如果一份计算机博士申请材料里，只有“模型准确率提高了”这一句，它其实还没有把研究能力交代清楚。模型使用了什么数据，数据本身代表什么，评价指标为什么合适，结果在哪些样本上可能失效，这些问题尤其重要。当研究场景变成生物医学时，技术上能做出预测和科学上能解释预测，往往隔着很长一段距离。
新加坡国立大学计算机学院的Wong Limsoon 教授，是 Kwan-Im-Thong-Hood-Cho-Temple 讲席教授，也担任新国大研究生院副院长。他的学院介绍将研究重点概括为知识发现技术及其在生物医学中的应用；此前还做过数据库查询语言理论和大规模数据集成系统。这是一条很有特点的路径：从计算机学科里理解数据怎样被组织和查询，再走向真实的生命科学问题。
这样一位导师值得关注的，不是“计算机转生物”听上去有多新，而是两种学科在证据标准上的差别。做算法的人很习惯先问模型能不能提升某个指标；做疾病研究的人会继续问，样本来自哪些人，标签是什么，病理过程能不能支持这样的解释。如果数据存在批次效应，模型可能只是学会了区分采集条件，而不是识别了疾病信号。后面这个例子是方法论上的假设，并非Wong 教授团队某项研究的结论。
从一个结果追问到数据的来处
Wong 教授所在的计算生物学方向，本来就处在数据库、计算方法和医学应用之间。申请者介绍项目时，可以把自己工作中通常被压缩掉的中间环节展开。比如同样是处理高维数据，为什么选这样的数据清洗方法，遇到不平衡样本如何评价，哪些特征可能受到数据来源影响。如果没做过某项处理，没必要硬说自己做过；把现有项目中的真实限制交代明白，反而可以让导师判断你具备怎样的研究判断。
对有生物学背景的申请者，路线也并不只是补一门编程语言。你在实验或数据分析中遇到什么重复性问题？有没有发现不同样本的测量条件不能直接比较？是否能把实际问题描述到足以让计算方法介入？能够把生物学观察转译成明确的数据问题，是另一种有价值的起点。
如果已经接触机器学习，值得回头检查一次自己最常引用的结果。训练集、验证集怎样划分？指标有没有受类别比例影响？同一批样本是否在多个处理阶段被反复使用？论文中的结果为何能够或不能够在另一类样本上成立？这些并不是申请文书的固定考题，而是跨学科研究反复需要的基本判断。
Wong 教授的个人主页和学院信息还呈现了另一面：他的工作不只停留在一套工具的使用上，而是包含知识组织、查询和应用问题的长期积累。数据库理论与医学数据看似远，实际共同面对的是“我们究竟能从什么形式的数据里得出什么结论”。如果你的项目只证明会调用某个开源模型，可能离这种问题意识还差一步。
奖学金能解决什么，不能替你决定什么
新国大研究奖学金的学校公开标准中，自2026年1月起，获奖的国际博士生月津贴为新币3,000元，博士通过资格考后可增加每月新币500元；典型资助期为四年，并提供学费减免。这里的关键词是“获奖者”。金额是学校奖学金规则，不是Wong 教授研究组直接给每个人的录取或资助承诺。国际获奖者还要履行学校规定的研究生助教相关职责。
对于预算需要提前规划的人，这组信息确实有用：可以先把项目申请与奖学金资格分别核实，再估算生活安排。但如果项目经历和课题没有形成联系，只拿一组奖学金金额做申请理由，通常不能回答最核心的问题——你为什么愿意用博士几年去理解一类尚未解决的问题。
计算生物学尤其考验这种耐心。一个漂亮的预测结果可以在很短时间内展示出来，追溯它来自哪些数据、哪些统计假设、哪些可复现步骤，常常才是真正费力的工作。申请材料不能只呈现最好看的终点，也要让人看见你走到那里的判断。
怎样把现有经历写得更可信
假设有人做过公开基因表达数据的分类练习，最容易写成“使用深度学习实现疾病分类”。更可信的写法可以从样本与标签开始：做过怎样的预处理，为什么选择某个评价指标，哪些类别表现不稳定，下一步想检验怎样的跨数据集差异。这里仅是材料改写的假设示范，不代表Wong 教授具体要求申请者做基因表达分类。
相反，如果做的是传统数据库、信息检索或软件系统，也不必为了跟生物医学挂钩而虚构实验背景。可以诚实说明自己如何处理大规模异构数据、验证查询正确性、评估系统效率，再讨论这些能力是否有助于生命科学数据的组织和分析。重要的是建立可检验的联系，而不是制造一个并不存在的学科身份。
学校计算机学院开设计算机科学与信息系统方向的研究型博士，官网列有申请条件：相关学士或硕士学历、研究奖学金对应的学术成绩要求等。正式录取并不等同于个人已获得特定导师的承诺，研究主题、导师接收以及资助配置仍需要按相应程序确认。
Wong 教授的研究经历提示了一个很朴素的判断：真正能带进博士阶段的，未必是简历上最“前沿”的工具，而是你能否把数据、问题与证据之间的关系讲清楚。材料里若有一项项目能完整呈现这种能力，已经比堆出许多互不相干的关键词更有说服力。
