生信面试项目经验描述技巧¶

S(情境) — 项目背景是什么？为什么做这个？
  "我们实验室/公司在做XXX方向的研究，面临XXX问题..."

T(任务) — 你具体负责什么？
  "我负责的是XXX模块/分析，具体要解决XXX..."

A(行动) — 你怎么做的？用了什么方法和工具？
  "首先我做了XXX，使用的工具是XXX，参数设置为XXX..."
  "遇到了XXX问题，我通过XXX方法解决了..."

R(结果) — 结果怎样？有什么发现？
  "最终发现了XXX个差异基因/变异，其中XXX个与XXX相关..."
  "这个结果发表在/应用于XXX..."

【30秒版本（电梯演讲）】

我的毕业项目是2型糖尿病患者肠道菌群的宏基因组分析。
我们收集了T2D患者和健康对照各30例的粪便样本，
通过宏基因组测序分析肠道微生物的物种组成和功能差异。
我负责从原始数据质控到最终的统计分析全流程，
发现T2D患者中产丁酸菌显著减少，
芳香族氨基酸代谢通路显著富集，
并用随机森林模型达到了85%的分类准确率。

【2分钟版本（标准面试）】

S(背景):
  2型糖尿病影响全球4.6亿人，越来越多研究表明肠道菌群
  在T2D的发生发展中起重要作用，但具体的菌群特征和功能
  变化还需要更多研究。我们实验室收集了60个粪便样本
  （T2D 30例 + 健康对照 30例），进行宏基因组鸟枪法测序。

T(任务):
  我负责整个生物信息分析流程，包括：
  1. 原始数据质控和宿主序列去除
  2. 物种组成分析和多样性分析
  3. 功能注释和差异代谢通路分析
  4. 机器学习建立疾病预测模型

A(行动):
  数据处理：
  - 用fastp做质控（平均保留率92%），去掉低质量reads
  - 用BWA比对人类基因组去除宿主序列（平均去除15%）

  物种分析：
  - 用MetaPhlAn4做物种注释，检测到平均200+物种/样本
  - 用Kraken2+Bracken做交叉验证
  - Alpha多样性用Shannon指数，Beta多样性用Bray-Curtis+PCoA

  功能分析：
  - 用HUMAnN3做功能注释（MetaCyc和KEGG通路）
  - 用LEfSe做差异分析，LDA>2为显著

  机器学习：
  - 用物种丰度+功能通路作为特征
  - 随机森林分类器，5折交叉验证
  - SHAP值解释特征重要性

  遇到的挑战：
  - 批次效应：两批样本的PCoA明显分开。我用ComBat-seq
    校正后，批次效应消除，生物学差异保留。
  - 低丰度物种噪声大：设置了最低丰度阈值（0.01%）
    和最低出现频率（>30%样本中存在）来过滤。

R(结果):
  - 发现T2D组α多样性显著降低（Shannon, p=0.003）
  - 产丁酸菌（Roseburia, Faecalibacterium）在T2D组显著减少
  - 条件致病菌（Escherichia, Klebsiella）在T2D组富集
  - 芳香族氨基酸(AAA)代谢和LPS合成通路在T2D组上调
  - 随机森林AUC=0.89，Top5特征基因与文献报道一致
  - 结果形成毕业论文，部分内容准备投稿

Q: 你为什么用MetaPhlAn4而不是Kraken2做物种注释？

A: 两个工具各有优势：
   - MetaPhlAn4 用marker基因方法，特异性高，适合物种级别的精确定量。
     它的数据库小，运行快，但可能漏掉数据库中没有marker的新物种。
   - Kraken2 用k-mer方法，灵敏度高，速度最快，但容易产生假阳性，
     需要配合Bracken重新估计丰度。

   我实际上两个都跑了做交叉验证。主要结果以MetaPhlAn4为准，
   因为我的研究关注的是物种级别的精确丰度变化，
   MetaPhlAn4在这方面更可靠。关键发现在两个工具中都能重现。

Q: 项目中遇到最大的困难是什么？

A: 最大的困难是批次效应。我们的样本分两批测序（间隔3个月），
   做PCoA时发现样本主要按测序批次而不是疾病状态聚类。

   我的解决过程：
   1. 首先确认问题：画PCoA图，按批次着色，确实批次是主要变异来源
   2. 排除技术原因：检查了两批次的测序深度和质控指标，差异不大
   3. 尝试了多种校正方法：
      - ComBat-seq（推荐用于count数据）
      - 直接在统计模型中加入批次作为协变量
   4. 最终用ComBat-seq校正后，PCoA图按疾病状态分开了
   5. 验证：校正前后的差异物种列表大部分一致，说明校正合理

   这个经历让我理解了实验设计的重要性——如果一开始就把
   不同组的样本混在每一批测序中（randomized block design），
   就不会有这个问题。

Q: 你发现的差异菌群有什么生物学意义？

A: 我们发现T2D组产丁酸菌（特别是Roseburia和Faecalibacterium）
   显著减少。丁酸是短链脂肪酸(SCFA)的重要成分，它的作用包括：
   1. 维护肠道屏障完整性（紧密连接蛋白的表达）
   2. 抗炎作用（抑制NF-κB通路）
   3. 调节胰岛素敏感性（通过GPR43受体）

   产丁酸菌减少 → 丁酸水平降低 → 肠道屏障受损 → 
   细菌LPS进入血液 → 慢性低度炎症 → 胰岛素抵抗

   这与2012年Nature发表的T2D肠道菌群GWAS研究结论一致
   （Qin et al. 2012），验证了我们分析的可靠性。

核心要讲的：
1. 样本来源和测序策略（WGS 30X还是WES 100X）
2. 分析流程（GATK Best Practices的哪些步骤）
3. 变异过滤策略（VQSR还是硬过滤，阈值怎么定的）
4. 变异注释工具和数据库（ANNOVAR/VEP + ClinVar/gnomAD）
5. 发现的关键变异及其临床/功能意义

描述模板：
"我们对XX个[疾病]患者进行了WES测序(平均XX X覆盖度)，
 使用GATK Best Practices流程做变异检测，
 经过频率过滤(gnomAD AF<0.01)和功能注释，
 在XX个样本中发现了[基因名]的[突变类型]突变，
 该变异被ACMG分类为[致病性/可能致病]..."

核心要讲的：
1. 实验设计（几组，每组几个重复）
2. 比对和定量方法（STAR+featureCounts 或 Salmon/kallisto）
3. 差异分析方法和阈值（DESeq2, |logFC|>1, padj<0.05）
4. 下游分析（GO/KEGG富集、GSEA、网络分析）
5. 实验验证（qPCR验证了哪些基因）

描述模板：
"我们比较了[条件A]和[条件B]（各3个生物学重复）的转录组，
 使用STAR比对+featureCounts定量+DESeq2差异分析，
 发现了XXX个上调和XXX个下调基因，
 GO富集分析显示[通路]显著富集，
 其中[基因]被qPCR验证为XX倍上调..."

核心要讲的：
1. 测序平台和细胞数（10x Chromium, XX个细胞）
2. 质控标准（nFeature, nCount, MT%）
3. 降维聚类方法（Seurat标准流程）
4. 细胞类型注释方法（marker基因+SingleR/CellTypist）
5. 关键发现（新细胞亚群、差异表达、轨迹分析）

Q: 请介绍一下你最有成就感的项目。
→ 用STAR法则，突出你克服困难的部分。

Q: 你的项目中遇到过最大的技术挑战是什么？
→ 描述问题 → 你的分析过程 → 解决方案 → 学到了什么。

Q: 你怎么保证分析结果的可靠性？
→ 提到：(1)多工具交叉验证 (2)统计检验和多重校正 
  (3)文献对比 (4)实验验证 (5)代码版本控制和可重现性。

Q: 如果重新做这个项目，你会怎么改进？
→ 展示反思能力：(1)实验设计优化 (2)新工具/方法 
  (3)更深入的分析 (4)更好的可视化。

Q: 为什么用随机森林而不是其他模型？
→ "随机森林在特征数多、样本数少的情况下表现好，
   不容易过拟合，而且可以直接输出特征重要性。
   我也试了SVM和逻辑回归，随机森林的交叉验证AUC最高。"

Q: 你怎么处理数据中的缺失值？
→ "首先分析缺失模式（随机缺失还是系统缺失），
   少量缺失用中位数填充，大量缺失的样本/特征直接去掉。
   我还比较了去掉vs填充的结果差异，确保结论稳健。"

Q: 你的统计检验为什么用这个方法？
→ "我先检验了数据的正态性(Shapiro-Wilk test)和方差齐性，
   数据不符合正态分布所以用了非参数检验(Wilcoxon)。
   多组比较时用Kruskal-Wallis后做事后两两比较，
   所有p值都做了BH校正控制假发现率。"

如果你的项目经验不够丰富，可以：

1. 复现经典论文
   - 下载公开数据集（GEO、TCGA、HMP）
   - 按论文方法从头分析
   - 自己写代码不只是照搬
   - 把过程记录下来当作"个人项目"

2. 参与开源项目
   - GitHub上的生信工具贡献代码/文档
   - Biostars/StackOverflow回答问题

3. Kaggle/竞赛
   - 生信相关的数据分析竞赛
   - 能展示独立分析能力

4. 整理代码
   - 把项目代码放到GitHub
   - 写清楚README
   - 使用Snakemake/Nextflow组织流程
   - 展示规范的代码习惯

5. 面试前准备
   - 对每个项目写STAR版本（30秒+2分钟+5分钟）
   - 准备3个"遇到困难并解决"的案例
   - 对每个工具准备"为什么选它"的回答
   - 练习白板画流程图

# === 项目描述速查 ===

# STAR法则
S: 背景和问题（1-2句）
T: 你的具体任务（1句）
A: 你的行动和方法（3-5句，最详细）
R: 量化的结果（1-2句）

# 准备清单
□ 30秒版本（电梯演讲）
□ 2分钟版本（标准面试）
□ 5分钟版本（深度讨论）
□ 3个困难+解决案例
□ 每个工具的选型理由
□ 流程图（可以画出来）
□ 核心数字（基因数、准确率、p值）

# 加分项
- 提到可重现性（Docker/Conda/Snakemake）
- 提到版本控制（Git）
- 提到文献对比验证
- 展示对生物学意义的理解
- 展示反思和改进思路