Computational Biologist

En computational biologist oversætter biologiske spørgsmål til beregninger. Data kommer fra laboratoriet: sekventering, celleforsøg, proteinmålinger eller patientprøver. Filerne er store, og et enkelt sekventeringsprojekt kan fylde flere terabyte. Jobbet er at rense data, køre analyser og fortolke resultatet sammen med biologer og læger.

Rollen ligger mellem to verdener. Du skal forstå nok biologi til at stille det rigtige spørgsmål. Og du skal kunne nok kode og statistik til at få et troværdigt svar.

Typiske opgaver:

• Analysere RNA-sekventering og finde gener, der er skruet op eller ned mellem to grupper
• Kalde varianter i DNA og vurdere, om en mutation kan hænge sammen med sygdom
• Analysere single-cell-data og gruppere celler i celletyper
• Bygge pipelines, så samme analyse kan køres igen på nye prøver
• Lave statistiske modeller og machine learning på kohorter fra biobanker
• Forudsige proteinstruktur og bindinger med værktøjer som AlphaFold
• Lave figurer og skrive metodeafsnittet til videnskabelige artikler

En almindelig dag starter tit med at tjekke, om nattens beregninger er kørt færdige. Store analyser sendes til kø på en beregningsklynge og kører i timer eller dage. Danske eksempler er Computerome på DTU og GenomeDK på Aarhus Universitet. Derefter går tiden med at kigge på resultater, finde fejl i data og rette i koden.

Møder fylder mere, end folk tror. Du sidder med en biolog, der spørger, om forskellen er reel. Ofte er svaret, at forsøget har for få prøver. En stor del af jobbet er at sige det ærligt, før pengene er brugt.

Du bliver også involveret, før forsøget går i gang. Hvor mange prøver skal der til? Hvordan undgår vi, at behandling og batch følges ad? Den slags kan ikke reddes bagefter med statistik.

Hvor arbejder de? De største danske arbejdspladser er universiteterne, hospitalernes forskningsafdelinger, Statens Serum Institut og medicinal- og biotekvirksomheder. Dertil kommer CRO'er, diagnostikfirmaer og enzym- og fødevarebioteknologi. Nogle arbejder også med planteforædling og landbrug.

Arbejder du med danske sundhedsdata, er reglerne en fast del af hverdagen. GDPR og databeskyttelsesloven sætter rammen for personhenførbare data. Forskningsprojekter med biologisk materiale skal ofte godkendes af De Videnskabsetiske Medicinske Komitéer. Adgang til danske genomdata går gennem Nationalt Genom Center, som er oprettet med hjemmel i sundhedsloven. Registerdata om patienter udleveres typisk via Forskningsservice hos Danmarks Statistik, hvor analyser køres på deres servere.

En stor del af arbejdet er dokumentation. Kan en anden person køre din analyse igen om to år og få samme tal? Tidsskrifter og reviewere spørger i stigende grad om koden. Derfor ligger analyser i versionsstyring og pipelines, ikke i løse scripts på skrivebordet.

Den almindelige vej er en bachelor og en kandidat på universitetet. Det tager fem år i alt. Der findes ikke én uddannelse, der hedder "computational biologist" i Danmark. Folk kommer ind fra flere retninger.

Relevante uddannelser:

• Bioinformatik på Københavns Universitet og Syddansk Universitet
• Kvantitativ biologi og sygdomsmodellering på DTU
• Bioteknologi eller biomedicinsk teknologi på DTU
• Molekylær biomedicin, biokemi eller biologi med programmeringskurser
• Datalogi, matematik eller fysik med biologi som tilvalg

Adgangskravene til de naturvidenskabelige bacheloruddannelser er typisk en gymnasial eksamen med Matematik A og Kemi B, ofte kombineret med Fysik B eller Bioteknologi A. De præcise krav for den enkelte uddannelse står i Uddannelses- og Forskningsministeriets Uddannelsesguide. Adgangskvotienten svinger meget fra år til år og fra universitet til universitet.

Efter kandidaten tager mange en ph.d. Den varer tre år og er lønnet ansættelse. I forskning på universiteter og hospitaler er ph.d. reelt et krav for at komme videre end postdoc-niveau. I industrien kan du sagtens blive ansat direkte efter kandidaten, især til pipeline- og dataarbejde.

Der er to almindelige veje ind sidelæns:

Fra it og matematik mod biologien. Du kan kode og regne, men mangler fagsproget. Vejen er kurser i molekylærbiologi og genetik plus et projekt med rigtige data. Regn med et halvt til et helt år, før du forstår, hvad tallene betyder biologisk.

Fra laboratoriet mod koden. Du er biolog og kender forsøgene, men koder ikke. Vejen er R eller Python, Linux-kommandolinjen og statistik. Det er den langsomste del, og den kræver, at du skriver kode hver uge, ikke kun på kurser.

Hvad tæller ved ansættelse? Konkrete analyser, du selv har lavet. Et speciale med egne data vejer tungere end mange kurser. Kode på GitHub, som en anden kan læse, er et stærkt kort. Publikationer tæller i forskning, mindre i industrien.

Gratis og anerkendt efteruddannelse findes hos EMBL-EBI, som driver de europæiske biologiske databaser, og hos ELIXIR, det europæiske infrastruktursamarbejde med en dansk node. Deres kurser er skrevet af folk, der selv bygger værktøjerne.

Engelsk er arbejdssproget. Al dokumentation, kode og litteratur er på engelsk, også på danske arbejdspladser.

Værktøjerne er delt i tre lag: sprogene, pipelinen og databaserne.

Sprog og analyse

• Python med pandas, NumPy, scikit-learn og Biopython
• R med Bioconductor, DESeq2, edgeR og Seurat til single-cell
• Bash og Linux-kommandolinje — næsten alt kører på Linux
• SQL til at hente data ud af databaser
• ggplot2 og matplotlib til figurer, der kan bruges i artikler

Pipelines og drift

• Nextflow eller Snakemake til at samle analyser i genkørbare pipelines
• Docker, Singularity/Apptainer og conda til at fastholde versioner
• Git og GitHub til versionsstyring af kode
• HPC-klynger med kø-systemet SLURM, fx Computerome og GenomeDK
• Cloud hos AWS eller Azure, når data må ligge der

Fagspecifikke værktøjer

• BWA, Bowtie2 og STAR til at mappe sekventeringslæsninger
• samtools, bcftools og GATK til variantkald
• Salmon eller kallisto til hurtig kvantificering af genudtryk
• Cell Ranger til data fra 10x Genomics
• IGV til at kigge på læsninger med egne øjne
• AlphaFold og PyMOL til proteinstruktur

Databaser og referencer

• Ensembl og UCSC Genome Browser til referencegenomer og annotering
• NCBI med GenBank, SRA og PubMed
• UniProt til proteiner og Protein Data Bank til strukturer
• GEO og ArrayExpress til offentlige ekspressionsdatasæt
• gnomAD og ClinVar til variantfrekvenser og klinisk fortolkning

Dertil kommer det daglige: Jupyter, RStudio, Quarto eller R Markdown til rapporter, og et elektronisk labjournalsystem, hvis du arbejder tæt på laboratoriet.