生信分析工程师面试高频题（Interview FAQ）¶
一句话说明¶
本文件汇总生信分析工程师面试最常见的问题，结合彭文强在百迈客的实习经历和个人宏基因组项目，组织标准答案。所有答案口语化，像在面试中说话的风格。
第一部分：自我介绍与项目讲解¶
★ 请做一下自我介绍（1分钟版）¶
面试官您好，我是彭文强，赣南医科大学2026届本科毕业生，专业是生物信息学。
我在北京百迈客实习了大约5个月，在微生物技术部做生信分析实习生，主要参与宏基因组、16S多样性、细菌基因组的分析项目，累计完成了148项以上的分析任务，涉及质控、物种注释、功能注释、binning分析、报告定制等。
在实习之外，我还独立搭建了一套肠道宏基因组分析流程，从FastQC质控到fastp清洗、Bowtie2去宿主、Kraken2物种注释，最后到多样性分析。我比较注重流程的可复现性，配套了environment.yml环境锁定、software_versions.txt版本记录，还有15个带中文注释的分析脚本。
我对生信分析工程师岗位很感兴趣，希望能把实习和项目中积累的实践经验应用到实际工作中。谢谢。
要点提醒： - 控制在1分钟内（约200字口语） - 突出三个核心信息：百迈客实习 + 独立项目 + 可复现性 - 说话不要太快，关键词稍微停顿
★ 详细介绍你的宏基因组项目¶
背景：我在完成百迈客实习后，想把学到的东西整合起来，就用公共数据独立搭建了一套肠道宏基因组分析流程。
流程：整个流程从FASTQ文件开始，分6个主要步骤： 1. 先用md5sum校验数据完整性 2. FastQC + MultiQC做原始数据质量评估 3. fastp做reads清洗，设置Q20质量过滤和50bp最短长度 4. Bowtie2比对人类参考基因组去除宿主序列 5. Kraken2 + Bracken做物种分类注释 6. 最后用Python做Shannon多样性指数和Bray-Curtis距离计算
关键结果：在种级别鉴定出5个主要物种。疾病组的Shannon指数是1.11，低于健康组的1.46，说明疾病组的菌群多样性降低。大肠杆菌（E. coli）的相对丰度从42%上升到57%。Bray-Curtis距离是0.20，两组菌群组成存在差异。
遇到的问题： - fastp参数调整：一开始用默认参数，后来发现Q20+50bp的设置更适合宏基因组数据 - Kraken2的confidence参数：默认0.0会有很多假阳性，调到0.2后结果更可靠 - Bowtie2去宿主比对率的理解：人肠道样本通常有5-30%的宿主DNA
可复现性：我写了15个编号的Shell脚本，每个脚本都有中文注释，加了
set -euo pipefail错误处理。配套environment.yml锁定所有软件版本，还有software_versions.txt记录。一条bash run_all.sh命令就能从头复现整个分析。学到了什么：这个项目让我从"会用单个工具"提升到"能搭建完整流程"，也更深入理解了每一步的原理和参数选择的依据。
★ 你在百迈客实习做了什么？¶
我在百迈客微生物技术部实习，主要做宏基因组、16S多样性、细菌基因组三类项目的生产交付。
具体来说：
宏基因组分析：通过公司的云平台和线下脚本执行全流程分析，包括binning、物种注释、功能注释（CAZy、KEGG、VFDB、ResFinder等数据库），处理的数据量从15G到40G不等。
16S/ITS多样性分析：做ASV/OTU分析、alpha和beta多样性、LEfSe差异分析，还有物种丰度柱状图、弦图等可视化。
细菌基因组：完成二代和三代（ONT）的细菌完成图分析、ANI分析、SV/CNV变异检测。
数据质控和问题处理：做过污染验证核查、QC异常排查（比如混数据、样本需要重分析），还有流程报错的定位和修复。
报告定制：根据客户需求定制分析报告，参与外审交付。
一共完成了148项以上的分析任务。这段实习让我接触了真实的生产环境，学会了批量处理和问题排查。
第二部分：技术基础题（20题）¶
1. ★ 请介绍一下宏基因组的分析流程¶
参考答案：宏基因组分析的标准流程是： 1. 数据质控：FastQC评估原始数据质量 → fastp过滤低质量reads和接头 2. 去宿主：用Bowtie2比对宿主参考基因组，去除宿主DNA 3. 物种注释：Kraken2做物种分类，Bracken校正丰度估计 4. 功能注释：比对KEGG、CAZy、VFDB等功能数据库 5. 多样性分析：alpha多样性（Shannon、Chao1）和beta多样性（Bray-Curtis、PCoA） 6. 差异分析：LEfSe、DESeq2等找组间差异物种
💡 加分回答：在我的个人项目中，我完整搭建了前5步的流程（FastQC → fastp → Bowtie2 → Kraken2/Bracken → 多样性分析）。在百迈客实习时还涉及了binning和多种功能注释数据库。
2. ★ 为什么要做质量控制？¶
参考答案：质量控制的目的是去除低质量数据，提高下游分析的准确性。具体来说： - 低质量碱基（Q值低）会导致错误的比对和注释 - 接头序列（adapter）是人工加的，不是样本本身的序列 - 短片段（太短的reads）比对时容易产生假阳性 - 重复序列（PCR duplicates）会夸大某些序列的丰度
常用工具：FastQC看质量报告，fastp做过滤（Q20质量 + 50bp最短长度是常用参数）。
💡 加分回答：在实习中做QC异常排查时，我遇到过混数据的情况——两个样本的物种组成异常相似，排查后发现是样本标签贴错了，需要重新提取数据。这让我体会到QC不仅是软件过滤，还包括人工检查数据合理性。
3. ★ 去宿主的目的是什么？¶
参考答案：宏基因组测序的目标是分析微生物的DNA，但样本中不可避免地会混入宿主DNA（比如人肠道样本会有人的DNA）。如果不去除宿主序列： - 浪费测序数据（宿主DNA可能占5%-30%甚至更多） - 影响物种注释准确性（宿主序列可能被错误注释为微生物） - 浪费计算资源
方法：用Bowtie2将reads比对到宿主参考基因组（如人类GRCh38），保留未比对上的reads（即微生物reads），用
--un-conc-gz参数提取。💡 加分回答：在我的项目中，去宿主步骤的比对率大约在15%左右，这说明样本提取过程中确实有一定量的人类DNA被一起提取出来了。
4. ★ Kraken2的原理是什么？¶
参考答案：Kraken2基于k-mer精确匹配的原理： 1. 建库阶段：把参考基因组库中每个物种的序列切成k-mer（默认k=35），存入哈希表，每个k-mer关联其最低公共祖先（LCA）的分类信息 2. 分类阶段：对每条待分类的read，提取所有k-mer → 查哈希表 → 得到一组分类标签 → 用LCA算法找到最可能的分类 3. 置信度：
--confidence参数控制分类的严格程度，0.0最宽松，1.0最严格优点：速度极快（分钟级处理百万条reads），内存换时间 缺点：依赖数据库质量，数据库不含的物种无法识别
📌 关键参数：
--confidence 0.2（推荐，平衡灵敏度和特异性），默认0.0假阳性较多。💡 加分回答：在我的项目中，我把confidence从默认0.0调到0.2后，分类结果更可靠，假阳性减少了很多。Bracken在Kraken2结果基础上用贝叶斯方法重新估计丰度，让物种丰度更准确。
5. ★ alpha多样性和beta多样性有什么区别？¶
参考答案： - Alpha多样性：描述单个样本内部的物种多样性（"一个池塘里有多少种鱼"） - Shannon指数：考虑物种数量和均匀度（值越大，多样性越高） - Chao1指数：估计物种总数（侧重稀有物种） - Observed species：直接计数观察到的物种数
- Beta多样性：描述不同样本之间的物种组成差异（"两个池塘的鱼组成有多不同"）
- Bray-Curtis距离：基于丰度的差异（0=完全相同，1=完全不同）
- UniFrac距离：考虑进化关系的差异（需要进化树）
- Jaccard距离：只看有无，不看丰度
可视化： - Alpha多样性 → 箱线图（组间比较 + Wilcoxon检验） - Beta多样性 → PCoA散点图（+ PERMANOVA检验）
💡 加分回答：在我的项目中，疾病组的Shannon指数（1.11）低于健康组（1.46），说明疾病组菌群多样性降低。Bray-Curtis距离为0.20，结合PCoA图可以看到两组有一定的分离趋势。
6. ★ 16S和宏基因组有什么区别？¶
参考答案：
对比项 16S扩增子 宏基因组（Shotgun） 测序对象 16S rRNA基因（一小段标记基因） 全部DNA（所有基因） 分辨率 通常到属级别 可以到种甚至株级别 功能信息 无（只有分类信息） 有（可以做功能注释） 数据量 小（几百MB） 大（几十GB） 成本 低 高 分析工具 QIIME2, DADA2 Kraken2, MetaPhlAn, HUMAnN 适用场景 物种组成调查、大样本量 物种+功能、深入分析 💡 加分回答：在百迈客，16S和宏基因组都做过。16S适合样本量大、预算有限的项目；宏基因组适合需要深入分析功能（比如抗性基因、碳水化合物酶）的项目。
7. ★ OTU和ASV有什么区别？¶
参考答案： - OTU（Operational Taxonomic Unit）：按97%相似度聚类，把相似的序列归为一组。相当于"大概是同一种"。传统方法，用UCLUST、VSEARCH等工具。 - ASV（Amplicon Sequence Variant）：保留每一条独特的序列，不聚类，精度更高。相当于"精确到每一个变体"。用DADA2、Deblur等工具。
对比项 OTU ASV 精度 97%相似度内算同一类 单碱基精度 可比性 不同研究的OTU不可比 不同研究的ASV可以直接比较 趋势 传统方法 目前主流推荐 💡 加分回答：在百迈客做16S项目时，我们同时提供OTU和ASV两种结果，但ASV是现在的主流趋势，因为分辨率更高，而且不同研究之间的ASV可以直接比较。
8. ★ KEGG注释怎么做？¶
参考答案：KEGG注释的基本流程是： 1. 将基因序列（如宏基因组组装后预测的基因）用DIAMOND或BLAST比对到KEGG数据库 2. 根据比对结果获取KO编号（KEGG Orthology，如K00001） 3. KO编号映射到通路（Pathway）、模块（Module）和功能分类 4. 统计每个样本在各通路上的基因数量或丰度
常用工具：KofamScan（基于HMM，更准确）、DIAMOND + KEGG数据库（更快）、eggNOG-mapper（间接获得KEGG注释）
📌 注意：KEGG数据库不是免费的（学术使用有限制），很多公司购买了授权。百迈客云平台上集成了KEGG注释功能。
9. ★ 二代测序和三代测序的区别？¶
参考答案：
对比项 二代（Illumina） 三代（PacBio/ONT） 读长 短读长（150-300bp） 长读长（10kb-100kb+） 准确率 高（>99.9%） 较低（ONT约95%，PacBio HiFi >99%） 通量 高 较低 成本/碱基 低 高 优势 准确、便宜、通量大 跨重复区、结构变异、完成图 应用场景： - 二代：宏基因组、RNA-seq、16S、大规模测序 - 三代：细菌完成图、基因组组装、结构变异检测 - 二代+三代混合组装：兼顾准确性和完整性
💡 加分回答：在百迈客做细菌完成图时，我用过二代+三代（ONT）混合数据进行组装，三代的长读长可以跨越重复区域，二代的高准确率用来校正。
10. ★ 什么是ANI？¶
参考答案：ANI（Average Nucleotide Identity，平均核苷酸一致性） 是衡量两个基因组之间整体序列相似度的指标。
- ANI > 95% → 同一个种（species boundary）
- ANI > 70% → 同一个属
- ANI < 70% → 不同属
用途：物种鉴定、确认分离株是否属于同一个种
常用工具：fastANI（快速）、pyani（更多选项）
💡 加分回答：在百迈客做细菌基因组项目时，ANI分析是常规步骤，用来确认组装得到的基因组属于哪个种。95%是经典的种界阈值。
11. ★ 什么是binning？¶
参考答案：Binning（分箱/宏基因组分箱） 是把宏基因组组装得到的contigs按物种来源分成不同的组（bins），每个bin理想情况下代表一个物种的基因组，也叫MAG（Metagenome-Assembled Genome）。
原理：利用contigs的两个特征： 1. 序列组成：同一物种的GC含量和k-mer频率相似 2. 覆盖度模式：同一物种的contigs在不同样本中的覆盖度变化趋势一致
常用工具：MetaBAT2、MaxBin2、CONCOCT；用DAS Tool整合多个工具的结果。
质量评估：用CheckM评估完整度（Completeness）和污染度（Contamination） - 高质量MAG：完整度>90%，污染度<5% - 中质量MAG：完整度>50%，污染度<10%
💡 加分回答：在百迈客做binning分析时，我了解到需要先用MEGAHIT或metaSPAdes做宏基因组组装，然后分箱，最后用CheckM评估每个bin的质量。
12. ★ 如何评估基因组组装质量？什么是N50？¶
参考答案： - N50：把所有contigs按长度从大到小排列，依次累加，当累加长度达到总长度的50%时，对应的那条contig的长度就是N50。N50越大，说明组装越连续。 - L50：达到N50时需要的contig数量，越小越好。
其他评估指标： - 总长度：是否接近预期基因组大小 - contig数量：越少越好（说明越完整） - 最长contig长度 - GC含量：是否与目标物种一致 - BUSCO：用保守基因评估基因组完整度
💡 加分回答：比如细菌基因组大小一般在几Mb，如果组装得到的总长度明显偏大或偏小，就说明可能有问题（污染或丢失）。
13. ★ Shannon指数的含义？¶
参考答案：Shannon指数（Shannon Diversity Index，H'） 综合考虑了物种的丰富度（有多少种）和均匀度（各种的比例是否均衡）。
- 公式：H' = -SUM(pi * ln(pi))，其中pi是第i个物种的相对丰度
- 值范围：通常0-5之间
- 值越大 → 多样性越高（物种越多、分布越均匀）
- 值越小 → 多样性越低（可能被少数物种主导）
💡 加分回答：在我的项目中，疾病组Shannon指数1.11低于健康组1.46。这说明疾病组的肠道菌群被少数优势菌（如E. coli从42%升到57%）主导，均匀度下降了。
14. ★ PCoA图怎么解读？¶
参考答案：PCoA图的解读要注意三点：
轴标签：看括号里的百分比（如"PCoA1 (35.2%)"），表示该轴解释了多少比例的变异。两个轴加起来如果能解释>50%，说明图表达了大部分信息。
点的分布：
- 同组样本聚在一起 → 组内一致性高
- 不同组明显分开 → 组间差异大
如果完全重叠 → 两组没有明显差异
统计检验：光看图不够，需要配合PERMANOVA（
vegan::adonis2()）检验组间差异是否显著。看p值和R2：- p < 0.05 → 差异显著
- R2 → 分组因素解释了多少变异（越大越好）
💡 加分回答：PCoA图是用Bray-Curtis距离矩阵做的，本质是把高维数据降到2维展示。在R里用
vegan::vegdist()算距离矩阵，ape::pcoa()做降维，ggplot2画散点图加置信椭圆。
15. ★ LEfSe是什么？¶
参考答案：LEfSe（Linear discriminant analysis Effect Size） 是一种差异物种分析方法，专为微生物组设计。
三步法： 1. Kruskal-Wallis检验：筛选组间差异显著的物种 2. Wilcoxon检验：验证在子组中也是显著的 3. LDA（线性判别分析）：计算效应值（Effect Size），LDA score > 2通常认为是显著差异物种
结果展示：水平柱状图，不同颜色代表不同组，柱子长度代表LDA score。
💡 加分回答：在百迈客做16S多样性项目时，LEfSe是客户最常要求的差异分析方法之一。它的优势是结合了统计检验和效应值，不仅告诉你"哪些物种不同"，还告诉你"差异有多大"。
16. ★ 你用什么工具管理分析环境？¶
参考答案：我主要用Conda（配合Mamba加速）来管理分析环境： - 一个项目创建一个独立环境，避免不同工具的依赖冲突 - 用
conda env export > environment.yml导出环境配置，锁定每个软件的版本号 - 生信工具从bioconda频道安装，Python包用pip安装此外，我了解Docker/Singularity容器技术。Docker提供操作系统级的隔离，但在HPC上通常用Singularity（不需要root权限）。
💡 加分回答：在我的个人项目中，配套了
environment.yml和software_versions.txt。换一台机器只需要conda env create -f environment.yml就能还原整个分析环境。
17. ★ Shell脚本怎么写？有什么规范？¶
参考答案：我写Shell脚本时遵循几个规范：
- 错误处理：开头加
set -euo pipefail-e：遇到错误立即停止-u：使用未定义变量报错
-o pipefail：管道中任何一步失败就报错变量定义：把输入输出路径定义为变量，方便修改
日志记录：用
2> log或tee记录运行日志注释：关键步骤加中文注释，说明"为什么这样做"
编号命名：脚本按执行顺序编号（01_qc.sh, 02_trim.sh, ...）
💡 加分回答：在我的项目中写了15个编号脚本，每个都有
set -euo pipefail和中文注释，还有一个run_all.sh按顺序调用所有脚本，支持断点续跑。
18. ★ 怎么处理批量样本？¶
参考答案：处理批量样本我用两种方式：
方法1：Shell循环（简单场景）
for sample in sample1 sample2 sample3; do fastp -i data/${sample}_R1.fq.gz -o clean/${sample}_R1.fq.gz ... done方法2：Snakemake（复杂流程） - 在config.yaml里定义样本列表 - 用
expand()自动扩展所有样本 - Snakemake会自动并行处理、自动管理依赖💡 加分回答：在百迈客实习时，批量处理是日常工作。我通常写一个Shell脚本，用for循环遍历样本列表文件。对于更复杂的流程，我了解Snakemake可以自动并行调度，效率更高。
19. ★ 遇到报错怎么排查？¶
参考答案：我排查报错的步骤是：
- 读错误信息：先仔细看完整的报错信息，很多时候错误信息本身就告诉你问题在哪
- 检查输入文件：文件是否存在、路径是否正确、格式是否对（
head看前几行、wc -l数行数）- 检查环境：确认在正确的conda环境、工具版本是否正确
- Google/搜索：复制关键错误信息搜索，GitHub Issues和BioStars上经常有答案
- 看日志：检查log文件，通常有更详细的错误信息
- 简化测试：用一两个样本的少量数据测试，排除数据量导致的问题
💡 加分回答：在百迈客实习时，我负责过流程报错的定位和修复。常见问题包括：路径错误、权限不足、内存不足、软件版本不兼容。我养成了记录问题和解决方案的习惯。
20. ★ 怎么保证分析可复现？¶
参考答案：我从三个层面保证可复现性：
- 环境层面：
environment.yml锁定所有软件版本
software_versions.txt记录每个工具的版本号流程层面：
- 所有步骤脚本化（不手动敲命令）
- 脚本有编号和注释
- 参数写在脚本里或配置文件里，不是口头记的
set -euo pipefail确保错误能被捕获数据层面：
- md5校验原始数据完整性
- Git追踪脚本和配置文件的版本
- 运行日志保留
💡 加分回答：在我的个人项目中，任何人拿到我的代码仓库后，只需要三步就能复现：1）
conda env create -f environment.yml创建环境 2）下载原始数据 3）bash run_all.sh一键运行全流程。
第三部分：实操/编程题¶
★ 用awk统计FASTQ文件的reads数¶
题目：给你一个FASTQ文件，用一行命令统计reads数量。
答案：
# FASTQ文件每4行一条read # 方法1：数总行数除以4 awk 'END{print NR/4}' sample.fastq # 方法2：数@开头的行（reads的标识行） grep -c '^@' sample.fastq # 注意：方法2可能不准确，因为质量行也可能以@开头 # 方法3（最准确）：数第1行、第5行、第9行... awk 'NR%4==1' sample.fastq | wc -l # 如果是gzip压缩文件 zcat sample.fastq.gz | awk 'END{print NR/4}'解释：FASTQ格式每条read固定4行：第1行@标识、第2行序列、第3行+、第4行质量值。所以总行数除以4就是reads数。
★ 用Python读取丰度表并过滤低丰度物种¶
题目：读取物种丰度表CSV，过滤掉平均丰度低于1%的物种。
答案：
import pandas as pd # 读取丰度表（行=物种，列=样本） df = pd.read_csv("species_abundance.csv", index_col=0) # 计算每个物种在所有样本中的平均丰度 mean_abundance = df.mean(axis=1) # 过滤：保留平均丰度 >= 1% 的物种 df_filtered = df[mean_abundance >= 0.01] # 查看过滤前后物种数 print(f"过滤前: {df.shape[0]} 个物种") print(f"过滤后: {df_filtered.shape[0]} 个物种") # 保存 df_filtered.to_csv("species_abundance_filtered.csv")面试时说："我用pandas读取CSV，计算每行的均值，然后用布尔索引过滤。这在宏基因组分析中很常见，低丰度物种通常是噪声，过滤后能减少下游分析的干扰。"
★ 写一个简单的Shell批处理脚本¶
题目：写一个脚本，对data/目录下所有_R1.fastq.gz文件运行FastQC。
答案：
#!/bin/bash set -euo pipefail # 批量运行FastQC # 输入：data/目录下的所有R1 FASTQ文件 # 输出：qc_results/目录下的FastQC报告 # --- 定义路径 --- INPUT_DIR="data" OUTPUT_DIR="qc_results" # --- 创建输出目录 --- mkdir -p "${OUTPUT_DIR}" # --- 批量处理 --- for fq in ${INPUT_DIR}/*_R1.fastq.gz; do sample=$(basename "${fq}" _R1.fastq.gz) echo "正在处理: ${sample}" fastqc "${fq}" -o "${OUTPUT_DIR}" -t 4 done # --- 汇总报告 --- multiqc "${OUTPUT_DIR}" -o "${OUTPUT_DIR}/multiqc" echo "全部完成！报告在: ${OUTPUT_DIR}/multiqc/"
★ 解释一段代码的功能¶
题目：解释以下命令的功能：
samtools view -bS -F 4 aligned.sam | samtools sort -o sorted.bam samtools index sorted.bam答案： -
samtools view -bS -F 4 aligned.sam： --b：输出BAM格式（二进制，更小） --S：输入是SAM格式（新版 samtools 已自动检测，可省略，但写上不报错） --F 4：过滤掉未比对上的reads（flag 4 = unmapped），只保留比对上的 - 整体：把SAM转为BAM，同时去掉未比对的reads
| samtools sort -o sorted.bam：管道传入，按坐标排序，输出sorted.bam
samtools index sorted.bam：为排序后的BAM创建索引（.bai文件），方便后续快速查询面试时说："这三步是比对后的标准处理流程：SAM转BAM → 排序 → 建索引。排序和索引是后续做变异检测、reads计数等分析的前提。"
第四部分：情景/行为题¶
★ 分析结果和预期不一致怎么办？¶
参考答案：我会按以下步骤排查：
- 检查输入数据：原始数据是否有问题（QC报告、数据量、是否混样）
- 检查参数：分析参数是否设置正确（比如数据库版本、阈值参数）
- 中间结果验证：逐步检查每一步的输出是否合理
- 查文献/资料：看类似的研究是什么结果，可能"不一致"其实是正常的
- 讨论确认：如果确认流程没问题，就跟项目负责人讨论，可能是生物学上的真实发现
💡 实习经验：在百迈客做QC排查时，我遇到过两个样本物种组成异常相似的情况。排查后发现是混数据了，需要重新提取。所以"结果不一致"不一定是分析错误，可能是数据本身的问题。
★ 遇到不会用的工具怎么办？¶
参考答案：我学习新工具的步骤是：
- 官方文档：先看工具的GitHub README和官方教程，了解基本用法
- 示例数据：用工具提供的测试数据跑一遍，熟悉输入输出格式
- 参数理解：重点看
--help里的关键参数说明- 社区资源：搜BioStars、GitHub Issues、生信论坛上的使用经验
- 小数据测试：用自己项目的少量数据测试，确认结果合理后再正式运行
💡 实习经验：在百迈客用到很多工具，有些之前没接触过。我的习惯是先看官方示例，再用小数据跑一遍，不盲目在大数据上直接运行。
★ 如何学习新的分析方法？¶
参考答案：
- 看综述论文：了解方法的背景、原理和适用场景
- 看方法论文：重点看Methods部分，理解算法原理
- 找教程：官方文档、BioStars、bilibili上的教程
- 动手实操：用公共数据（如SRA上下载的数据）实际跑一遍
- 对比验证：用已知结果的数据验证自己的分析是否正确
💡 加分回答：我的个人项目就是这么做的——看了宏基因组分析的综述，理解了每一步的原理，然后用公共数据从头搭建了完整流程。
★ 团队合作中遇到分歧怎么处理？¶
参考答案：
- 先理解对方：听清楚对方的理由和考虑
- 用数据说话：如果是技术分歧，做对比实验或引用文献来支持
- 找共识：看看有没有折中方案
- 请教前辈：如果还是无法达成一致，请教经验更丰富的同事
💡 实习经验：在百迈客遇到过参数选择的分歧（比如fastp的质量阈值用Q20还是Q30），我的做法是两种参数都跑一遍，对比结果，用数据来决定。最后选了Q20，因为Q30过滤掉的数据太多，会影响后续分析。
第五部分：反问面试官¶
推荐问的问题¶
"请问贵公司/团队目前主要做哪些类型的项目？" — 了解实际工作内容，也表现出你的兴趣
"这个岗位入职后的前三个月，主要会接手什么样的工作？" — 了解具体工作安排，也表现出你想快速上手
"团队目前用什么流程管理工具？有没有标准化的分析流程？" — 展示你的工程化思维
"团队对新人有什么培养计划或学习资源推荐吗？" — 表现出学习意愿
"贵公司在宏基因组/微生物组方向有什么新的发展计划吗？" — 展示你对行业的关注
不要问的问题¶
- 不要一上来就问薪资和加班（除非面试官主动提起）
- 不要问"这个岗位做什么"（说明你没看职位描述）
- 不要问太多福利细节（给人感觉更关心待遇而非工作）
- 不要说"我没有什么要问的"（显得没兴趣）
附录：面试前一天速查清单¶
必须记住的数字¶
| 项目 | 数字 | 含义 |
|---|---|---|
| 实习任务量 | 148+ | 百迈客累计完成的分析任务数 |
| 项目脚本数 | 15个 | 个人项目编写的分析脚本数 |
| 物种鉴定 | 5个种级别物种 | 个人项目鉴定结果 |
| Shannon指数 | 疾病组1.11 vs 健康组1.46 | 疾病组多样性低 |
| E. coli丰度 | 42% → 57% | 疾病组大肠杆菌上升 |
| Bray-Curtis | 0.20 | 两组菌群组成差异 |
| 数据量 | 15G-40G | 实习处理的数据范围 |
| fastp参数 | Q20 + 50bp | 质控参数 |
| Kraken2 confidence | 0.2 | 推荐置信度阈值 |
| ANI种界阈值 | 95% | 高于95%认为同种 |
| OTU相似度 | 97% | OTU聚类阈值 |
| LEfSe阈值 | LDA > 2 | 差异物种筛选标准 |
关键工具速记¶
| 步骤 | 工具 |
|---|---|
| 质量评估 | FastQC + MultiQC |
| reads清洗 | fastp |
| 去宿主 | Bowtie2 |
| 物种注释 | Kraken2 + Bracken |
| 功能注释 | DIAMOND + KEGG/CAZy/VFDB |
| 16S分析 | QIIME2 / DADA2 |
| 差异分析 | LEfSe / DESeq2 |
| 基因组组装 | MEGAHIT / metaSPAdes |
| binning | MetaBAT2 + CheckM |
| ANI分析 | fastANI |
| 可视化 | ggplot2 / pheatmap |
| 环境管理 | Conda + Mamba |
| 流程管理 | Snakemake |
| 版本控制 | Git |
面试着装和礼仪¶
- 穿着整洁（不需要正装，但要干净整洁）
- 提前10分钟到（线上面试提前5分钟测试设备）
- 准备纸笔（记录面试官的问题）
- 说话不要太快，关键词稍微停顿
- 不知道的问题诚实说不会，然后说"但我了解..."或"我可以学习"
- 面试结束后发一封感谢邮件（可选，加分项）