数据控|突破是我们的每一步

作者： Zhang Ao

  • 成功是汗水换来的

    　　

    Genius is from perspiration and inspiration. Do the project first and to leave the perspiration, and burst of inspiration during the presses.

    天才源自汗水和灵感，汗水需要先开始做才会留下，灵感需要在做的过程中迸发。

    ——张敖

    　　世界上最伟大的发明家托马斯·爱迪生（Thomas Alva Edison），电力系统、灯、留声机、电影等的发明者，为改变世界和我们的生活做出了杰出的贡献。我们将他称为——天才！

    　　爱迪生有一句名言：

    Genius is one percent inspiration, ninety-nine percent perspiration.
    天才是百分之一的灵感和百分之九十九的汗水。

    ——爱迪生

    　　不知道为什么，爱迪生把灵感放在的汗水的前面。我想，应该是，先找到一件值得去做的事（灵感），然后不断的努力（汗水）完成这项工程。

    　　爱迪生在写下上面那句话时，到底是怎么想的，我不得而知，不过从他留给后人的语录中可以寻到一些蛛丝马迹。

    　　他曾说：“We don’t know a millionth of one percent about anything.”，翻译过来是“我们对任何事物的了解都不足百万分之一。”

    　　是的，对事物缺乏足够的了解，因此我们不能合理的利用它们。发明，实际上就是把那么一丢丢的新的理解应用到改变生活上。我想，爱迪生先生的灵感指的是对事物的新的理解和发现上。

    　　再看看爱迪生的另一句话：“I find out what the world needs. Then, I go ahead and invent it.”——我先发现世界需要什么，然后开始着手并努力发明它。

    　　这三句话联系在一起，不难发现爱迪生的做事风格——我们对事物缺乏了解，所以不断的深入了解它们；在了解的过程中，推测其对世界的作用；然后坚定不移的围绕着这一点开展发明工作。

    　　原来，爱迪生的灵感指的是要做什么。因此，“灵感”先于“汗水”。

    　　我对灵感的认识，与爱迪生略有不同。我更强调如何实施一个项目，“灵感”的作用是灵活应用所学到的科学原理解决项目实施过程中的实际问题。也许，一名大学教师和一个伟大的发明家的区别就在这小小的差异上。

    　　然而，我仍然坚持我的想法。

    　　抛开灵感，我和爱迪生都更看重汗水。天才是那些能够做出伟大贡献的人，而不是天赋。伟大的贡献都离不开“汗水”，所以爱迪生认为“汗水”的比重高达百分之九十九。这里的“汗水”，是对“坚持不懈”的抽象。正如爱迪生所说：“Our greatest weakness lies in giving up. The most certain way to succeed is always to try just one more time.”我们最大的弱点在于放弃，最成功的方法总是一次一次的尝试。

    　　不断尝试，就是强调“做”。万事始于做。不要纠结于那百分之一的灵感，耗时万年去追求一个无懈可击的所谓“灵感”，充其量只能算是一个念头，没有多大的价值。而在做的过程中，不断的学习、积累、完善、提高，不断的向着完美靠近，这就是追求真理的过程。仔细想来，好像与统计学上贝叶斯预测的迭代过程极为相似，从随机的任意一点开始，不断的无限接近真实值，虽然不知道什么时候能够得到真实值，亦或即便得到真实值我们也不确定那就是真实值，但是，至少我们在路上，围绕着它前进。因此，我的那句话，“天才源自汗水和灵感，汗水需要先开始做才会留下，灵感需要在做的过程中迸发。”我将“开始做”放在了首位。天才需要用汗水作为交换，留下汗水，换来天才的头衔；同时，灵感是头脑中已经储备的知识的重构过程，知识结构的形成同样需要汗水作为交换，显然依旧是汗水先于灵感。因此，无论从先后顺序还是重要程度上看，汗水都应该摆在主导位置上。

    　　汗水需要坚持，坚持的核心是做。静下心来，Just do it and keep moving.

  • 中秋赋诗——墨西哥中秋赏月

    图片中为最先创作的诗，感觉表现不够强烈，对后两句首字做了修改。

    危月悬宇上，

    明灯映辉煌。

    何羡繁星广，

    明宿照家乡。

  • 【讨论】没有狂犬病的墨西哥，要打狂犬疫苗吗？

    　　一旦被狗咬伤，中国人的第一反应是打狂犬疫苗。然而，有一个国度，很少有人会想到为自己注射狂犬疫苗。

    　　墨西哥，一个爱狗的国家，狗通常被视为家人。大街小巷，随处都能见到各式各样的狗，无论白天还是夜晚，犬吠总是萦绕耳畔。在这样一个狗的天堂，应该有很多被狗咬伤的病例吧？这不，一位访问学者的母亲，不幸成为了被狗咬伤的病例。

    　　若是在国内，估计每个人的第一反应都是打狂犬疫苗。然而，墨西哥医院的大夫只是简单处理了一下伤口，并未提及任何有关注射疫苗的事情，仅仅要求患者在家观察，观察狗是否有异样。不幸的是，这条狗不是家养犬，而是一条流浪狗，咬人之后就再也找不到了。我的天，狂犬病发作可不是闹着玩的，要出人命的，恐惧的气氛越发凝重。

    　　咨询了一位四十多岁的墨西哥老哥，得到的答复是，狂犬疫苗是给狗打的，没听说要给人打。

    　　什么？狂犬疫苗是给狗打的！！！真是一个惊人的消息。在网上查了查，墨西哥居然在2019年成为世界卫生组织认证的首个消除了由犬类传播狂犬病造成的人类死亡的国家（https://www.who.int/zh/news-room/fact-sheets/detail/rabies）。

    　　即便这样，好像总是觉得不放心，不怕一万就怕万一，再怎样也得吃颗定心丸。几经周折，国内的某个帖子提及了墨西哥城的一家私人诊所可以注射狂犬疫苗。一连五针，这件事终于告一段落。

    　　神奇的是，这么多狗，墨西哥是如何消灭狂犬病的呢？

    　　原来，墨西哥官方会要求家养犬需要定期到指定地点免费注射狂犬疫苗。贴心的墨西哥政府还会组织人员给流浪犬注射，久而久之，狂犬病就消失了。

    　　墨西哥已经从发达国家滑落到发展中国家，很多地方比中国差得远。但是，在注射狂犬疫苗这件事上，墨西哥的做法很值得提倡。免费为狗注射狂犬疫苗，既消灭了狂犬病，也避免了疫苗可能对人体造成的副作用，点个赞。

  • 国家基金本子书写

    1. 大概两三万字。
    2. 语言要凝练、准确、专业。

    基础研究是整个科学体系的源头，是所有技术问题的总机关。要瞄准世界前沿，强化基础研究，实现前瞻性基础研究，引领性原创成果重大突破。

    立项要求：

    1. 突出原创性的研究。
    2. 聚焦前沿，独辟蹊径。
    3. 需求牵引，需求要用数字说话，怎么突破瓶颈。

    题目：

    1. 精炼、一目了然、开门见山
    2. 材料、做什么事、做什么

    国家基金题目查询系统：

    https://www.medsci.cn/sci/nsfc.do

    http://www.izaiwen.cn/

    立项依据：

    1. 2-3页，4000-8000字。
    2. 知识清零，重新看文献。
    3. 精炼、总结，一句话可以引用多个参考文献。

    研究意义：2段，一段科普，一段科学。

    国内外的研究现状：高度凝练的概括。

    本课题组前期研究的进展、发展和启示：不要太大，半页。

    研究思路：切入点。

    研究内容、研究目标，以及拟解决的科学问题：

    每一个部分之前都有一个前言，然后分（1）（2）（3）这样的内容

    研究内容：2-4个。每个大内容中要有小内容。为什么做这个内容、做这个内容能够得到什么。

    研究目标：最终目标。

    拟解决的科学问题：科学问题是什么，用什么方法解决。

    研究方案和可行性分析：

    （1）研究方法、技术路线、实验手段、关键技术

    植物材料（拉丁文名称）、如何取样、样本量、重复次数、文献依据、技术路线（画龙点睛）。

    需要具体说明。不要抄，注意查重。

    根据内容来，每个内容用什么方法，怎么做，实验具体步骤。

    技术路线要体现前期工作，需要研究的部分，可以辅助完成研究的部分。

    （2）可行性分析

    理论、技术、材料、团队

    特色与创新

    理论上达到什么高度。

    技术上实现什么突破。

    材料上有什么创新。

    前期基础与工作条件

    与工作相关的基础。相关的工作多提。分直接的工作（重点）和间接的工作。

    介绍重点实验室、平台。

    承担的项目

    和上一个项目的相关性。

    摘要

    研究目标，研究内容（首先、其次，再次）。

  • 【新闻报道】Crop Journal推送利用全基因组选择技术预测玉米杂交种产量和自交系配合力

    Crop Journal推送了我的研究论文：

    原文题目：The Crop Journal | 沈阳农业大学联合CIMMYT研究利用全基因组选择技术预测玉米杂交种产量和自交系配合力

    微信推送地址：https://mp.weixin.qq.com/s/2zMA11I2BJ-zrcD2bk6V7A

    PDF版：maize_gs_hybridperformance_combiningabilities.pdf下载

    《中国食品报》报道：

    原文题目：中国玉米杂交育种预测技术取得新突破

    原文地址：http://www.cnfood.cn/article?id=1430702631572049922

    PDF版：网页中国玉米杂交育种预测技术取得新突破.pdf下载
    PDF版：中国玉米杂交育种预测技术取得新突破.pdf下载

  • 陆游的做事哲学

    陆游是南宋著名诗人，他曾经为教育自己的小儿子陆子聿而写下了一首七言绝句——《冬夜读书示子聿》。

    冬夜读书示子聿
古人学问无遗力，少壮工夫老始成。
纸上得来终觉浅，绝知此事要躬行。

    题目中的“示”字在古文中表示给……看，引申为告诉、训诫。

    翻译：古代的人不遗余力的做学问，年少和青壮年时花费时间，直到老了才有所成就。书本上讲述的东西总是觉得不够深入，透彻的理解需要亲自尝试。

    很多事情，需要自己尝试过才能辨别真伪。书上写的是否过时，是否合理，只有实践过才知道。学习也好，工作也罢，不要停留在书本上，要勇于尝试，书写自己的篇章。

  • 【歌曲】《回梦游仙》

    作曲：骆集益

    填词：张敖

    全民K歌演唱：https://node.kg.qq.com/play?s=OOHuneO14ayQBOmu&g_f=personal&appsource=

    　　《梦回游仙》是著名RPG游戏《仙剑奇侠传4》的官方主题曲，曲调悲伤，荡气回肠。本次填词将《仙剑奇侠传1》的内容填入其中——结合1代和2代的主题：宿命、轮回，无论如何挣扎，即便知道结局不会改变，依然为了心爱的人，拾起剑重新开始……另外，加入了正邪、神魔的思考，取自酒剑仙因蝶妖彩衣为爱牺牲的思考。

    恨苍天 忆誓言

    风吹残烛泪满颜

    残书卷 梦回仙 轮回从前

    十年一剑

    忘记了时间

    谁御这剑遂愿

    风度翩翩

    赠美酒结仙缘

    结伴江湖 为红颜

    历天堑 月难圆

    弱水一瓢路三千

    寻古道 觅剑仙

    繁华不过一瞬间

    恨苍天 忆誓言

    风吹残烛泪满颜

    残书卷 梦回仙 亦如从前

    听草喧 心亦癫

    气吞日月醉人间

    斩妖怪 斗魔仙 是非难分辨

    尘封的剑

    唤醒了时间

    依稀往事缱绻

    一生一梦

    知己未再相逢

    徒留悲痛接踵

    问苍天 苦海边

    莫名回到了原点

    喜笑颜 手相牵 哪怕是最后一面

    风潇潇 身疲倦

    不愿前行放下剑

    恨只恨 宿命决

    结局从未改变

    恨苍天 忆誓言

    风吹残烛泪满颜

    残书卷 梦回仙 再续前缘

    历天堑 月难圆

    弱水一瓢路三千

    泪已干 心未倦

    执剑向前 续前缘

    https://datahold.cn/?p=1570

  • 如何打出共同第一作者的符号——双剑号

    有些SCI期刊，共同第一作者，会用 ‡ 符号表示。这个符号名叫双剑号。

    最简单的方法是，从这里直接复制过去。

    另外，将输入法转换成英语，然后按住ALT键不放，再按小键盘的0135，松开ALT键即可。 ‡

    单剑号是0134。†

    0可以省略。

  • sommer包的GbyE分析

    sommer包可以做单环境模型、主效应模型、对角线模型（DG）、复合对称模型（CS）、复合对称+对角线模型（CS+DG）、非结构化模型（US）、随机回归模型（RR）和协方差结构G×E。当然，还可以有其他自己的组合。

    library(sommer)
data(DT_example)
DT <- DT_example  # 41个土豆材料，1个地点，3个年份=3个环境
A <- A_example   # 系谱矩阵
# 1. 单地点
# BLUP
ansSingle <- mmer(Yield~1,
                  random= ~ vs(Name, Gu=A),
                  rcov= ~ units,
                  data=DT, verbose = FALSE)
summary(ansSingle)

# 2. 主效应，假设没有基因型与环境互作
# 环境作为固定效应+BLUP
ansMain <- mmer(Yield~Env,
                random= ~ vs(Name, Gu=A),
                rcov= ~ units,
                data=DT, verbose = FALSE)
summary(ansMain)

# 3. 对角线模型
# 假设存在基因型与环境互作
# 假设每个环境基因型的方差不同
# 每个环境单独拟合基因型效应
# 缺点：没有环境间的协方差（每个环境为不同个体）
# 环境作为固定效应+单环境的BLUP（环境的对角线矩阵）
ansDG <- mmer(Yield~Env,
              random= ~ vs(ds(Env),Name, Gu=A),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansDG)

# 4. 复合对称模型
# 假设存在基因型与环境互作
# 主要的基因型方差协方差分量跨所有环境
# 假设主要的基因型效应被跨环境效应影响
# 缺点：各环境之间有相同的方差-协方差
# 环境作为固定效应+BLUP+GEI
E <- diag(length(unique(DT$Env)))   # 环境的对角线矩阵
rownames(E) <- colnames(E) <- unique(DT$Env)   #  添加环境名称
# 克罗内克乘积，矩阵1的每一项×矩阵2的每一项
# 若矩阵1是m×n，矩阵2是p×q，则克罗内克乘积是mp×nq的方形矩阵
# make.dimnames表示添加行名列名
EA <- kronecker(E,A, make.dimnames = TRUE)
ansCS <- mmer(Yield~Env,
              random= ~ vs(Name, Gu=A) + vs(Env:Name, Gu=EA),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansCS)

# 5. 复合对称+对角线模型
# 假设存在基因型与环境互作
# 假设每个环境都有不同的基因型与环境互作方差
# 缺点：各环境有相同的协方差
# 环境作为固定效应+BLUP+每个地点的基因型与环境互作效应
ansMain <- mmer(Yield~Env,
                random= ~ vs(Name, Gu=A) + vs(ds(Env),Name, Gu=A),
                rcov= ~ units,
                data=DT, verbose = FALSE)
summary(ansMain)

# 6. 非结构化模型
# 假设存在基因型与环境互作
# 非结构化模型可以得到尽可能多的环境到环境组合的协方差
# 缺点：方差分量很大，方差组分很难收敛，一些方差协方差组分是零，且很难有良好的初始值
# 环境作为固定效应+单环境BLUP（协方差调整）
ansUS <- mmer(Yield~Env,
              random= ~ vs(us(Env),Name, Gu=A),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansUS)

# 7. 随机回归模型
# 假设环境可以视为连续变量，因此，截距和斜率的方差组分可以被拟合
# 方差分量的数量将依赖于Legendre多项式拟合的阶数(leg函数)
GBIT.library("orthopolynom")
DT$EnvN <- as.numeric(as.factor(DT$Env))
ansRR <- mmer(Yield~Env,
              random= ~ vs(leg(EnvN,1),Name),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansRR)
# 此外，其他结构的方差协方差矩阵可以应用于这个多项式
GBIT.library("orthopolynom")
DT$EnvN <- as.numeric(as.factor(DT$Env))
ansRR <- mmer(Yield~Env,
              random= ~ vs(us(leg(EnvN,1)),Name),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansRR)

# 8. 基因型环境互作协方差结构
# 不常用，但1阶自回归和其他协方差结构可以应用于GEI模型
# 
E <- AR1(DT$Env) # can be AR1() or CS(), etc.
rownames(E) <- colnames(E) <- unique(DT$Env)
EA <- kronecker(E,A, make.dimnames = TRUE)
ansCS <- mmer(Yield~Env,
              random= ~ vs(Name, Gu=A) + vs(Env:Name, Gu=EA),
              rcov= ~ units,
              data=DT, verbose = FALSE)
summary(ansCS)

    sommer使用直接反演（DI）算法，大数据集会非常缓慢。该包比较适合p>n，即随机效应水平大于材料数。1000个材料，2个重复，2000个记录，或者300个材料，100000个标记，sommer包能快速完成。

  • 【新闻报道】新时代教师准则

    为人师表，严于利己，忠于祖国，立德树人。