本人作为生物信息领域人员，积累的经验不多，踩的坑倒是不少。虽然阅历有限，但是不吐不快。下面我先列举一下我所踩过的坑，抛个砖，欢迎大家补充和拍砖。现在开始：

1. 摊子太大。做科研有点像美国总统选举，如果总统候选人得到了48个州的支持，那么副总统候选人就一定要覆盖剩余的两个州，而不一定是支持率第二高的人选。科研也是一样，不同的测序技术、测序平台、物种得到的数据的内部特征都是各有差异的。我们开发的算法很难适用于所有数据，除非你只在模拟数据上做实验。能够适用于最广泛数据的算法，毫无疑问，绝对是第一个占领市场的方法。我们不用太雄心勃勃地硬碰硬。只需要在实验和观察中，发现自己的算法最适用的数据即可。至于本领域最主流的算法，我们最好与它的数据格式最好对接。

2. 完美主义。做科研就像从地点A走到地点B，而不是把脚印踏遍整个土地。因此，在做实验的过程中，最重要的是近况走到实验的最后一步（评估）。至于实验过程中出现的各种意外（例如：个别数据上的Bug），我们可以不予理睬。等到在一部分数据上走到最后一步，再腾出手来处理出现Bug的数据。

3. 流程不清晰。多数人年轻的时候执行力超强，经常脑海里还没有清晰的思路，就开始写代码做实验了。其实在动手之前，最应该做的事有三个：选择数据（不需要太多，但是要覆盖尽可能多的测序技术），选择比较软件（同样不需要多，但是需要对软件进行分类，每一类选择一个），完成评价体系的代码。有了评价体系，调试算法和程序的过程中，才有方向。

4. 没有时间观念。科研永远没有尽头，因此该妥协的时候就妥协。随着研究的深入，一定会发现新问题，甚至新思路。请允许自己把新的创意留给下一篇论文。时间不等人，目前的项目一定要跟随时间线按时完成每一个里程碑。说到这里，注意了：为了有效地将项目进行下去，最好把项目拆分为一个个里程碑。举个例子：对于一篇论文，我们可以把它根据正文图片进行拆分，完成一张图意味着完成这幅图的制作、相关正文和附件的书写。

    绞尽脑汁，只想到了这些，欢迎补充！债见！