Как специалисту с вычислительным бэкграундом прийти в сферу долголетия?

Специалисты в области computer science, физики, математики и других вычислительных областей часто задают одни и те же вопросы о том, как присоединиться к исследованиям долголетия. Как человек, который уже прошёл этот путь (мой путь описан здесь), ниже я постарался обобщить свой опыт и советы о том, как максимально плавно перейти к исследованиям старения.

плюсы перехода из других вычислительных областей в исследования долголетия

1. Прежде всего, из моего опыта общения с разными людьми, самая важная причина, побуждающая их прийти в биологию/долголетие/старение — это доступ к более осмысленной работе, с надеждой внести вклад в улучшение здоровья и благополучия человечества. Зарплаты в биологии обычно значительно ниже, чем в tech или чистых AI-приложениях, но ощущение того, что твоя жизнь не тратится на сортировку носков в рейтинге маркетплейса или на показ людям более цепляющей рекламы этих носков — бесценно.
2. Избавление от золотых наручников также огромный boost для морального духа новообращённого. Обменять деньги и безопасность на увлекательное путешествие в биологию и долголетие обычно захватывающе.
3. Биологи искренне восхищаются людьми, которые понимают математику. Возможно, это побочный эффект их страха перед ней, но в любом случае вы можете извлечь из этого выгоду. Это самый простой способ подружиться с биологами — помогите им с анализом данных и проведите несколько статистических тестов для них.
4. Ваш бэкграунд и взгляд на вещи будут уникальны и аутентичны, особенно если вы единственный вычислительный специалист в команде. Вы можете добавить много ценности в общие дискуссии.
5. Вы можете спасти много экспериментов, тщательно проанализировав их результаты. Со мной случалось несколько раз, что эксперименты, считавшиеся полностью провальными, были спасены отладкой этапов сбора или предобработки данных.

конечно, есть и потенциальные минусы, с которыми вы можете столкнуться

1. Вы будете удивлены, как всё медленно. Дело не в том, что они думают, что работают медленно — нет. Просто здесь много привязки к реальному миру. Это больше похоже на готовку и выпечку. Вы можете попытаться оптимизировать свою логистику и заказ ингредиентов — вам всё равно придётся ждать час, пока испечётся торт. И вам придётся следовать рецепту. Можно попробовать срезать углы, но, скорее всего, вы в итоге повторите всё с нуля, потратив ещё больше денег и времени. Это было крайне frustrating для меня в начале, но теперь я научился быть более терпеливым и умножать все свои ожидания на 5-10.
2. Биологические эксперименты не очень воспроизводимы, и в большинстве случаев трудно сделать какие-либо окончательные выводы из них. Спроектировать хороший эксперимент с чётким результатом да или нет — это огромный вызов. Даже при хорошем дизайне результаты могут разочаровать вас.
3. Общее качество и объём доступных данных ограничены. Вы можете думать, что данных много, и тысячи экспериментов загружены в различные публичные репозитории: GEO, NCBI и т.д. Это правда, однако технологии развиваются чрезвычайно быстро, и большинство древних экспериментов (в этой области древний — это 3-5 лет назад от сегодняшнего дня), скорее всего, окажутся в мусоре на каком-то этапе вашего анализа данных из-за относительно низкого качества.
4. Batch effects между датасетами по множеству причин — другая методика измерения, другой штамм мышей или червей, разные лабораторные условия, разный поставщик реагентов, разный климат, корм и т.д. Мы изучаем жизнь, она имеет тенденцию адаптироваться к разным условиям и имеет естественную вариабельность. Кроме того, она живая и реагирует на любые изменения экспериментальных условий. Это может звучать тривиально, но вы удивитесь, насколько плохо это по сравнению с большинством других STEM-областей.
5. Биология всё ещё не очень количественная, люди, работающие в этой области, скорее всего, не имеют интереса или бэкграунда в математике, программировании или чём-либо, что вы чувствуете, все вокруг вас понимают. Использование любых количественных концепций, уравнений, кода, скорее всего, отпугнёт любого wet-lab учёного. Конечно, почти в любой статье вы найдёте графики, таблицы и числа, статистические тесты и т.д. Но не радуйтесь преждевременно. Поскольку вы входите в их область, ваша обязанность — адаптироваться к их правилам и научиться объяснять своё мышление более понятным человеческим языком без ссылок на технические концепции.

Если вам интересно, какие карьерные пути или типичные сценарии ждут вас как человека с вычислительным бэкграундом в области старения/долголетия, я могу назвать несколько.

потенциальные карьерные пути для новообращённых из вычислений в биологию/старение

1. Стандартная биоинформатика, разработка инструментов, пайплайны обработки данных. Много всего уже написано об этом. Это в основном разработка программного обеспечения для очень специфического применения. Будьте готовы изучить множество obscure инструментов, языков и пайплайнов. Каждый год появляются новые методы секвенирования, визуализации и измерений. Всегда есть потребность в большем количестве инструментов анализа.
2. Data engineering, инфраструктура, IT/техническая поддержка в лабораториях. Умение отлаживать код на R, помогать с Excel и перезагружать ноутбуки. Всевозможные роли поддержки между wet-lab учёным и компьютером.
3. Анализ данных как сервис. Wet-lab люди просят вас обработать данные, которые они производят, и предоставить некоторые базовые insights, построить много графиков, представить таблицы, провести статистические тесты. У вас могут быть разные степени свободы, но это роль поддержки. Вы будете удобным API для wet-lab учёного, чтобы понять, подтвердились их гипотезы или нет.
4. Собственно вычислительные исследования. Это не IT/техническая поддержка и не разработка инструментов. Вы думаете о гипотезах (или A/B тестах, если это более знакомо для вас), находите данные, произведённые кем-то другим, или упрашиваете wet-lab учёных произвести больше для вас, тестируете свои гипотезы, улучшаете и повторяете. Вы даже можете попробовать wet-lab самостоятельно, если найдёте человека, который может ввести вас в это искусство.

Конечно, это не чёрное и белое, и, скорее всего, вам придётся делать все эти вещи в разной степени. Для меня это обычно что-то вроде 10/10/80%. Для других это может быть наоборот — 80/10/10 или 10/80/10, или любые другие комбинации.

Ресурсы

• Резюме моего собственного пути в исследования долголетия
• Мой взгляд с высоты птичьего полёта на долголетие и старение

Поделиться: