數(shù)據(jù)新時(shí)代統(tǒng)計(jì)顯鋒芒

王輝

1854年，倫敦發(fā)生了大規(guī)模的霍亂，很長(zhǎng)時(shí)間沒(méi)辦法控制。一位醫(yī)師用標(biāo)點(diǎn)地圖的方法研究了當(dāng)?shù)厮植己突魜y患者分布之間的關(guān)系，發(fā)現(xiàn)一口水井位于霍亂病例地理分布的中心，借此找到了霍亂暴發(fā)的原因：一口被污染的水井。在關(guān)閉這口水井之后，霍亂的發(fā)病率明顯地下降了。這是一個(gè)簡(jiǎn)單的故事，卻展示了統(tǒng)計(jì)學(xué)的力量，

目前，大數(shù)據(jù)時(shí)代拉開(kāi)帷幕，作為數(shù)據(jù)分析的“靈魂”，統(tǒng)計(jì)學(xué)的重要性愈發(fā)凸顯。“統(tǒng)計(jì)學(xué)的發(fā)展不僅可以極大地促進(jìn)其它相關(guān)學(xué)科的研究，更可以為政府決策提供科學(xué)依據(jù)，促進(jìn)整個(gè)社會(huì)的全面進(jìn)步！”鄧柯說(shuō)。

求“實(shí)用”踏上統(tǒng)計(jì)之路

頤和園路5號(hào)，北京大學(xué)的所在地，2003年，鄧柯以直博生的身份，在這里踏上了“統(tǒng)計(jì)”之路?！霸诒贝笞x本科的4年，我意識(shí)到相對(duì)于純理論研究，自己更希望能貼近實(shí)踐，解決實(shí)際生活中的一些問(wèn)題。而統(tǒng)計(jì)學(xué)在很多領(lǐng)域都有廣泛的應(yīng)用，所以我選擇了它。”

鄧柯是個(gè)講求“實(shí)用”的人，統(tǒng)計(jì)學(xué)是一門(mén)面向應(yīng)用的學(xué)科。他們“脾性相投”，在北京大學(xué)一起度過(guò)了5年的直博時(shí)光?；貞浧疬@段日子，鄧柯說(shuō)了一個(gè)詞——幸運(yùn)，“那時(shí)，國(guó)家開(kāi)始大力引進(jìn)國(guó)外人才，享譽(yù)國(guó)際的著名統(tǒng)計(jì)學(xué)家、哈佛大學(xué)教授劉軍以長(zhǎng)江講座教授的身份被北大引進(jìn)，與我的博士生導(dǎo)師——北大數(shù)理統(tǒng)計(jì)研究所所長(zhǎng)耿直教授一同指導(dǎo)我做研究，這讓我受益匪淺。”

2008年博士畢業(yè)后，為了進(jìn)一步深造，他漂洋過(guò)海來(lái)到美國(guó)哈佛大學(xué)統(tǒng)計(jì)系繼續(xù)博士后研究，并于出站后留在哈佛大學(xué)工作。一路走來(lái)鄧柯在統(tǒng)計(jì)學(xué)方面已頗有建樹(shù)。

“序貫蒙特卡羅”是用來(lái)解決在高維復(fù)雜系統(tǒng)中進(jìn)行統(tǒng)計(jì)抽樣的一種蒙特卡羅方法，在以“Particle Filter”為代表的一大類(lèi)重要實(shí)際問(wèn)題中有著非常重要的應(yīng)用。但是傳統(tǒng)的“序貫蒙特卡羅”方法主要針對(duì)連續(xù)型分布，應(yīng)用到離散型分布時(shí)，抽樣效率會(huì)大幅降低。為了破解這一難題，鄧柯針對(duì)離散型分布的特點(diǎn)，對(duì)原有的“序貫蒙特卡羅”方法進(jìn)行了創(chuàng)新性改進(jìn)，提出了“序貫拒絕控制抽樣”的新方法，大幅提高了對(duì)離散分布的抽樣效率，在許多實(shí)際問(wèn)題中有重要應(yīng)用。這項(xiàng)研究成果發(fā)表在統(tǒng)計(jì)學(xué)頂級(jí)雜志Journal of the RoyalStatistical Society；Series B

當(dāng)然，解決實(shí)際問(wèn)題才是鄧柯的出發(fā)點(diǎn)和落腳點(diǎn)。在這方面，生物領(lǐng)域的“Hi-C”數(shù)據(jù)分析就是他的關(guān)注點(diǎn)之一?！癏i-C”是一項(xiàng)能夠系統(tǒng)測(cè)量基因組中大量位點(diǎn)間相互作用的新技術(shù)，是近年來(lái)生物學(xué)和生物信息學(xué)研究中的一個(gè)熱點(diǎn)問(wèn)題。該技術(shù)可以在很高的解析度下間接測(cè)量染色體中任意兩個(gè)位點(diǎn)之間的近似空間距離，從而為系統(tǒng)分析染色體的空間結(jié)構(gòu)提供了基本信息?！叭欢?，由于生物試驗(yàn)的復(fù)雜性，Hi-C數(shù)據(jù)中包含著許多測(cè)量偏差和不確定性，為數(shù)據(jù)分析帶來(lái)很大挑戰(zhàn)。”鄧柯迎難而上，與合作者通過(guò)對(duì)“Hi-C”數(shù)據(jù)的深入分析，提出了一套通過(guò)統(tǒng)計(jì)推斷來(lái)預(yù)測(cè)染色體三維結(jié)構(gòu)的新方法，該方法能夠很好地矯正數(shù)據(jù)中的測(cè)量偏差并系統(tǒng)性地處理其中的不確定性，使得生物學(xué)家能夠在40KB的精細(xì)尺度下觀察和分析染色體的三維結(jié)構(gòu)，并從一個(gè)新的角度來(lái)研究遺傳物質(zhì)對(duì)生命系統(tǒng)的影響。論述這一新方法的系列論文發(fā)表在生物信息學(xué)的頂級(jí)期刊Bioinformatics和PloS Computational Biology上，獲得廣泛關(guān)注。

在這同時(shí)，鄧柯還在計(jì)算機(jī)網(wǎng)絡(luò)通訊、醫(yī)學(xué)數(shù)據(jù)分析、社會(huì)學(xué)中的統(tǒng)計(jì)問(wèn)題等方面有了新的突破。

回故土開(kāi)啟新征程

2013年，鄧柯作為青年千人回國(guó)到清華大學(xué)任職，“在當(dāng)時(shí)，清華的統(tǒng)計(jì)學(xué)科基礎(chǔ)相對(duì)薄弱。只有清華、北大、中科院的統(tǒng)計(jì)學(xué)都強(qiáng)大起來(lái)，中國(guó)之統(tǒng)計(jì)才能強(qiáng)起來(lái)。所以，我愿意投入到清華的統(tǒng)計(jì)學(xué)科建設(shè)中來(lái)?！?/p>

隨著統(tǒng)計(jì)學(xué)成為“一級(jí)學(xué)科”，國(guó)內(nèi)許多高校都加大了統(tǒng)計(jì)學(xué)科建設(shè)的力度。2014年，清華大學(xué)決定組建“統(tǒng)計(jì)學(xué)研究中心”，并聘請(qǐng)鄧柯的博士后導(dǎo)師劉軍教授擔(dān)任中心主任，哈佛大學(xué)生物統(tǒng)計(jì)系林希虹教授擔(dān)任共同主任，領(lǐng)導(dǎo)中心的發(fā)展建設(shè)。而鄧柯也作為副主任，加入到了中心的建設(shè)工作中?！斑@個(gè)過(guò)程非常艱辛，要找辦公場(chǎng)地，跑手續(xù)、搞裝修、招聘秘書(shū)、引進(jìn)人才、做人事制度改革等許多其他工作。但是，我們最終還是成功地在短短的一年之內(nèi)把中心建立了起來(lái)，并推動(dòng)其迅速步入了快速發(fā)展的軌道。“2015年6月27日，清華大學(xué)統(tǒng)計(jì)學(xué)研究中心成立大會(huì)隆重召開(kāi)，海內(nèi)外150余名專(zhuān)家齊聚清華，鄧柯與他們共同見(jiàn)證了這個(gè)歷史性時(shí)刻。目前，清華大學(xué)統(tǒng)計(jì)學(xué)研究中心已經(jīng)組建了一只由6位全職教員、3位兼職教員構(gòu)成的師資隊(duì)伍，他們正帶領(lǐng)著2位博士后、十余位博士生向統(tǒng)計(jì)學(xué)的高峰不斷攀登。

回到清華工作的3年中，鄧柯在學(xué)術(shù)的道路上不斷前行，取得了豐碩的成果。他首創(chuàng)了排序數(shù)據(jù)集成的貝葉斯方法，大幅提高了排序集成結(jié)果的準(zhǔn)確性，這項(xiàng)研究成果發(fā)表在統(tǒng)計(jì)學(xué)頂級(jí)雜志Journal of American StatisticsAssociation。他還與合作者一起提出了運(yùn)用統(tǒng)計(jì)學(xué)原理整合多種生物組學(xué)數(shù)據(jù)的新方法，相關(guān)研究成果發(fā)表在NatureCommunications。

基于統(tǒng)計(jì)學(xué)的文本分析是鄧柯的另一個(gè)關(guān)注點(diǎn)。盡管作為計(jì)算機(jī)科學(xué)的一個(gè)傳統(tǒng)研究領(lǐng)域，文本分析的理論和方法研究倍受關(guān)注，并已取得諸多成果。但是，目前仍然缺乏一種有效的方法可以將文本分析中的諸多環(huán)節(jié)進(jìn)行整合。以中文分析為例：新詞發(fā)現(xiàn)、分詞和命名實(shí)體識(shí)別這三個(gè)關(guān)鍵問(wèn)題大都被分別處理?！案鼮橹匾氖牵F(xiàn)有的主流方法大多依賴(lài)高質(zhì)量的訓(xùn)練樣本。但是，在許多重要的實(shí)際問(wèn)題中，由于所涉及的文本規(guī)模龐大且風(fēng)格多樣，幾乎沒(méi)有可能低成本地獲取有廣泛代表性的高質(zhì)量訓(xùn)練樣本。”鄧柯補(bǔ)充道。這一事實(shí)極大地限制了許多文本分析方法的應(yīng)用范圍。

為了克服這種缺陷，鄧柯劍走偏鋒，提出了一種基于“詞典模型”的統(tǒng)計(jì)方法。該方法將新詞發(fā)現(xiàn)、分詞和命名實(shí)體識(shí)別作為一個(gè)整體來(lái)通盤(pán)處理，既不需要傳統(tǒng)意義上的訓(xùn)練樣本，又能充分利用文本中的信息，有重要的學(xué)術(shù)價(jià)值和廣闊的應(yīng)用前景。這一研究成果發(fā)表在頂級(jí)綜合性期刊《美國(guó)科學(xué)院院刊》（Proceedings of the NationalAcademy of Sciences of USA），引起了國(guó)內(nèi)外中文處理學(xué)界的廣泛關(guān)注。

為了支持日益增長(zhǎng)的醫(yī)療大數(shù)據(jù)研究和產(chǎn)業(yè)需求，清華大學(xué)統(tǒng)計(jì)學(xué)研究中心于2015年10月成立了“醫(yī)療大數(shù)據(jù)中心”，與國(guó)內(nèi)外醫(yī)學(xué)界和產(chǎn)業(yè)界建立深入合作，共同推動(dòng)與醫(yī)療大數(shù)據(jù)相關(guān)的理論和應(yīng)用研究。在這個(gè)研究平臺(tái)上，鄧柯開(kāi)展了一系列新的探索?！拔覈?guó)巨大的人口基數(shù)和醫(yī)療資源分配不均衡的現(xiàn)狀使得我國(guó)自然形成了多個(gè)全國(guó)性和區(qū)域性的醫(yī)療中心，它們積累了大量寶貴的醫(yī)療數(shù)據(jù)。如果能夠?qū)@些醫(yī)療大數(shù)據(jù)進(jìn)行有效的分析，并從中提取出與疾病診斷、疾病治療、療效評(píng)價(jià)、效費(fèi)分析相關(guān)的重要模式和信息，必將對(duì)提升我國(guó)醫(yī)療系統(tǒng)的整體效率產(chǎn)生重大推動(dòng)作用，并有可能催化出重大的新發(fā)現(xiàn)?！编嚳抡f(shuō)。

“要實(shí)現(xiàn)這一目標(biāo)，不僅要收集大量的醫(yī)學(xué)臨床數(shù)據(jù)，更要對(duì)這些數(shù)據(jù)進(jìn)行深度清洗和整理從而將其轉(zhuǎn)換為能夠進(jìn)行分析的形式，并需要設(shè)計(jì)出有針對(duì)性的分析方法來(lái)對(duì)這些數(shù)據(jù)進(jìn)行分析。統(tǒng)計(jì)學(xué)在這其中的任何一步都發(fā)揮著不可替代的作用?！编嚳卵a(bǔ)充道。目前，鄧柯帶領(lǐng)的課題組正在醫(yī)學(xué)自然語(yǔ)言處理和標(biāo)準(zhǔn)化、醫(yī)學(xué)知識(shí)圖譜構(gòu)建、醫(yī)學(xué)大數(shù)據(jù)模式識(shí)別等領(lǐng)域展開(kāi)卓有成效的尖端研究?！拔覀兤谕诓痪玫膶?lái)會(huì)在這一領(lǐng)域做出一系列重要成果！”鄧柯對(duì)未來(lái)充滿(mǎn)信心。

鄧柯的“野心”不止如此，他還力圖運(yùn)用統(tǒng)計(jì)學(xué)的方法和原理為政府決策提供有力支持。2015年，鄧柯作為數(shù)據(jù)科學(xué)家參與到國(guó)家質(zhì)檢總局“進(jìn)出口食品安全監(jiān)管改革”方案的制定工作中，和總局的專(zhuān)家一道對(duì)我國(guó)進(jìn)口食品口岸檢驗(yàn)歷史數(shù)據(jù)進(jìn)行了深入分析，并依據(jù)數(shù)據(jù)分析的結(jié)果設(shè)計(jì)了一套全新的監(jiān)管體系和口岸抽檢方案。這從根本上改變了我國(guó)進(jìn)口食品檢驗(yàn)實(shí)踐中長(zhǎng)期依賴(lài)人為經(jīng)驗(yàn)的粗曠式做法。目前，這套方案已經(jīng)作為“國(guó)家抽檢計(jì)劃”在全國(guó)質(zhì)檢系統(tǒng)得到了實(shí)際運(yùn)用。“這項(xiàng)工作可能因?yàn)楸Ｃ苄远荒馨l(fā)表文章，但是食品安全和人民群眾的生活息息相關(guān)，所以要是做好的話還是非常有意義的。”鄧柯說(shuō)。