险、不确定性量化（epistemic vs aleatoric）、基准测试的设计（同一批数据反复刷榜、测试集污染、与公开方法的不公平比较）串起来，永远先问"这个数字换了划分种子还成立吗"；进入工程实践与可重复，把Linux/shell、Python/R手写数据处理、SQL、git、conda/singularity/docker、Snakemake/Nextflow/CWL/WDL、随机种子与版本锁定、SLURM与并行、调试与profiling、存储与备份、绘图规范与可重复报告、容器镜像与算力可移植串起来；最后补一块数据库与合规：NCBI/ENA/SRA/GEO、GSA/CNSA/NGDC、dbGaP类受控访问、GTEx/TCGA/ICGC/gnomAD/ClinVar/COSMIC、Ensembl/UCSC、UniProt/PDB/EMDB、KEGG/Reactome/GO/MSigDB、STRING/BioGRID、ChEMBL/DrugBank/PubChem/ZINC、GTDB、MIxS/MINSEQE类标准；知情同意范围与二次使用、去标识化与再识别风险、人类遗传资源出境与材料转移、病原序列共享约定、结果回传与临床可行动变异的报告边界、AI生成内容标识。这门课的易错点不在难题，在单位和基准：bp/kb/Mb与染色体坐标（1-based与0-based口径，BED半开半闭区间，写错一格整段位移）、read length与insert size bp、×覆盖深度（注明平均还是中位）、Q值Phred（Q30=0.1%错误率，per-base）、UMI长度与纠错半径、% mapped、RIN阈值、contig/scaffold N50与L50（必须成对报告）、BUSCO完整度%（注明谱系数据集与版本）、FPKM/TPM/CPM/counts不可混用且TPM不可跨数据集比较、log2(TPM+1)的伪计数选择会改变排序、p值与adj.P/FDR（注明校正方法与层次）、log2FC、效应量与置信区间、n是生物学重复数/个体数而非细胞数/位点数/reads数/技术重复数（嵌套伪重复是本领域最常见的扣分点）、批次/性别/年龄/PMI/取材部位/测序平台作为协变量是否纳入、参考基因组与注释版本必须写明、链特异性、paired-end、dropout率与零膨胀、imputation引入的假相关、聚类分辨率参数、伪时间单位不可比、物种交叉污染、丰度%与相对丰度的总和约束、α/β多样性指数口径、Fst/Tajima's D的窗口大小与步长、LD r²与D′、MAF阈值、HWE p值阈值、λGC、Ne与世代时间、突变率μ的取值来源、dN/dS的模型与多重校正、AUC与PR-AUC在极端不平衡下的解读、校准曲线、运行时间与内存、kcal/mol与kJ/mol（1 kcal/mol≈4.184 kJ/mol，自由能换算错数量级整题悬空）、Å与nm、rmsd Å、Ki/Kd/IC50（必须注明测定体系与温度，三者不可互推）、ΔG=−RTlnK、任何一处写错，整道论述题就悬空。手上功夫不能省：九月起我每周两次三小时限时手写，名词解释按"定义—要点—例子"三段式写，论述题按"问题界定（体系/数据类型/样本量与重复层级/口径）—链条与控制环节（数据生成机制—噪声来源—建模假设）—定量关系与判据前提（公式写清变量、分母与适用条件）—关键设计与对照（必要性：剔除/置换检验；充分性：独立队列/外部验证；独立性：另一种算法或另一种平台交叉）—替代解释（批次与混杂、版本与口径、超参调优、嵌套伪重复、泄漏、离群样本驱动、demographic历史替代解释）—局限与独立验证（湿实验或第三方数据）—生物学与应用意义"写，不许跳步，不许写"显然""众所周知"糊弄自己；错因簿分"概念混淆、层次误用、单位与基准失当、案例失当、计算失误、条件漏检"六类，每周翻一次。真题按考点归类后你会发现，重复出现的那一半就是你的基本盘；同一道题隔两周重做一遍，不看答案，直到能从头写到尾不卡壳——熟练从来不是看懂，是重写。
复试要早准备。总成绩一般按初试折算占一半、复试占一半计算，复试不及格者不予录取；各单位自划线，差异极大且年年波动，单科还有硬杠。我会提前做三件事：一是补初试没考但面试常问的内容，比如方法原理（一个算法测的是什么、前提是什么、主要失效情形是什么：BWT为何省内存、de Bruijn图的k选择与重复序列、N50为何不能单独作为质量指标、BUSCO的谱系集依赖、SV四类证据的互补与盲区、VQSR的训练集依赖、D统计的祖先假设、colocalization与简单重叠的差异、PRS的族群迁移性、imputation的双刃性、Harmony整合可能抹掉真实差异、UMAP距离不可比、FBA目标函数设定的任意性、参数可辨识性的两类区分、pLDDT/PAE的正确解读）、编程与工程（Linux/shell熟练度、Python/R手写数据处理、SQL、git、Snakemake/Nextflow、SLURM、复杂度分析、调试与profiling、绘图规范与可重复报告）、数据来源与可靠性（上述数据库的版本与口径、公开数据集元数据完整性、能否复现一篇论文的figure）、研究设计（科学问题怎么从"差异基因列表"提炼成可检验的时空因果假设、如何区分原发与继发、如何区分技术批次与生物学分组、如何区分真实选择与demographic历史、对照与随机化盲法怎么设、预注册与剔除标准怎么定、样本量与功效怎么算）、伦理与安全；二是养自己的"手感"：读一篇论文先不看结论，问它的n层级够不够、有没有独立队列验证、有没有湿实验或正交平台交叉、不确定性的系统项给了哪些、结论是不是换个参考版本或换个划分种子就反转；三是准备一个自己能讲透的问题（某个信号是批次还是生物学、某个亚群是真实还是算法产物、文献值与实测落差从哪来）。面试时老师最爱问三句：你这个结论依赖什么假设？换一个队列或换一个平台还成立吗？给我一个纯技术的解释（artifact）。接得住这三问，比多刷十套题有用。
四、要不要报班
这件事没有标准答案，但有几个事实最好先弄清楚。第一，盘子小且散，推免和直博占比很高，留给统考的名额有限，且各单位每年调整（有的专业某年只招推免）；第二，分数线年年波动，单科还有硬杠，总分过了、专业课差几分一样进不了复试；第三，这个方向的入口特别容易搞错两层：一层是"计算生物学"作为自设二级学科或自设交叉学科挂在生物学、计算机、基础医学等不同一级学科下，另有交叉学科门类与专硕口径，你必须先确定自己报的是哪个代码、拿的是哪个门类的学位；另一层是机构归属与学籍——部分单位的学籍在合作高校而非国科大，想做结构预测或群体基因组的同学如果按国科大目录复习就全错了。此外还要留意新增交叉学科与专硕科目的年度调整，别拿旧目录来套。如果你本科生物、统计、数学、计算机背景扎实、编程与数理基础好、信息渠道清楚、自律性强，自学完全够；如果你是跨专业（尤其从临床医学、药学、农学、环境、机械、电子转来做计算生物学）、二战，或者连专业代码、科目代码和学籍归属都没核对明白，就别硬扛，找人帮你把节奏排好，省下的是一年时间。
我现在在新祥旭考研担任理工科方向的专业课辅导老师，带的是一对一规划。我会先看你的本科背景、数理与编程基础和可用时间，帮你先厘清该报生物学下的计算生物学，还是计算机科学与技术、软件工程、基础医学等相关方向，或是电子信息、生物与医药等专硕口径，再逐项核对当年的院系所代码、专业目录与报考条件，确认你报的单位第三门考数学二、生物化学与分子生物学还是计算机专业基础、第四门考生物学综合还是数据结构与算法、用什么版本的大纲，然后把公共课与专业课的双线复习表、三轮模考表和复试抢跑计划（含编程与统计补强）一条条排出来。新祥旭考研的全科定制辅导可以按你的基础和时间量身定制方案，公共课和专业课一起安排，不让你在某一门上单独耗掉全部精力。如果你正在备考中国科学院大学计算生物学，或者同校的生物化学与分子生物学（071010）、遗传学（071007）、细胞生物学（071008）、微生物学（071005）、生物物理学（071011）、生物信息学、基因组学、生态学（0713）、计算机科学与技术、软件工程、电子信息、生物与医药、基础医学，欢迎来找我聊聊。
（文中涉及的专业代码、报考条件、初试科目、考试大纲、招生计划、复试办法与分数线等，请以中国科学院大学招生信息网及中国科学院北京基因组研究所（国家生物信息中心）、上海营养与健康研究所、深圳先进技术研究院、昆明动物研究所、微生物研究所、计算技术研究所、自动化研究所、软件研究所、生物物理研究所、分子细胞科学卓越创新中心、遗传与发育生物学研究所、青岛生物能源与过程研究所、天津工业生物技术研究所、大连化学物理研究所、生态环境研究中心等培养单位当年公布的官方文件为准；各单位的研究方向、考试科目、招生规模及学籍归属每年可能调整，报名前请逐项核对。）
