如何学习和练习生物信息学算法，并提高编程能力
目录
如何学习算法
就像学习现有软件的使用方法一样，去官网看英文文档是最准确的方式。 中文文档读起来更快，但往往不全面，或存在翻译问题。 学习算法，最好的方式也是去读文献。 不过，如果是比较基础和应用广泛的算法，看中英文介绍也可以。 其实我看文献和长篇介绍也头大，所以有时候直接看代码，反而能更快地理解算法。
如今，大家喜欢都看视频来学习，也是一种不错的方式。 但是千万不要局限于中文视频，英文的高质量视频也很多的，多搜总有收获。 比如油管上Ben Langmead (Bowtie2 作者)的系列视频， 如 Algorithms for DNA Sequencing （其实我也没看，不过我看其内容挺广的）， Burrows-Wheeler Indexing (我看了，但没看完）。
最后就是，可以在Google Scholar上关注感兴趣的同行，获得特定领域的文献推送，长期关注自己感兴趣的方向，持续学习。
如何提高编程能力
首先，如果可以，请选择一门编译型语言，比如C/C++/Go/Rust。 当然Python也是可以的，只是性能稍差（如果不用其他语言写底层代码的话）。
接着，除了掌握基础的语法、标准库、常见数据结构之外，最好的方式是通过重写经典数据结构和算法来练手。 我重写过CountMinSketch、BWT和FM-index、Minimizer、FracMinHash、Kmers编辑码等， 后来根据兴趣或需求从文献复现的有StrobeMers、LexicHash、WFA等。 WFA是做LexicMap的中途，花了4周全身心投入实现的，后续断断续续做了一些优化。 上述的包都在Github开源了的，都能直接拿来用。
重新发明轮子其实是个很好的锻炼机会。 一是锻炼编程（算法、数据结构、性能优化）能力。甚至很多人看不上的、简单的FASTA/Q文件解析，我都迭代过很多版本，从中学到很多。 二是启发新的方向，比如LexicMap核心算法基于LexicHash，但是我们做了很多大的改进。 而其中很多细节和灵感又源自于先前多个项目的积累，包括SeqKit、kmers、unikmer、TaxonKit、KMCP等。
我为什么要发明那么多轮子？ 因为Go语言缺少很多生物信息学的库；为了保证跨平台编译，又不想使用其他语言的库，所以只能自己写。 渐渐的，时间长了，自己也得到了锻炼。 如果大家使用的语言有现成的优秀的库，直接用就可以了。不过，原创的算法还是得自己写。
至于如何进一步提高编程能力呢，这里推荐一本书，《深入理解计算机系统》，我每读一次都能获得一些性能改进的灵感。 另外，可以结合一些性能分析软件，比如go的pprof工具，就能更快地优化软件性能。 不过有时候，还需要更复杂的技术，比如SIMD。 Go语言不支持SIMD指令，但支持Go汇编语言，我还为此花了几周时间从头学汇编语言，来优化一个函数。
最后，一切都要源于兴趣，喜欢并投入大量的精力学习和练习，一定有收获。念念不忘（甚至游戏、洗澡、跑步的时候），必有回响。