生物统计、生物信息与计算生物学硕士申请白皮书

GPA 对申请定位的影响

多数项目不会公布录取者的 GPA 区间，官网列出的最低要求多为 3.0。下表为 IvyPath 根据公开信息和过往数据整理的申请建议，不是学校的官方录取线。实际定位还要结合本科院校、核心课程成绩、科研或实习经历综合判断。

常见先修基础：大一、大二怎么选课

这几个方向都会需要先修课，但关注重点不同。生物统计主要看数学和统计基础；生物信息与计算生物学则同时考察数学、编程和生物学课程。申请前应先把目标项目的先修要求列成清单，缺少的课程尽量通过本科选课、暑期课程或其他能够提供正式成绩单的方式补齐。

GRE 与语言考试

下表按第 5 节的项目顺序逐项列出，数据核验于 2026 年 7 月 25 日（部分数据更新于 2026 年 9 月 27 日）。TOEFL iBT 自 2026 年 1 月 21 日起启用 1—6 分新制，总分和各单项满分均为 6 分，以 0.5 分为一个分数档；此前参加的考试沿用总分 120 分、单项 30 分的计分方式。各校的新旧制分数要求不同，表中均按官网说明分别列出。

项目、科研和实习看什么

判断一段经历是否有说服力，主要看三点：是否与申请方向相关、有没有可以说明或验证的成果，以及你能否讲清自己具体负责了什么。

不同方向关注的经历有所不同：

• 生物统计方向：重点看是否完成过较完整的数据分析，包括数据整理、方法选择、模型检验和结果解释；使用 R 或 SAS 都可以。
• 生物信息方向：重点看是否完成过可复现的组学数据分析流程，能否解释质量控制、分析方法和工具选择。
• 计算生物方向：更关注是否围绕具体生物学问题开发或比较计算方法，并通过实验数据、公开数据集或基准测试验证结果。
• 生物医学信息学方向：重点看是否处理过电子健康记录、临床数据或医疗数据标准，以及能否使用 SQL、Python 等工具完成数据整理和分析。

软件名称本身不是重点。招生委员会更关心你用这些工具解决了什么问题，以及是否理解分析方法的适用条件和局限。

科研经历不一定要有正式论文，但应能说明研究问题、采用的方法和个人贡献。可以作为证明的成果包括论文中的具体章节、研究报告、海报展示，以及有说明文档的代码或分析流程。实习经历则要说明自己参与了哪些工作、承担了什么技术任务，以及最终形成了什么结果。仅有机构名称，却无法讲清具体工作，通常很难为申请提供有效信息。

经历的说服力可以按以下顺序判断：

与申请方向高度相关、本人承担核心任务并形成完整成果的经历 ＞ 方向相关且本人贡献明确、但成果仍属于团队工作一部分的经历 ＞ 有完整代码或报告的课程及个人项目 ＞ 只能说明参与过、无法讲清本人贡献的辅助性工作。

文书可以按照“问题—方法—本人贡献—结果—局限”整理经历。项目没有达到预期结果并不一定减分；如果能解释原因、分析方法上的问题，并说明之后如何调整，同样可以体现研究和解决问题的能力。

不同背景如何准备

统计或数学本科。微积分、线性代数和概率统计通常比较完整，主要需要补生物学和编程。建议修读分子生物学或遗传学，并掌握 R 或 Python；经历方面，可以完成一段临床、公共卫生或组学数据分析。申请生物信息或计算生物项目时，还要确认是否需要数据结构和算法课程。

生物或医学相关本科。重点补数学和编程。申请生物统计项目，通常需要多元微积分、线性代数和概率统计；申请生物信息或计算生物项目，还应学习 Python 或 R，部分项目会要求数据结构。经历方面，可以把实验室、临床或公共卫生问题转化为数据分析项目，证明自己不仅了解研究场景，也能完成实际分析。

计算机或电子信息本科。编程是优势，但需要补生物学和统计基础。建议修读分子生物学、遗传学和数理统计；如果本科没有系统学过数据结构与算法，也应补齐。经历方面，可以完成基因组数据分析流程、计算方法比较或临床数据项目，让学校看到你能把计算能力用在生物医学问题上。

已经工作或跨专业幅度较大的申请者。先根据成绩单确定最明显的课程缺口，优先修读带成绩记录的正式课程。经历方面，应准备一段近期完成、与申请方向直接相关的分析或开发项目，并在文书和推荐信中说明转向这一领域的原因，以及已有能力如何延伸到新的方向。

本节比较 17 个硕士项目，信息来自学校官网、官方课程目录和项目手册，最后核验于 2026 年 7 月 25 日。完整项目列表见项目库的生物医药类清单。

收录的项目需要满足三项条件：面向本科毕业生公开招生；官网能够查到课程结构与申请要求；不是证书或线上学位。以下按照课程重点、论文与实践要求、完成时间和实习安排分为四组，每个项目只归入一组。分组用于比较不同的培养路径，不代表学校排名或申请难度。更完整的课程、费用和申请信息，可在项目库的生物医药类清单中逐项查看。

第一组：偏统计方法与临床试验训练的生物统计硕士

这一组以概率、统计推断、回归分析、生存分析和研究设计为主，通常还会设置论文、统计咨询或综合考试。适合数理基础较完整，希望进入生物统计、临床研究，或为后续博士研究做准备的同学。

Harvard Master of Science in Biostatistics：Harvard 的三种方案面向不同申请者。SM-42.5 主要招收已经接受过硕博训练、并有相关研究经历的申请者；本科毕业生通常比较的是 SM-60 和 SM-80。

SM-60 用一年半完成 60 学分，课程安排更紧凑，最后需要提交论文并进行口头汇报。如果已经有比较明确的研究兴趣，希望在硕士期间完成一项独立研究，这条路径更合适。SM-80 为两年、80 学分，不要求正式论文，但比 SM-60 多出一个学期和 20 学分，可以修更多统计计算、统计遗传学或数据科学课程，也有更多时间参与教师研究或担任助教。它更适合希望扩大课程选择、接触几个方向后再确定重点的学生。两种方案都要求申请者已经修过多元微积分、线性代数，并具备编程基础。

Johns Hopkins ScM in Biostatistics：项目第一年主要学习生物统计方法、概率与统计推断，同时完成 R、Python、统计计算和公共卫生研究课程。第一年结束时要参加综合考试，包括现场考试和一项持续三天的数据分析任务，既考理论，也考查学生能否独立处理实际数据。第二年的课程量会减少，主要时间用于论文研究，同时修读统计咨询课，学习如何和医生、流行病学家等研究人员合作。综合考试结果与第二年 75% 的学费减免有关。这个项目比较适合数理基础扎实、愿意接受高强度第一年，并希望同时积累论文和医学合作研究经验的学生。

University of Michigan MS in Biostatistics：Michigan 课程中既有概率分布、统计推断，也有线性回归、广义线性模型和纵向数据分析。这样的安排对以后进入药企、医院或公共卫生研究团队比较实用，因为实际工作既需要理解方法，也需要完成分析并解释结果。最后一学期的 BIOSTAT 699 应用分析是一门综合分析课。学生需要围绕真实研究案例判断研究设计和数据分析中存在的问题，分阶段完成分析，并提交书面报告和口头汇报。项目共四个正式学期，中间保留一个完整暑期，可以安排实习或研究。它比较适合希望把统计基础打牢，同时积累完整分析经验的学生。

University of Washington MS in Biostatistics：学生可以选择 Capstone 和 Thesis 两种不同培养方式。Capstone 用 18 个月完成，学生可以选择 Data Science、Statistical Genetics 或 Modeling and Methods。最后的项目由合作机构提供真实的健康数据问题，学生以团队形式完成分析方案、程序实现和结果汇报，并整理个人作品材料。这条路径和就业衔接得更直接。

Thesis 为 24 个月，统计理论课程更多。学生需要通过第一年的理论考试，之后完成 18 学分的论文研究和小班统计咨询课。如果毕业后准备直接求职，可以优先比较 Capstone；如果希望做独立研究，或者为博士申请积累论文经历，Thesis 更合适。

UNC–Chapel Hill MS in Biostatistics：UNC 的 MS 不属于纯授课项目，但也不是以传统论文为中心。第一年主要学习概率、统计推断和应用方法，并参加硕士综合考试。第二年逐渐转向研究设计、统计咨询和 BIOS 992 硕士报告。它比较突出的部分是连续两学期的统计咨询训练。学生需要面对医学或公共卫生研究中的实际问题，判断应该采用什么研究设计和统计方法，并向没有统计背景的合作方解释分析结果。毕业时完成的是一份硕士研究报告和口头答辩，而不是完整的传统论文。适合目标是进入药企、CRO、医院或公共卫生研究团队，从事需要与医学人员长期合作的生物统计工作的同学。

UC Berkeley MA in Biostatistics：项目由 Berkeley Public Health 的生物统计部门与统计系共同培养，UCSF 的生物统计与流行病学教师也参与教学。课程从研究生概率论、统计理论和现代生物统计方法开始，之后可以继续学习因果推断、生存分析、计算统计、纵向数据分析和统计基因组学，整体比偏应用或就业训练的项目更重视统计理论。毕业时通常参加口头综合考试，也可以选择提交论文。考虑继续读博的学生，可以在第二年重新申请 Berkeley 的生物统计博士，但硕士录取不会自动转为博士录取。这个项目更适合数学和统计基础扎实、希望系统学习生物统计方法，或者考虑继续做研究的申请者。申请前最好已经完成微积分、线性代数和统计课程。

第二组：设应用方向或与产业衔接较紧的生物统计硕士

这一组仍然学习生物统计的核心方法，但会更早把课程和具体工作联系起来。有的让学生直接选择制药统计或健康数据科学方向，有的把实习、统计咨询和毕业项目连在一起。比较时，主要看这些安排是否与自己的目标岗位一致。

Columbia MS in Biostatistics：Columbia 最有用的地方，是把不同就业方向直接写进了课程设置。Theory & Methods 更重视概率、统计推断和复杂数据分析，可以作为就业学位，也能为后续博士申请做准备；Public Health Data Science 增加统计学习、数据库、SQL 和可复现编程；Pharmaceutical Statistics 则集中学习临床试验、新药开发监管、SAS 和研究数据管理。所有方向都要完成一学期的实践经历，并在年度展示中汇报项目；最后的 Capstone Consulting Seminar 还会让学生参与学校的统计咨询服务，接触研究设计、数据分析和论文结果呈现等实际问题。因此，Columbia 不能只看“MS in Biostatistics”这个总名称，具体选择哪个方向，会明显影响两年的课表。目标是药企临床试验岗位，可以重点看 Pharmaceutical Statistics；希望保留博士或方法研究方向，可以比较 Theory & Methods；想兼顾生物统计与健康数据岗位，则 Public Health Data Science 更合适

Duke Master of Biostatistics：第一年统一学习统计理论、应用方法、统计编程和生物统计实践，结束后参加资格考试。通过这一阶段后，学生再进入 Clinical and Translational Research、Biomedical Data Science、Health AI 或 Mathematical Statistics 四个方向之一。暑期 practicum 用来完成真实环境中的分析工作，第二年还有一项持续两个学期的 Master's Project。换句话说，学生需要先把基础方法学好，再通过实习和毕业项目证明自己能独立完成分析。三个方向也给了不同选择：临床与转化研究更接近药企、医院和医学研究团队；Biomedical Data Science 增加大数据编程与案例分析；Mathematical Statistics 则适合希望继续加强理论的学生。相比以论文为中心的研究型项目，Duke 更重视方法、实践和职业准备之间的衔接。

Emory MSPH in Biostatistics: MSPH 要求 48 学分，概率论、统计推断类课程更完整，同时保留流行病学和公共卫生课程。学生还要学习 SAS 或 R，并完成生存分析、纵向数据和多层模型等应用方法。项目要求至少 200 小时的 Applied Practice Experience。学生需要在公共卫生或生物医学机构完成实际工作，并向合作机构提交至少两项成果。最后一学期可以选择 Capstone 或 Thesis：Capstone 要整理成接近论文形式的报告，并完成口头汇报和海报展示；Thesis 则更偏独立研究。这样的安排给学生留出了选择空间——准备直接工作，可以把实践经历和 Capstone 连起来；考虑继续读博，也可以选择论文。它比较适合希望保留研究训练，同时又不想放弃完整实习经历的学生。

Weill Cornell Medicine MS in Biostatistics and Data Science：Weill Cornell Medicine 的项目比传统生物统计硕士更靠近健康数据科学。项目用 16 个月完成 36 学分，必修课包括生物统计、回归、纵向数据分析、R 与 Python、统计学习；选修课则延伸到 SAS、制药统计、因果推断、医学大数据和 SQL。

它的 Master's Project 从第一学期就开始：先确定合作项目，第二阶段与客户或研究团队完成分析，最后提交详细报告，并向合作方和教师汇报。这个安排比最后一学期才开始的普通 Capstone 更完整，学生有时间真正参与一个持续性项目。非常适合目标是医疗数据分析、药企数据科学、健康科技或保险分析的同学。

第三组：偏计算与算法训练的生物信息与计算生物学硕士

这一组的训练主线是算法与数据处理流程。适合目标是基因组数据分析或计算方法开发的同学。

Carnegie Mellon University M.S. in Computational Biology：CMU 的特点是课程覆盖完整。第一年同时学习科学编程、算法与数据结构、统计与数学、细胞与分子生物学、数量遗传和机器学习；第二年继续学习基因组学、生物建模和科研自动化。已有相关基础的学生可以通过分班考试或项目经历免修部分基础课，再用选修课补足学分。它适合生物背景想系统补编程与算法，或计算机背景需要补生物学知识的同学；如果计划继续读博，应尽早安排实验室研究，并把可选的 Honors Thesis 纳入学习计划。

Georgia Institute of Technology M.S. in Bioinformatics：Georgia Tech 的课程安排更贴近就业。必修课包括生物信息编程、计算基因组学、数据库、统计和计算生物学中的机器学习，同时要求完成全职暑期实习。学生最后可以做 Capstone，也可以继续在同一实验室完成更完整的研究。它适合希望在较短时间内完成课程、实习和项目的同学。申请前要确认三方面的基础都达到要求：微积分与线性代数、大学生物学，以及包含编程的计算机课程；该项目 GRE 为可选，但官网强烈建议提交。

Boston University M.S. in Bioinformatics：BU 最值得关注的是 400 小时实习。学生可以在暑期用约十周全职完成，也可以在学期中兼做；实习结束后还要提交书面报告并进行口头汇报，两者共同构成硕士论文。课程包括 Python 编程与机器学习、基因组数据分析、生物数据库和组学基础，其中专门设置了面向编程经验较少的生命科学学生的课程。它适合希望从生物背景转向生物信息分析，并希望毕业前获得正式实习经历的同学。选择 12 个月方案时，课程和实习会排得很紧，需要提前规划实习时间。

Weill Cornell Medicine M.S. in Computational Biology：Weill Cornell 的研究要求明显高于本组其他三个项目。前两个学期主要学习算法、生物建模、细胞与分子生物学、测序数据分析和高通量数据解释；从第一年暑期开始进入 Weill Cornell 或 Sloan Kettering 的实验室，完成独立研究、论文和答辩。选修课可以来自 Weill Cornell 和 Cornell Tech，其中至少一门须为统计或机器学习课程。课程安排适合希望积累完整研究经历、考虑继续读博或申请偏研究岗位的同学。

第四组：生物医学信息学与生物医学数据科学

这一组处理的数据不只包括电子健康记录，也可能涉及医学影像、分子数据、临床研究数据和医疗系统信息。Stanford 和 Harvard 的研究要求较重；Columbia 更偏实际应用。适合把硕士当作博士跳板或想进入医学研究机构的同学。

Stanford University M.S. in Biomedical Data Science：项目除了统计、计算机和生物医学数据课程，学生还要在导师指导下参与研究，毕业论文应达到可投稿的完整程度，并由两位教师评审。它适合已经具备编程、统计和一定生物医学基础，希望进一步做医学数据方法研究的同学。

Harvard Medical School Master of Medical Sciences in Biomedical Informatics：第一年学习 R、Python、统计方法、生物医学数据和医学人工智能；第二年进入 Harvard 教师实验室，全职完成研究论文并答辩。申请时已经要求具备 R 或 Python 编程能力、概率统计基础和分子生物学知识，因此项目重点不是补基础，而是把这些能力用于实际医学研究。它适合希望完成一段完整研究、以后申请博士或从事医学数据研究的同学。需要注意的是，这是一项独立硕士，不提供直接升入 Harvard 博士项目的通道；第二年主要用于论文研究，计划校外实习的学生应提前安排时间。

Columbia University M.A. in Biomedical Informatics：

项目更偏医院和医疗系统中的实际应用。课程由生物医学信息学核心课、具体应用领域课程和研究课组成，学生最后可以选择由两位教师评阅的 Master's Essay，也可以完成有项目方参与的 Capstone 并做展示。与 Harvard 和 Stanford 相比，它不要求所有学生完成一年全职实验室研究，更适合目标是医院信息部门、临床数据平台或健康科技公司的同学。

另外两个需要单独比较的项目

下面两个项目与本文讨论的方向相关，但在学习方式或招生对象上与前面几组差别较大，因此单独说明。

Johns Hopkins MS in Bioinformatics（Advanced Academic Programs）：这是面向就业和在职学习的生物信息学硕士，与 Bloomberg School of Public Health 的 ScM in Biostatistics 不是同一个项目。项目要求完成 11 门课、36—41 学分，通常需要 16—24 个月，最长可以在五年内完成；学生可以选择校内或在线学习，也可以全日制或非全日制。

课程同时覆盖生物科学和计算机科学，独立研究属于选修，并非必修论文。它更适合需要灵活安排学习时间的在职申请者，或者希望从生物、工程等背景转向生物信息学的同学。申请前需要完成有机化学、生物化学、编程、数据结构、概率或统计以及微积分等课程。

University of Pennsylvania：MCI 与 MSBMI：Penn 目前开设两个名称相近、但招生对象不同的项目。原来的 MBMI 已更名为 Master of Clinical Informatics（MCI）。该项目共 10 门课，主要面向已经在医院、临床研究或医疗管理领域工作的申请者。多数学生兼读，也可以用三个学期、约 16 个月全日制完成；课程均在费城校内授课。申请者不一定要有医学专业学位，但应具备临床工作经验，并了解美国医疗体系。Master of Science in Biomedical Informatics（MSBMI） 于 2026 Fall 招收首届学生，共 12 个 course units，设置临床科学信息学、转化生物信息学和健康人工智能三个方向，并要求完成研究论文。该项目只接受已经取得医学、牙医学、兽医学、护理等高级专业学位，或健康相关博士学位的申请者，普通本科毕业生不能直接申请。

因此，Penn 这两个项目都不适合普通本科生申请。MCI 主要面向已有临床工作经历的人，MSBMI 则只招收拥有医学等高级专业学位或健康相关博士学位的申请者。

申请清单怎么搭

比较合理的顺序是：先按职业目标筛选项目，再根据 GPA、核心课程成绩和相关经历，把候选项目分成冲刺、匹配和相对稳妥三类。

先按职业目标确定项目范围：

• 目标是进入药企或 CRO，从事生物统计、统计编程和临床试验相关工作，重点比较第一组和第二组。选校时查看临床试验设计、统计咨询、SAS、CDISC 训练，以及实习是否写入培养方案。
• 目标是从事基因组分析、生物信息流程开发或计算方法研究，重点比较第三组。需要关注编程与算法课程、组学数据分析、实验室研究和暑期实习安排。
• 目标是医院数据、电子病历、临床信息系统或医疗人工智能，可以比较第四组。
• 如果考虑继续读博，应在清单中保留含论文或长期研究训练的项目。

再把同一方向的项目分成三类：

• 冲刺项目：项目竞争较强，或者申请者的 GPA、核心课程和研究经历只有部分达到常见录取水平。研究要求高、招生规模较小的项目通常更适合放在这一类。
• 匹配项目：GPA 与项目竞争程度基本相符，先修课已经完成，也有一至两段与申请方向直接相关的科研、实习或项目经历。
• 相对稳妥的项目：GPA 和核心课程成绩高于项目最低要求，申请方向与已有经历衔接清楚，项目招生规模或培养方式也更适合自己的背景。

以 8—12 个项目为例，可以先安排 2—3 个冲刺项目、4—6 个匹配项目和 2—3 个相对稳妥的项目，再根据实际背景调整。GPA 较高、研究经历较强，可以适当增加冲刺项目；GPA 在 3.4 以下、先修课存在缺口或正在转专业，则应提高匹配和稳妥项目的比例。

如果不确定现有 GPA、先修课和经历分别能对应哪些项目，可以咨询 IvyPath 顾问。我们会结合职业目标、项目竞争程度、学制和申请时间，帮助你划分冲刺、匹配和相对稳妥的项目，并定制详细申请规划方案。