博客 / 科研

本科生怎样用公开数据做一个真实的小研究?计算生物和 AI 方向入门

没进组、没经费,本科生怎样用公开数据做一个真实的小研究:五份材料的共识,加一个六步做法和选题表。

简短回答

本科生用公开数据做一个真实的小研究,关键是做小:选一篇数据公开的论文,下载前先读元数据,先复现论文里的一个结果,再问一个原文没回答的问题;每一步都留下可以重跑的记录,最后请一位有经验的人检查。公开发表的课程报告显示,本科生用公开的微生物组数据确实做得出这样的研究。

本科生怎样用公开数据做一个真实的小研究?

没进组、没经费、没有测序仪,但你有一台电脑,而大量科研数据是公开的。在计算生物和机器学习这两个方向,这已经够做一个真实的小研究:有问题、有方法、有一个你能辩护的结果。

这篇文章综合了五份材料。两份中文材料讲的是"数据从哪来、怎么用才合规":国务院办公厅 2018 年印发的《科学数据管理办法》,以及国家基因组科学数据中心的组学原始数据归档库(GSA)页面。三份英文材料讲的是"怎么做":Oza 等人 2023 年发表的使用公开生物数据的十条规则,不列颠哥伦比亚大学 Sun 等人 2022 年的本科课程报告,以及 Andrej Karpathy 2019 年的文章《训练神经网络的方法》。说明一点:我们没有找到专门写给本科生、讲怎样独立用公开数据做研究的中文非机构文章,所以"怎么做"的部分主要依据英文材料。

共识一:新的发现不一定需要新的数据

十条规则那篇论文开头就说,公开数据可以用来验证结论、提出新问题、产生假设,新研究并不总是需要新数据。不列颠哥伦比亚大学的课程把这件事放到了本科生身上:三到四人一组,用 16 周时间分析公开的微生物组数据,提出原论文没有回答的问题,工具是 QIIME 2 和 R。

数据确实拿得到。《科学数据管理办法》第十九条规定,政府预算资金资助形成的科学数据,按"开放为常态、不开放为例外"的原则开放共享。国家基因组科学数据中心的 GSA 页面说明,它是组学原始数据汇交、存储、管理与共享的系统,并整合了国际同类数据库的数据,可以统一检索和下载。

共识二:数据决定你能问什么,先读元数据

十条规则要求在下载之前先看元数据:样本是什么、怎么采集的、有多少、分了哪些组。课程报告里,老师挑数据集看三点:有没有原文没充分分析的变量,数据是否完整,测序质量够不够;变量越多,能支持的问题就越多。

这对选题的含义很直接:不要先想一个宏大的问题再去找数据,而是先看一个数据集里有什么,再问它答得了的问题。

共识三:先看数据、先做最简单的版本

Karpathy 的第一步是在写任何模型代码之前,亲手检查数据:重复样本、错误标签、类别不平衡。第二步是先搭一个不容易出错的简单基线。选模型时,他的建议是别逞英雄:找到最相关的那篇论文,照搬其中最简单、能跑通的做法。十条规则在生物数据上说的是同一件事:先做分布检查和探索性分析,看有没有混杂因素。

共识四:用了别人的数据,要守规则、要注明

《办法》第二十三条要求使用者遵守知识产权规定,在论文发表等工作中注明所使用和引用的科学数据;第二十五条规定,涉及个人隐私等的数据不得对外开放共享。十条规则同样提醒:开放数据可以自由下载,但仍应致谢和引用;有些数据带许可条款或限制期,人类受控数据需要正式申请。GSA 页面也把人类遗传资源数据单独列出。

对第一个项目,我们的建议是只用公开、已去标识的数据,并记下数据编号、数据库版本和下载日期。

材料没说到的地方

课程报告讲的不是一个人单干。那门课有老师、有分阶段的指导和反馈;作者还写到,他们从本地研究者那里只找到一个可用的数据集,最后专门请助教去整理已发表的数据。找到一个能用的数据集本身就要花时间。

十条规则是写给研究者的,全文没有提到学生,却明确要求团队里有人具备解读数据的方法学能力。这是"不进组也能做科研"这句话里必须说清的缺口:分析可以自己做,但检查不能只靠自己。

另外,这五份材料都没有说保研或申请时老师怎样看待一个自己做的公开数据项目,Karpathy 的文章讲的是训练神经网络,而不是怎么选研究问题。

一个人的六步做法

下面是我们根据上述共识整理的做法,按一个学生六到八周的量设计,请当作建议而不是定论。

  1. 从一篇论文出发,而不是从数据库出发。 选一篇你大致读得懂、数据公开的近期论文。生物方向通常在方法部分有数据编号;机器学习方向通常是公开基准数据集。
  2. 下载前先读元数据。 列出变量、每组样本数,以及论文测了却几乎没讨论的内容。
  3. 复现一张图或一个数字。 对不上就找原因,这个差距往往是最有收获的部分。
  4. 问一个数据答得了的新问题。 参考下表。
  5. 先写下判断标准,再看结果。 一句话:什么结果算"是",什么结果算"否";然后配一个简单基线或对照去跑。
  6. 写四页,并请人检查。 问题、数据、方法、结果、局限;代码放进公开仓库,脚本做版本管理,记下随机种子,保留每张图背后的数据。请一位研究生、任课老师或研究者读一遍。
问题类型例子为什么适合第一个项目
结论在另一组数据上成立吗?在另一个公开队列上重做论文的比较答案明确,方法现成
更简单的方法行不行?用线性模型对比论文里的深度模型逼你做基线,"不行"也是结果
没被分析的变量有影响吗?论文收集了却没分析的一个元数据字段用到了这个数据集独有的东西
换一种处理,结论还在吗?换归一化方式、数据划分或随机种子看清结果有多稳

负结果也是正当的结局。"更简单的模型没有达到论文的效果,证据如下",只要每一步都能重跑,就是一个真实的发现。

星弧的科研合作与此的关系

用公开数据做小研究是你自己就能开始的事,它也让你在向别人争取机会时有具体的东西可看。星弧的科研合作是另一种经历:加入一位研究者手上真正在做的课题。只有导师确实还能多带一个人时才开放名额,先做一个简短的试做任务,再事先约定一个阶段目标,从不承诺发表。其他问题见常见问题。

一句话版本

一篇论文、一个数据集、复现一个结果、问一个新问题、留一份能重跑的记录、请一个人检查。小没关系,但必须是你自己做的,而且别人能重跑。

相关问题

没有进组、没有导师,能用公开数据做科研吗?

能开始。开放的数据库任何人都可以下载。但一篇讲公开生物数据复用的论文提醒,团队里要有人具备解读数据的方法学能力,所以分析可以自己做,结果一定要请一位有经验的人检查。

公开数据那么多,该选哪一个?

不列颠哥伦比亚大学一门课程挑数据集看三点:有原文没充分分析的变量、数据完整(论文里提到的样本都在)、数据质量够。从一篇你读得懂的论文出发,而不是从最大的数据集出发。

用公开数据要注意什么规则?

国务院办公厅 2018 年印发的《科学数据管理办法》第二十三条要求,使用者遵守知识产权规定,在论文发表等工作中注明所使用和引用的科学数据。涉及个人隐私的数据不属于开放范围,第一个项目请只用公开、已去标识的数据。

这样的小研究对保研或申请有用吗?

我们读到的材料都没有回答老师会怎样评价它。它的用处在于:你有一段能讲清楚问题、方法和结果的真实工作,套磁或面试时拿得出来。不要指望它本身保证任何结果。

想要真实的科研经历?

科研合作名额很少,也从不承诺论文,但它是真实的研究。

了解科研合作 申请

最后更新: 2026-11-19. 星弧团队撰写。文中引用的规则来自我们的运作方式页面;规则变化时本文会同步更新。

更多问题

申请 · 联系我们

添加微信报名

星弧微信二维码

用微信「扫一扫」添加,或搜索微信号

Theylookatme

添加时请备注想申请的项目:一人公司计划或科研合作。

也可以用 WhatsApp:+86 185 1565 2879