박사 학위 또는 포닥을 Bioinformatics/Computational Biology로 해야하는 탑 N 가지 이유

원제: Top N Reasons To Do A Ph.D. or Post-Doc in Bioinformatics/Computational Biology

== 박사 학위 또는 포닥을 Bioinformatics/Computational Biology로 해야하는 탑 N 가지 이유 ==

0. 컴퓨팅은 21세기 생물학의 가장 중요한 기술입니다.

시간이 점차 흐를 수록, 생물학은 점점 더 양적인 과학이 되어가고 있습니다. 지난 3세기 간 생물학은 관찰의 과학에서 실험의 과학으로, 그리고 데이터 과학으로 변화되었습니다. 가장 밑에 있는 과일들이 먼저 따이듣이, 관찰과 실험으로 발견 할 수 있는 과일들은 벌써 따였고, 그로인해 새로운 발견을 하기가 점점 어려워지고 있습니다. 향후 새로운 발견에는 큰 데이터세트와 고급 분석 방법을 사용하는 것이 필요로 합니다. 하지만 빅 데이터와 복잡한 모델은 computational skill을 필요로 합니다. 앞으로 이러한 현실을 피할 수 있는 방법은 없습니다.

분자생물학의 선구자이자 노벨상 수상자인 Walter Gilbert는 생물학의 앞으로 20년의 미래에 대해 이러한 말을 했습니다. 

"To use this flood of [sequence] knowledge, which will pour across the computer networks of the world, biologists not only must become computer literate, but also change their approach to the problem of understanding life."

또 다른 분자생물학의 선구자이자 노벨상 수상자인  Sydney Brenner는 몇년 동안 이 이슈에 대해서 이렇게 주장하였습니다.

"I spent many hours persuading people that computing was not only going to be the essential tool for biological research but would also provide models for analyzing complexity…The development of sequencing techniques and their widespread application has generated enormous databases of information, and the need for computers is no longer questioned"

1. Computational skill은 더 다양한 곳에 적용할 수 있습니다.

현실을 직시해 봅시다. 생물학이란 분야에서 모든 Ph.D.와  포닥이 아카데믹 리서치 쪽의 커리어를 갖지 못합니다. 최근 워싱턴 포스트의 리포트에 의하면 생명과학 또는 생물학 분야의 박사 오직 14%만 5년 이내에 정말로 누구나 탐내는 아카데믹 위치에 간다고 합니다. 그러므로 만약에 당신의 박사 또는 포닥 과정때 받은 모든 트레이닝이 아카데믹 분야 밖에서 쓰여지게 된다면, 가장 넓게 적용 될 수 있는 스킬을 획득하는게 어떨까요? 실험 스킬들은 거의 생물학 또는 의학 분야에서의 연구실에서만 사용될 수 있습니다. 반면에 Computational skill은 이 분야를 넘어서, (생물)과학 외 더 넓은 시장에서 사용될 수 있습니다. 당신의 컴퓨터 기술을 늘리는 것은 단지 직업만 찾을 기회를 주는 것이 아닙니다. 컴퓨터가 어떻게 작동하는지에 대한 깊은 생각과 매일 상호작용하여 숙달된다면 컴퓨터는 당신의 삶에 또 다른 혜택을 줄 것 입니다.

2. 컴퓨팅은 당신의 핵심 과학적 능력을 발전시키는데 도움이 됩니다.

생물학은 본질적으로 혼란스러운 학문입니다. 일부 생물학자들이 좋은 실험 설계 및 통계 분석을 통해 이 어지러움을 극복하는 방법을 훈련하지만, 대부분의 생물학자들은 데이터 수집 및 분석에 대해서는 나쁜 습관을 가지고 있다고 합니다. 컴퓨팅은 사람이 임시방편적인 방법으로 할 수 있는 과학을 직면하게 해줄 수 있고, 그러므로 중요한 과학적인 능력들을 터득할 수 있게 해줍니다. 이런 능력에는 논리적인 실험 설계, 지속적인 데이터 수집, 재생 가능한 방법의 개발, 적절한 통계 방법을 사용하여 데이터를 분석하는 것이 있습니다. 그래도 당신이 벤치 또는 필드를 떠나야 하는 것에 대해 확신이 안선다면, 컴퓨터를 교육을 받아서 실험 능력을 향상시키는 과학적인 모범 사례를 개발합니다.!

3. Ph.D.와 포닥과정을 사용하여 새로운 능력을 계발해야 합니다.

대부분의 생물학자들은 고등학교 및 학부생 때 배운 실험 기술들을 가지고 박사과정에 진학합니다. 아마도 이런 기술들은 가장 첨단적인 것이 아닐 수 있고, 당신이 실험 기술을 연마하기 위해 첨단 연구를 수행하고 있지도 않을 것 입니다. 그럼에도 불구하고 당신은 박사과정에 들어오기까지 많은 훈련들을 받아왔습니다. 반면에 과학적인 컴퓨팅 기술은 엑셀을 사용하는 방법과 GUI 바탕의 통계 패키지 사용법만 배웠을 것 입니다. 그러므로 당신의 박사 및 포닥 과정을 여태까지 가지고 있던 기술들을 발전시키는 것 뿐만 아니라, 새로운 것을 배우는데 써야합니다.

저자의 생각은 Computational biology를 연마하는데 가장 최적의 시간은 박사과정이고, 마지막 기회는 포닥이라고 합니다. 그 이유는 박사과정 동안은 시간이 있고, 안정적인 재원을 지원받고, 사무구조가 당신을 보호해 주고 있기 때문입니다. Computational skill을 훈련하는데 포닥도 좋은 선택입니다. 하지만 짧은 계약기간, PI에 대한 큰 의존성, 논문 출판에 대한 높은 기대는 당신이 박사과정 때 처럼 시간이 많다는 것을 의미하지 않습니다. 그래서 저자는 좋은 PI를 찾아가라고 말합니다.

4. 당신은 생물학에 대한 더 특별한 능력을 계발 할 수 있습니다.

위에서 말씀 드렸다 시피, 대부분의 생물학자들은 실험적인 훈련들은 받았지만, 진보된 컴퓨터 훈련을 받은 사람은 아직 소수 입니다. 이것이 (고맙게도!) 변하는 동안, 당신이 코드를 짤 수 있다면 적어도 10년 동안은 post-genomic 시대의 생물학에서 경쟁적으로 우위를 차지할 수 있습니다. 그리고 당신이 다른 사람들이 낼 수 없는 결과를 낼 수 있고, 더하여 무리 중에서 당신을 돋보이게 할 수 있는 능력을 가지고 있음으로, 고용시장에서 당신은 더욱 더 경쟁력을 가질 수 있습니다.

5. 당신은 더 많은 수의 논문을 출판 할 것 입니다.

항상 그렇다고 느끼는 것은 아니지만, 박사과정과 포닥은 진짜 빨리 지나갑니다. 그러므로 당신은 시실패하는 실험으로 꾸물거릴 수 있는 시간이 별로 없습니다. 그러나 오해하지 마십시요, Computational biology도  실패한 실험 만큼 혹은 보다 더 실패를 안겨다 줍니다. 하지만 결정적으로 실패는 weeks/month 단위가 아닌 hours/day 단위로 생깁니다. 그러므로 당신에게 다른 일에 더 빨리 착수 할 수 있도록 해줍니다. 결과적으로 Computational biology로 인해 당신이 시간적으로 더 많은 논문을 출판 할 수 있다는 것 입니다. 당신은 아마도 실험 논문이 더 어렵기 때문에 그 만큼 가치가 더 있을 것이라고 생각 할 수 있지만, 출판은 아직 과학계에서 주화로 남아 있습니다.

게다가 교수임용위원회의 속담같이 내려오는 말 "읽지는 못하더라도 셀 수는 있다"는 아직도 유효합니다. 더 심각하게 말하자면, 고용주 또는 펀딩 에이젼시가 연구원에게 바라는 것은 좋은 아이디어가 있는지와 그 아이디어를 성취할 수 있는지 입니다. 논문의 출판은 당신이 프로젝트를 끝낼 수 있다는 중요한 증거입니다. 그러므로 Computational biology는 당신이 다른 사람 보다 좀 더 빨리 과학계에서 성공 할 수 있게 해줄 수 있습니다.

6. 당신은 당신의 연구에 좀 더 융통성을 가질 수 있습니다.

저자가 말하는 Computational biologist의 가장 좋은 점은 실험 생물학을 할 때 보다 좀 더 자유롭다는 것 입니다. 당신은 컴퓨터 분석으로 가능한 모든 일을 할 수 있습니다. 이런 일은 범위가 Computational Neuroscience에서 부터 Theoretical Ecology 그리고 그 사이에 있는 모든 것 까지 엄청나게 광범위 합니다. 그리고 당신이 특정 실험 테크닉과 잘 연계 한다면 이 토픽에서 저 토픽으로 좀 더 자유롭게 넘어다닐 수 있습니다. 이러한 범위의 융통성은 당신의 지적인 호기심을 충족 시켜 주거나 최신 유행을 따라갈 수 있게 해줍니다. 초보 연구자에게 있어 가장 중요한 점은 Computational biology를 통해 얻는 융통성이 커리어 초기에서 부터 자신의 연구 프로그램을 계발하고, 이것으로 PI에게 다가갈 수 있다는 것 입니다. 이것은 당신이 커리어 초기에서 부터 독자적인 프로젝트를 맡아서 한 경험을 늘려주기 때문에, 나중에 당신이 성공할 확률을 더 욱더 높혀 주기에 아주 중요합니다.

7. 일에 방법에 있어서 좀 더 자유로울 수 있습니다.

일과 삶의 균형에서 Computational biology는 많은 이점들이 있습니다. 그러나 꽤 높은 생산성을 계속해서 유지해야 합니다. 실험실에 묶여있는 것과는 다르게, Computational biology는 거의 아무대서나 할 수 있을 뿐더러, 재택근무도 가능 합니다. 장시간 동안 이런 일에 대한 융통성은 당신의 커리어를 잘 수용할 수 있도록 도와줄 것이고, 삶의 어려운 시기를 헤쳐나갈 수 있게 해줄 뿐 만 아니라, 가족을 만드는 것 같이 인생의 큰 결정을 쉽게 할 수 있도록 해 줄 것 입니다. 시약을 뒤지거나 세포를 걷으러 실험실로 달려가는 것을 당신의 삶에 융합시키는 것 보다 코딩과 프로그램 돌리는 것을 당신의 삶에 융합하는 것이 훨씬 더 쉬울 것 입니다. 저자가 여기서 분명히 말하고자 합니다: 만약에 당신이 아카데믹한 생물학 분야의 커리어와 가족을 동시에 갖고 싶다면, 당신이 실험실에 갖혀 있는 것 보다 Computational biology를 박사과정 또는 포닥 때 하는 것이 위에 목표를 이루는데 훨씬 도움이 될 것입니다. 이것은 여성에게도 적용 됩니다. 밑에 글을 보십시요. 

8. Computational research는 비용효과가 큽니다. 

현재 공개적으로 사용할 수 있는 데이터가 너무 많기 때문에 Computational biology연구는 큰 예산 소모를 요구하는 실험보다 비용이 더 적게 듭니다. 이것은 몇 가지 이유 때문에 중요 합니다. 첫 번째로 Computational biology는 펀딩에 좀 덜 의존적 입니다. 그러므로 펀드를 따오기 위해서 지나친 시간을 낭비하지 않아도 됩니다. 당신은 그냥 하고 싶은 과학을 하면 되는 것 입니다. 이것은 지금 같이 현대의 경제 시대에 매우 중요합니다. 위에서 말했다 시피, Computational biology의 적은 비용은 자신의 연구를 이른 커리어에서 디자인 할 수 있도록 해줍니다. 비용효과는 당신이 새로운 연구실을 꾸렸을 때와 지속적으로 같은 생산성을 유지하는데도 중요합니다. 마지막으로 Computational biology의 비용효과는 과학 경제 도상 국가의 연구자와 부유국의 연구자를 동등한 입장에 서게 해줍니다. 저자가 멋대로 판단을 내린 것에 사과를 하지만 제한된 예산을 가지고 있는 개발도상국가의 연구자들은 세계적으로 톱 클래스가 되기 위해서 Computational biology를 선택하는 것을 숙고해야 한다고 합니다.

*[저의 생각으로, 만약에 간단한 분석을 한다면 wet lab 시약 및 장비 비용에 비해 dry lab이 돈이 좀 더 적게 들겠지만, 좋은 연구를 위해서 서버를 구축을 하기 시작한다면 dry lab도 만만치 않은 비용이 들어간다고 생각합니다. 많은 사람들이 "컴퓨터 한대만 있으면 쉽게 할 수 있는거 아니야?" 라고 생각하겠지만 제가 프로그램을 돌려본 결과 더 큰 메모리와 더 좋은 연산장치가 필요합니다.] 

9. 성공한 과학자는 마지막에 오피스로 귀결 됩니다.

만약에 당신이 성공하고 그렇게 갈망하던 PI 위치에 오른다면, 당신은 마침내 오피스 안에서 생활하게 됩니다. 몇몇의 용감한 영혼들은 실험실로 찾아가 실험을 할 것 이지만, 이것은 매우 드문 상황입니다. 사실 성공한 아카데믹 연구자의 토착 서식지는 사무실의 컴퓨터 앞에 의자 입니다. 당신이 물론 오피스안에서 wet lab과 필드 일을 할 수 는 없지만, 책상에 앉아 Computational biology 연구는 할 수 있습니다. 가장 많이 인용이된 bioinformatian인 Webb Miller가 말했듣이 자신의 연구를 계속하는 것은 당신의 긴 커리어의 여행에서 당신이 하는 일에 계속 동기 부여를 할 수 있는 가장 좋은 방법 중 하나입니다. 기억하십시요, 당신의 장기 목표는 "Principal Investigator(연구 책임자)"가  되는 것이지 "In Principle Investigator(원칙적 연구자)"가 되는 것이 아닙니다. 그러므로 당신이 아직 젊고 연구에 뜻이 있다면 한번 질문 해 보십시요: 당신 연구실의 다른 누군가가 모든 발견을 하는데 재미를 보는 동안 당신은 왜 대부분의 커리어에서 쓰지 않을 기술을 훈련 받으시나요?

10. [당신은 왜 이 리스트가 숫자 0에서 부터 시작하는 지 알아야 합니다.]

저자가 이 글을 쓴 이유는 Computational biology를 하면서 얻는 유익함에 대하여 토론을 하고자 였습니다. 저자가 이 리스트를 Top 10 리스트로 만들지 않고  Top N 리스트로 만든 이유는 또 다른 좋은 의견을 계속해서 추가 하기 위함입니다.

출처: http://caseybergman.wordpress.com/2012/07/31/top-n-reasons-to-do-a-ph-d-or-post-doc-in-bioinformaticscomputational-biology/