圆桌讨论的想法
在过去五年中，生物学家已经获得了以低成本生成更大数据集的能力，因此开始更频繁地与数学家、统计学家和生物信息学家合作，以确定存储、分析和解释这些数据的最佳方法。作为一名训练有素的生物数学家，我已经学会了如何在自己的研究中整合计算和实验技术，因此与实验家和计算科学家合作对我来说很自然，而且我经常发现自己将我的统计专业知识借给了我的同事。然而，我经常想知道纯实验主义者与计算科学家接触和合作是多么容易，反之亦然。实验者经常以相对简单的任务接近生物信息学家。作为计算科学家，我们如何才能
第一步可能是尝试将实验科学家和计算科学家放在可以交流、学习和形成合作的同一空间中。最近的一个例子发生在爱荷华州立大学，在那里我参加了一个题为“通过计算表型发现新候选基因”的小型研讨会。

ISU 总统跨学科研究种子 (PIRS) 授予了遗传学、发育和细胞生物学系的 Diane Bassham 博士、Carolyn Lawrence-Dill 博士和 Drena Dobbs 博士以及 Dr. . 来自动物科学系的 Matthew Ellinwood。该研讨会被宣传为一个跨学科活动，鼓励实验和计算科学家参加，其想法是在他们之间开始新的对话并建立新的合作。甚至研讨会的图像也鼓励跨学科，比较小鼠神经元和植物毛状体之间结构的相似性。
我们认为“简单”或“容易”的概念，例如何时使用非参数检验或 p 值的含义，可能并不容易被实验者理解
我发现研讨会上长达两个小时的亲和小组讨论特别有意义。对于这些讨论，我们被鼓励在会议期间提出主题，随后组织者选择了四个主题进行圆桌讨论。其中两个主题侧重于改进生物信息学教育和增加跨学科交流。

讨论跨学科合作的与会者提出了挑战，既要开始此类合作，又要弄清楚如何更好地促进它们。例如，有时由于“语言障碍”，跨学科合作永远不会起步。任何一方的人都用对方无法理解的过于专业的术语说话。作为计算生物学家，重要的是我们要理解我们认为“简单”或“容易”的概念，例如何时使用非参数检验或 p 值的含义，可能并不容易被实验者理解. 另一方面，实验者应该记住，许多数学家和计算机科学家可能甚至没有上过普通的本科生物课。
作为一个团队，我们还一致认为，要使合作取得成功，重要的是要花费额外的时间和精力来确保每个人都理解基本概念，然后再继续解决复杂的问题。除此之外，双方的人都需要在缺乏知识的情况下保持安全，并且不要害怕提出对其他人来说似乎很明显的“愚蠢问题”。

最后，我们一致认为协作应该是自然而直观的，而不是强迫的。这个亲和力小组提出的建议得到了许多关于成功合作科学的工作的支持，例如 PLOS 计算生物学的“十个简单规则”系列中的条目（发表于2007 年、2015年和2017 年），以及来自 2017 年的一项研究合作工作研究所的“理解合作心理学”都总结了有效合作的趋势。
我个人同意这些关于促进跨学科合作的建议，但我也认为通过教育年轻学生如何成为跨学科科学家，可以更早地解决合作中的困难。
我很幸运有机会在我的本科院校里士满大学学习跨学科科学，作为其综合包容性科学计划的第一批成员。该计划的教师后来发表了他们的发现，即与未参加该课程的学生相比，该跨学科计划的学生更有可能参加额外的数学、物理和计算机科学课程。其他教育机构，如北卡罗来纳州立大学、斯坦福大学、三一学院、卡内基梅隆大学等，也在追随这一趋势，并在本科和研究生阶段提供自己的综合科学课程。

在爱荷华州的亲和小组讨论中，我们还得出结论，与其尝试设计一个全新的专业或课程，不如提供跨学科科学的小型模块化课程对于已经被大量课程淹没的本科生和研究生更有效——加载。以我自己的经验，我作为本科生修读的综合包容性科学辅修课程占用了其他专业课程太多的时间，学生们觉得他们必须在专注于他们的专业和参与该项目之间做出选择。
在研讨会上，我们的参与者还设想这些模块化课程应该由生物学家和统计学家共同教授，涵盖诸如生物统计学、非参数和非线性统计学、信息论、机器学习、基础数学建模和基础编程。这些模块也应该面向一年级和二年级学生，而不仅仅是已经宣布专业的学生，因为我们认为这些跨学科主题的教育应该在职业生涯的早期开始。最后，我们认为，虽然可以提供有关这些主题的课程的资源，但我们发现它们对学生来说是无法获得的（即广告宣传不佳或在付费墙后面）或课程本身缺乏（即课程假定一定程度的背景知识，并非所有学生都有）。

总之，我认为更多的研讨会和会议应该包含专注于跨学科教育和合作的讨论组，以便我们能够继续获得反馈、改进现有项目并开发新的解决方案。
根据我的个人经验，以及我在 2019 年 PIRS 小型研讨会上从其他人那里听到的信息，我强烈鼓励对跨学科主题感兴趣的年轻科学家现在就开始学习。参加暑期编程课程或参加专业以外的课程只是因为它听起来很有趣，而不是因为它是必需的。我也鼓励那些跨学科合作的科学家开始更多的对话。我们应该向我们的合作者介绍我们更广泛的专业网络，并帮助我们的科学家同行找到新的合作。
通过更好的教育和网络，我们可以改善所有科学家的资源，以便随着技术的不断发展、数据集的不断扩大以及生物学问题变得越来越复杂，我们可以提供迫切需要的跨学科解决方案。