看到了一个蛮有意思的讨论：

每个人的追求不一样

如果是追求在学术界出人头地仅仅是靠娴熟的实验技术或者数据分析技术肯定是不行的， 如果为的就是养家糊口那么精讲自己的技术才是安身立命的根本哈。

或许技术和思想都不重要

我看了看目前的绝大部分CNS级别科研成果，都是通过合作促成的大计划，经费在燃烧，所以或许技术和思想都不重要，资源和人脉才是重点。
当然了，如果你要说科研界的皇冠：诺贝尔奖，那可能确实是靠思想，但是并不适用于绝大部分科研工作者哦！

又或者技术和思想都是随大流而已

绝大部分人的生物信息学技术无法就是多组学数据处理，包括单细胞等等，再怎么强调生物信息学数据分析学习过程的计算机基础知识的打磨都不为过，我把它粗略的分成基于R语言的统计可视化，以及基于Linux的NGS数据处理：

• 《生信分析人员如何系统入门R(2019更新版)》
• 《生信分析人员如何系统入门Linux(2019更新版)》
  绝大部分人的生物信息学思想无非就是粗浅的统计学，看看相关性，看看差异。如果是急功近利一点就是通过各种手段把范围缩小，各种数据挖掘文章本质上都是要把目标基因集缩小，比如表达量矩阵通常是2万多个蛋白编码基因，不管是表达芯片还是RNA-seq测序的，采用何种程度的差异分析，最后都还有成百上千个目标基因。如果是临床队列，通常是会跟生存分析进行交集，或者多个数据集差异结果的交集，比如：多个数据集整合神器-RobustRankAggreg包 ，这样的基因集就是100个以内的数量了，但是仍然有缩小的空间，比如lasso等统计学算法，最后搞成10个左右的基因组成signature即可顺利发表。虽然说数据挖掘的核心就是把基因集的数量搞小，但是实际上大家都只是在自己的数据集上面自圆其说而已。