Bioinformatiker — løn 2026: 65.232 kr. om måneden

En bioinformatiker står mellem biologien og datamaskinen. En sekventeringsmaskine spytter rådata ud i hundredvis af gigabyte. Alene siger de ingenting. Din opgave er at gøre dem til et svar: hvilken mutation har patienten, hvilke gener tændes af behandlingen, hvilke bakterier er der i prøven.

Det er programmering. Men det er programmering, hvor du skal forstå biologien. Ellers laver du analyser, der er teknisk korrekte og biologisk meningsløse.

Typiske opgaver

• Bygger og kører pipelines, altså kæder af programmer der behandler data automatisk fra rå fil til resultat
• Kvalitetstjekker sekventeringsdata og kasserer det der ikke duer
• Mapper reads mod et referencegenom og kalder varianter, altså finder forskellene fra referencen
• Fortolker varianter: er den her mutation kendt sygdomsfremkaldende eller bare almindelig?
• Analyserer genudtryk fra RNA-sekventering og finder gener der er op- eller nedreguleret
• Arbejder med single-cell-data, hvor hver enkelt celle måles for sig
• Laver metagenomik: hvilke mikroorganismer findes i en tarmprøve, en jordprøve eller i spildevand
• Bygger fylogenetiske træer, blandt andet til smitteopsporing af bakterier og vira
• Laver statistik og korrigerer for multipel testning, fordi du tester tusindvis af gener på én gang
• Laver figurer til artikler og præsentationer, ofte om og om igen
• Dokumenterer og versionsstyrer, så analysen kan gentages af andre om to år
• Sidder i møder med biologer og læger og oversætter mellem de to sprog

En almindelig arbejdsdag
Dagen starter tit med at tjekke, om nattens job på beregningsklyngen kørte færdigt. Ofte gjorde det ikke. Så går formiddagen med fejlfinding: manglende hukommelse, en fil i forkert format, en opdatering der brød noget. Det er en stor og undervurderet del af jobbet.

Når tingene kører, går tiden med selve analysen. Du sidder i R eller Python, laver plots, kigger på fordelinger og tænker over, om resultatet giver mening. Efter frokost er der møde med den forskergruppe eller kliniker, du hjælper. De vil vide, om deres hypotese holder. Du skal fortælle, hvad data faktisk viser, også når det er skuffende.

Eftermiddagen kan gå med skrivearbejde. Metodeafsnit, dokumentation, eller en mail om hvorfor et forsøg med tre prøver per gruppe ikke kan bære den konklusion, nogen håbede på.

Hvor findes jobbene

• Universiteterne. Københavns Universitet, DTU, Aarhus Universitet og Syddansk Universitet har alle store bioinformatikmiljøer.
• Hospitalerne, især afdelinger for klinisk genetik og patologi på Rigshospitalet og de øvrige universitetshospitaler
• Statens Serum Institut, hvor sekventering bruges til overvågning af smitsomme sygdomme
• Medicinalindustrien, blandt andet Novo Nordisk, Lundbeck og LEO Pharma
• Enzym- og ingrediensvirksomheder som Novonesis
• Biotek- og diagnostikfirmaer, ofte små og med bredere jobbeskrivelser
• Landbrugs- og fødevareforskning, blandt andet planteforædling og husdyrgenetik

Der er stor forskel på de to hovedspor. I forskningen er du med til at finde noget nyt, men stillingen er ofte tidsbegrænset af en bevilling. I klinikken og industrien er analyserne mere faste, og kravene til dokumentation og validering er meget højere.

Hvilken lovgivning dækker denne rolle?
Selve faget kræver ingen autorisation. Men datagrundlaget er tungt reguleret. Genetiske oplysninger er følsomme personoplysninger efter EU's databeskyttelsesforordning GDPR, og Datatilsynet fører tilsyn i Danmark. Forskningsprojekter med humant materiale skal godkendes af de videnskabsetiske komitéer efter komitéloven, og adgang til registerdata går typisk gennem Forskerservice hos Danmarks Statistik eller gennem Sundhedsdatastyrelsen. Bruges en analyse til at stille diagnoser, er softwaren omfattet af EU's forordning om medicinsk udstyr til in vitro-diagnostik, IVDR 2017/746, hvor Lægemiddelstyrelsen er dansk myndighed. Klinisk arbejde foregår desuden ofte under akkreditering efter ISO 15189, som DANAK kontrollerer.

Arbejdet foregår næsten altid i en Linux-terminal, ikke i et grafisk program.

Sprog

• Python med pandas, NumPy, scikit-learn og Biopython
• R med Bioconductor-pakkerne, tidyverse og ggplot2. R dominerer stadig statistik og figurer.
• Bash til at lime det hele sammen
• Lidt SQL, når data ligger i en database
• C eller Rust ses hos dem der bygger selve værktøjerne, sjældent i daglig analyse

Standardværktøjer

• BWA, Bowtie2 eller minimap2 til mapping af reads
• SAMtools og BCFtools til at håndtere BAM- og VCF-filer
• GATK til variantkald i humane genomer
• STAR, Salmon og kallisto til RNA-sekventering
• DESeq2 og edgeR til differentielt genudtryk
• Seurat i R eller Scanpy i Python til single-cell-analyse
• BLAST, Kraken2 og MetaPhlAn til at finde ud af hvilke organismer der er i en prøve
• IGV til visuelt at kigge på et område i genomet
• AlphaFold og PyMOL, hvis arbejdet drejer sig om proteinstruktur

Infrastruktur

• HPC-klynger med jobkøsystemer som Slurm. Computeren under bordet rækker ikke.
• Danske forskningsplatforme som Computerome på DTU og GenomeDK på Aarhus Universitet
• Nextflow eller Snakemake til pipelines, ofte med færdige workflows fra nf-core
• Conda og Docker eller Singularity til at holde styr på softwareversioner
• Git og GitHub til versionsstyring. Uden det kan ingen gentage din analyse.
• Skyplatforme, men i Danmark begrænses de ofte af, at persondata ikke må flyttes frit

Databaser og referencer

• Ensembl, NCBI og UCSC Genome Browser for referencegenomer og annotationer
• gnomAD for hvor hyppig en variant er i befolkningen
• ClinVar og OMIM ved fortolkning af sygdomsvarianter
• UniProt for proteiner, KEGG og Gene Ontology for funktion og pathways

Filformater der fylder hverdagen
FASTQ, BAM, VCF, GTF og BED. De ser simple ud og er kilde til en overraskende stor del af alle fejl.