這應該算是一個眾所周知的問題了，沒經費你搞啥科研？
窮人適不適合搞科研，其實一句話就說明白了。
對于絕大多數偏重實驗和數據的研究方向，沒經費就沒實驗，沒數據，進而導致沒文章，沒課題。如此惡性循環直到混了多年啥成績也沒有，灰溜溜走人或者轉崗。
我之前認識幾個剛畢業然后成功走入青椒崗位的博士，在博士期間都發表了很好的文章。可是，等到了高校，兩三年下來，發的文章還是博士期間工作的延續，事實上就是博士期間做得東西還沒寫完，這兩年又繼續寫了寫發出來。新的工作新的文章一點沒看到。你說他們是自甘墮落吧，又不像，一個個天天看文獻，愁的頭發都掉了好多。
我有次跟他們聊天，為什么畢業之后，反而做不出科研了？
其實這里有很多現實問題，比如現在沒有實驗室沒有趁手儀器，最后還是和自己博士期間的老板蹭一點才能用。還有，以前有老板兜底經費，現在做什么都要錢，學校的科研啟動經費又少得可憐，根本就不夠搞點啥。這樣混了幾年，不僅斗志消磨殆盡，而且一頭烏黑的頭發成了地中海，鮮嫩翠綠的青椒也成了蔫巴。
但是，咱們今天來撈點干貨。
如果非要在這么捉襟見肘的情況下開局，有什么方法和路數呢？
先說一個我身邊特別成功的從這種窘境殺出來的大牛的故事。
我認識一個大牛老板，實際上就是我的導師。從一窮二白啥路也沒有的困境中硬是走出一條路，現在成為業界大牛了。
老板的經歷其實挺神奇。
他入職當年恰逢非典，很多單位爭相搞非典相關的研究。沒趕上當年那個時代的小伙伴，類似情況這兩年大家就應該有體會了。
所以，老板作為一個博士期間搞了好幾年生物信息學的系統科學的工學博士，作為特殊人才引進，加入了一個專注于研究醫學、病毒這樣的研究所。當時實驗室的主任希望老板可以用基因測序的方式解析非典病毒。
基因測序，在那個年代還是一個非常時髦，也很少用到的技術。而且，當年的基因測序遠沒有現在這么方便，想要搞出一個基因序列不僅需要大量實驗，還需要數據算法的配合去拼接基因序列。
所以為什么說人的一生有一些機遇可遇不可求呢，要不是當年的特殊情況，老板也去不了那個單位。
但是，很遺憾，我老板剛加入研究所，非典結束了……
于是，老板沒活干了。
想象一個搞系統科學的博士，在一個醫學研究機構能干啥？當年還沒有什么大數據分析，沒有深度學習，沒有組學研究。可以說，當年我老板心灰意冷地坐了好久的冷板凳。
后來，他想著也不能啥事不干吧，于是自己就去看論文，正好看到幾篇國外發表的數據庫類的文章，基因組學剛剛興起，一切都是出生的模樣。
于是，老板就想到利用自己擅長的算法，把人家數據庫里的數據拿過來，重新分析，寫一寫分析工具性質的網站。就這樣，從SCI文章開始，青基，面上……竟然漸漸地在這么一個研究所開辟了一條以數據分析和大數據挖掘為主的新路。
最夸張的是，原本這個實驗室后來因為我的老板改了名字，徹底成為一個大數據實驗室，之前的老主任自己支了一攤單干去了。
當然，這種傳奇經歷也跟時代密切相關。確實是因為老板順應了最近這些年的科技潮流，大數據蓬勃發展，深度學習日新月異，組學數據更加易得也更加豐富。
所以，對于很多從事醫學、生物科學研究的同學和老師，我都建議大家學一學生物信息學的技術。
因為這項技術是所有沒有經費、沒有項目的青椒最佳的破局之路。
生物信息學不需要本錢，自己一臺筆記本電腦就能做大多數分析，實在要運用大規模計算資源，有很多公共的“算力”，比如谷歌的 Colaboratory，可以免費或者只花一點小錢錢就能用。對于剛剛起步，拿著幾萬塊可憐的科研啟動資金的青椒來說這個服務遠比什么委托檢測便宜得多。
而最令大家頭疼的數據問題，在各大數據庫中更是浩如煙海，自己拿來分析分析就能出一篇文章，基礎比較扎實地去搞搞算法，基礎一般的搞搞應用。
另外，鑒于深度學習目前的火熱程度和攻略萬物的趨勢，學學深度學習的算法也是非常劃算的。以前用別的方法做過的工作，還能用深度學習再做一遍，或許也能拿到一些不錯的結果。
所以，對于很多自然科學類的研究者，如果你實在沒有經費，沒有課題，不妨試著把自己的方向結合大數據和深度學習，這兩個技術簡直是窮人的福音。
另外，還有幾條常見的方案，比如抱大腿，社會工程學，交流合作等等。
比如雖然青椒剛來沒經費沒課題，但是課題組很富裕，帶頭人是大牛，那其實起步階段不會很難，只要抱好大腿，好好跟著課題組發幾篇文章然后申請自己的青基就行。
或者和自己的導師、師兄師姐保持良好的關系，偶爾借用一些他們的實驗室資源，蹭兩篇文章發一發也可以。
我還見過一些社交牛人，跟其他單位的同仁廣泛交流合作，共享大家的實驗條件，然后你一篇我一篇這樣的寫文章。當然一定要注意成果如何分，以此達到長期互惠的合作模式。
版權聲明：本文內容由互聯網用戶自發貢獻，該文觀點僅代表作者本人。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如發現本站有涉嫌抄襲侵權/違法違規的內容， 請發送郵件至 舉報，一經查實，本站將立刻刪除。
