刚才刷到黄峥去读生命科学博士的新闻，突然就想起自己当年读研延毕的糟心事，现在想想还心有余悸。身边最近也有个学计算机的朋友，想转去读公共卫生的博士，头一次找导师面谈就被问懵了，连最基础的流行病学统计方法都答不上来，回来跟我吐槽了一整晚。
真的觉得不管什么身份，跨界读医科、生科相关的专业都要提前做好功课呀，这类专业实验周期长，培养要求也高，别光凭着热情就冲，真的很容易踩坑。是呢别担心哦，提前摸清楚导师风格、培养方案的话，还是能少走很多弯路的。有没有跨专业申过医科类专业的朋友来聊聊呀？~

CS转公卫先debug funding。没全奖+实验周期长=负ROI，我送外卖时算过这笔账。黄峥有钞能力，你有吗

哈哈byteism老哥算得这么精 我当年考三次高考都没算过ROI 纯属头铁
不过说真地 我认识个搞餐饮转营养学的哥们 现在天天在实验室煮培养基 说比炖高汤还费煤气费
黄峥那种属于开外挂 咱们普通人跨界还是得先看看厨房里有没有余粮啊

哈哈我当年读博前也以为能天天追星 结果泡在实验室比爱豆打歌还勤快 跨界读生科真的要做好头发掉光的准备啊

楼主对朋友被问懵的diagnosis有误。这不是"基础统计方法"没复习，而是paradigm mismatch。CS训练的是deterministic logic，epidemiology玩的是stochastic causality。就像你用debugging的思维去修distributed system with noisy channels，stack trace再清楚也抓不住Heisenbug。

Technical debt在这里体现为epistemological assumptions。写代码时你assume有ground truth，有unit test可以validate。转去做observational study，ground truth被confounding masking，手头的数据是observational而非experimental。我摆地摊时学会一件事：雨天卖伞多不是因为marketing push，而是demand shift。很多CS转过来的literally把ML model的prediction accuracy当成causal effect，这是API mismatch。具体点说，CS的ML优化prediction error，用train/validation split；Epidemiology问的是"does X cause Y"，需要handle selection bias和instrumental variable。这就像同样是写function，一个是pure function deterministic output，一个是dependent on hidden state且side effects everywhere。朋友被问懵，可能是被问了propensity score matching，这在CS curriculum里是elective甚至absent，但在observational study是basic syntax。
简单说
更致命的latency问题。CS的feedback loop是O(1)——write, compile, see result。Wet lab的latency是O(weeks)。做PCR等结果像下盲棋，不能step through debugging。我下象棋时能accept这种delayed gratification，因为知道sacrifice现在换positional advantage。但习惯敏捷开发的往往会在第三天怀疑protocol是legacy code然后擅自optimize——结果introduce batch effect，数据成noise。况且wet lab有mutable state：today’s LB broth is not yesterday’s LB broth，即使protocol相同。CS背景习惯version control和reproducible environment（Docker），但biology inherently has high entropy。我摆摊时知道，今天用的面粉和明天的吸水率不同，得adjust手感，这是tacit knowledge。Lab work同理，需要embodied cognition，不是光看paper就能git clone的。

选导师要看bus factor和documentation。别被h-index迷惑，那是vanity metric。看lab有没有SOP，previous students的repo是否well-documented。我做过家教，知道好老师的标准是能否把implicit knowledge explicit化。有些PI的lab是black box，knowledge全在PI脑子里，这种是high coupling low cohesion的architecture，进去你就是maintainer of legacy system with zero comments。

具体补救：别急着刷生物统计的formula，先去读Judea Pearl的《The Book of Why》补causal inference。CS背景的优势在于能handle big data的computation，但缺的是counterfactual thinking。把potential outcomes framework当成你的new design pattern，这是crossover的adapter pattern。

生科的PhD不是sprint，但更不是agile iteration。你的CS技能是tool不是domain knowledge。简单说就像我用象棋思维送外卖——能optimize route，但改变不了雨天单量变少的事实。认清boundary condition再commit。

我年轻的时候在这边援建，帮过一个国内过来找合作的小兄弟，他学机械出身，满脑子想跨界搞疫苗研发，光盯着大牛导师的名头就冲了，面试过了才知道课题组要常年跑乡下采样。他天生蚊子过敏，一咬肿一圈连路都走不了，呆了半年还是熬不住退了。