數(shù)據(jù)分析我做主 程序設計工具成科學家得力幫手

多年來，遺傳學家Helene Royo使用商業(yè)軟件分析自己的研究數(shù)據(jù)。她將DNA從發(fā)育中的小鼠精子里提取出來，送去分析，然后利用名為GeneSpring的軟件研究結(jié)論。“作為一個科學家，我希望能理解自己做的任何東西?！彼f，“但這類分析不允許這樣：我只是按個按鈕，并得到答案?！钡S著Royo比較不同染色體基因活性的研究日益復雜，她意識到商業(yè)工具已無法滿足她的數(shù)據(jù)處理需求。

　　之后，Royo有了一個選擇：將基因序列發(fā)給專家或自己學著分析數(shù)據(jù)。她決定冒險一試，并開始學習如何用免費的開源軟件包R解析數(shù)據(jù)。它幫助Royo所在的瑞士巴塞爾弗雷德里希米歇爾研究所生物醫(yī)學研究中心在軟件上運行了常規(guī)課程。但她還沿行著一個更寬廣的趨勢：對于那些嘗試放棄使用商業(yè)軟件的學者而言，R是可供選擇的數(shù)據(jù)分析工具。

　　除了免費外，R受歡迎的部分原因是它對不同使用者呈現(xiàn)不同面貌。首先，它是一種編程語言，要求經(jīng)由命令行輸入，這似乎禁止非編碼者使用。但初學者能夠調(diào)用預先設置的軟件包，其中包含了已經(jīng)做好的統(tǒng)計分析和數(shù)據(jù)可視化命令?！癛非常簡單，它能為我做任何事。”Royo說。

　　而這也是R的開發(fā)者在上世紀90年代研發(fā)該軟件包的初衷。新西蘭奧克蘭大學統(tǒng)計學家Ross Ihaka和Robert Gentleman對計算機十分感興趣，但是缺乏需要的實際軟件。因此，他們開發(fā)了一種能執(zhí)行自己需要的數(shù)據(jù)分析的編程語言。R正是取自開發(fā)者名字的首字母。

　　在互聯(lián)網(wǎng)興起之初，R迅速吸引了全世界需要統(tǒng)計軟件和樂于貢獻點子的科學家的興趣。Gentleman和Ihaka決定公開他們的源代碼，而編碼專家迅速開發(fā)出針對特定領域的預編程程序和命令?！拔夷軐懗鎏煳膶W領域的人適合使用的軟件。但如果是天文學者為同領域的其他人寫軟件會更好?！盙entleman說。

　　荷蘭皇家海洋研究所海洋學家Karline Soetaert也同意該觀點。2008年，她計劃檢查斯凱爾特河河口附近浮游生物的健康情況。Soetaert想要使用沿河收集的數(shù)據(jù)計算浮游動物的死亡速度，但R無法做到。為了解決該問題，她與兩位生態(tài)學家開發(fā)了deSolve——寫入R的首個程序包，以解決微分方程。她提到：“其他軟件也能計算，但卻昂貴且是閉源的。”現(xiàn)在，流行病學家也使用deSolve模擬傳染性疾病，基因?qū)W家用它研究基因調(diào)控網(wǎng)絡，藥物開發(fā)者則將其用于藥物代謝動力學。

　　到2003年，R首次發(fā)布10年之后，科學家已經(jīng)開發(fā)出超過200個程序包，而且有關“R項目”的首個引用出現(xiàn)?，F(xiàn)在，已經(jīng)出現(xiàn)了針對各種專業(yè)的近6000個數(shù)據(jù)包。它們幫助科學家比較人類和尼安德特人基因組、建模人口增長、預言股票價格等。專家能使用R繪制手稿，他們可以嵌入源代碼，通過knitr編譯直接生成一份報告。2013年，在愛思唯爾的斯高帕斯數(shù)據(jù)庫索引的科學文章里，有近1%援引了R或其中一個數(shù)據(jù)包，而在農(nóng)業(yè)和環(huán)境科學領域，這個比例更高。

　　對于許多使用者而言，R作為統(tǒng)計學軟件的質(zhì)量十分引人注目。美國田納西州大學統(tǒng)計學家Robert Muenchen表示，該工具與SPSS和SAS等商業(yè)數(shù)據(jù)包一樣。在過去10年中，R已經(jīng)趕上并超過了市場領導者?！按蟾旁?014年夏天，R已經(jīng)變成了使用量首屈一指的統(tǒng)計學程序包?！彼f。

　　在基因組學和分子生物學領域，一個名為Bioconductor的軟件項目緊隨R之后。它能幫科學家處理和比較龐大的基因序列，利用基因表達綜合數(shù)據(jù)庫等數(shù)據(jù)庫查詢結(jié)果以及上傳數(shù)據(jù)到數(shù)據(jù)庫。它包含近1000個程序包，其中一些能幫助將新一代測序?qū)嶒灥贸龅臄?shù)百萬DNA片段與有注解的基因相連。

　隨著對R的鉆研，Royo接受了密集訓練：在弗雷德里希米歇爾研究所生物信息學部負責人Michael Stadler的監(jiān)督下，她花費了約半年時間研究R和Bioconductor。伯克利數(shù)據(jù)科學研究所生態(tài)學家Karthik Ram表示，現(xiàn)在有足夠的機會去學習R。Ram主動幫助科學家學習和開發(fā)R。他和同事免費提供培訓課程，不需要任何現(xiàn)有編程技巧，并能針對科學家的特殊問題。

　　加州圣地亞哥州立大學生態(tài)學家Megan Jennings接受了相關培訓。她追蹤山貓、美洲獅和其他野生動物，以理解它們的行為。最終，36臺相機在1年時間里拍攝了40多萬張時間標記照片。最初，她手動選擇出想要的照片，并將它們輸入一個名為PRESENCE的黑匣子程序。但在Ram的幫助下，她寫出了一個能夠讀出標記照片的R程序包，并對照片進行精簡，然后將自定義數(shù)據(jù)子合集發(fā)送到R預先存在的模型程序包中?！爸拔乙獎邮痔魭?個小時的照片，而現(xiàn)在只需要做5分鐘。”Jennings說。

　　另外，R的一個最偉大之處就是它的在線服務。Muenchen表示，有關R的討論區(qū)遠超針對其他商業(yè)統(tǒng)計軟件的在線提問。“這種情況十分常見，一個人發(fā)布了一個問題，然后其他人在半小時內(nèi)開發(fā)出程序包來回答?！彼f。這樣的快速反應對基礎研究領域的科學家非常重要?！拔?guī)缀跄茉诰€找到任何問題的答案。” Royo說。

　　但與其他技能一樣，學習R并非一夕之功。但Jennings表示，它值得學習?！皩⑺鳛橐环N投入：為了之后的節(jié)省時間和構(gòu)建解決多種問題的技巧。