Genomic Data Analyst

En genomic data analyst laver rå sekventeringsdata om til svar, som læger og forskere kan bruge. Data kommer fra maskiner som Illumina NovaSeq eller Oxford Nanopore. Et enkelt helgenom fylder let over 100 GB. Derfor foregår arbejdet på servere og beregningsklynger, ikke på en bærbar.

En almindelig dag starter med at tjekke, om nattens pipeline-kørsler er gået igennem. Nogle prøver er faldet på kvalitetskontrollen og skal køres igen. Resten af formiddagen går typisk med at filtrere varianter for en konkret patient eller et forsøg. Om eftermiddagen er der ofte tavlemøde, hvor fund gennemgås sammen med molekylærbiolog og læge. Du skal kunne forklare, hvorfor en variant er interessant — og hvorfor tre andre ikke er.

Typiske opgaver

• Kvalitetskontrol af rå læsninger med FastQC og MultiQC, og fravalg af prøver, der ikke holder
• Alignment mod referencegenomet GRCh38 med BWA-MEM (DNA) eller STAR (RNA)
• Variantkald med GATK eller DeepVariant, og strukturelle varianter med fx Manta
• Annotering med Ensembl VEP og opslag i ClinVar, gnomAD og OMIM
• Filtrering fra flere millioner varianter ned til en håndfuld kandidater
• Beregning af dækningsgrad, så man kan sige, hvad prøven faktisk kan udelukke
• Drift, versionsstyring og validering af pipelines i Nextflow eller Snakemake
• Skriftlig dokumentation af hver kørsel, så et resultat kan genskabes år efter

Hvor arbejdet adskiller sig fra branche til branche

• Klinisk genetik: trio-analyser af barn og forældre for at finde årsagen til en sjælden sygdom
• Kræftområdet: tumor sammenlignes med patientens raske væv for at finde somatiske mutationer
• Klinisk mikrobiologi: sekventering af bakterier og virus til udbrudsopklaring, bl.a. på Statens Serum Institut
• Medicinal og biotek: biomarkører, target discovery og RNA-sekventering i forsøgsprogrammer
• Landbrug og fødevarer: avlsværdier hos kvæg og svin, og forbedring af produktionsstammer
• Universiteter: populationsgenetik, single-cell-analyse og metodeudvikling

En stor del af jobbet er kommunikation. Modtageren er sjældent bioinformatiker. Du skal kunne sige klart, hvor sikkert et fund er, og hvad usikkerheden betyder. Du skal også kunne sige fra, når data ikke bærer den konklusion, nogen gerne vil have.

Karriereveje

• Senior eller lead bioinformatiker med fagligt ansvar for et analyseområde
• Pipeline- eller platform engineer, hvor fokus flytter fra biologi til drift og infrastruktur
• Klinisk specialistrolle tæt på afdelingen, med ansvar for validering af nye analyser
• Data scientist i medicinalindustrien, hvor genomdata kobles med kliniske forsøgsdata
• Ph.d. og forskerkarriere, hvis du vil udvikle metoder frem for at køre dem
• Field application specialist eller support hos en leverandør af sekventeringsudstyr

I Danmark bliver rollen ofte slået op under titlen bioinformatiker eller computational biologist. Indholdet er stort set det samme.

Der findes ingen uddannelse i Danmark, der hedder genomic data analyst. Langt de fleste kommer ind via en kandidatgrad. Den almindelige vej er tre års bachelor plus to års kandidat, altså fem år i alt.

De mest almindelige uddannelser

• Bioinformatik og systembiologi på DTU
• Bioinformatik på Københavns Universitet eller Aarhus Universitet
• Molekylærbiologi eller biokemi med valgfag i statistik og programmering
• Medicin med Industriel Specialisering (MedIS) eller sundhedsteknologi på Aalborg Universitet
• Datalogi eller matematik med biologiske valgfag — den vej bliver mere almindelig

Adgangskravene til bacheloruddannelserne er typisk matematik A og kemi B eller bioteknologi A. De præcise krav fastsættes af det enkelte universitet og står i Uddannelsesguiden. Kandidatuddannelserne har adgangsbegrænsning, så en bachelor giver ikke automatisk plads.

Alternative veje ind i faget

• Bioanalytiker, professionsbachelor på 3½ år, som lærer at programmere sideløbende med laboratoriearbejdet
• Softwareudvikler eller datalog, der kommer ind via pipeline-drift og lærer biologien på jobbet
• Laborant, der flytter fra prøvehåndtering til dataanalyse i samme afdeling
• Ph.d. i et vådlabsfag, hvor analysen af egne data blev til hovedbeskæftigelsen

Uanset vejen ind bliver du målt på det samme til samtalen: kan du selv køre en analyse fra rå fil til fortolkning. Et offentligt kodeprojekt eller et speciale med rigtige sekventeringsdata vejer tungt. Meget af den praktiske oplæring sker i åbne fællesskaber som nf-core og Bioconductor, og gennem kurser fra European Molecular Biology Laboratory (EMBL-EBI).

Hvilken lovgivning dækker denne rolle?

Selve titlen er ikke beskyttet, og autorisationsloven dækker fx bioanalytikere og læger, men ikke genomic data analysts. Til gengæld er selve dataene stramt reguleret: genetiske oplysninger er en særlig kategori af personoplysninger efter EU's databeskyttelsesforordning (GDPR) artikel 9, og Datatilsynet fører tilsyn. Arbejder du med den danske genombank, er rammerne sat i sundhedsloven og forvaltes af Nationalt Genom Center. Forskningsprojekter med humant genommateriale skal som hovedregel godkendes i det videnskabsetiske komitésystem efter komitéloven. Bruges din pipeline til at stille en diagnose, er analysen omfattet af EU's IVDR-forordning om medicinsk udstyr til in vitro-diagnostik.

Værktøjskassen er stort set den samme i hele faget, uanset om du sidder på et hospital eller i medicinalindustrien.

Grundlaget

• Linux og kommandolinjen — næsten alt kører her
• Python og R er de to sprog, du skal kunne. R bruges mest til statistik og figurer
• Git til versionsstyring af kode og pipelines
• Slurm eller lignende kø-system på en HPC-klynge, eller cloud hos AWS eller Azure

Analyseværktøjer

• samtools, bcftools og bedtools til at håndtere BAM-, VCF- og BED-filer
• BWA-MEM og STAR til alignment, GATK og DeepVariant til variantkald
• Ensembl VEP eller SnpEff til annotering af varianter
• DESeq2 til differentiel genekspression, Seurat eller Scanpy til single-cell
• IGV til at kigge på de enkelte læsninger, når et fund skal efterprøves med øjnene

Pipelines og reproducerbarhed

• Nextflow eller Snakemake til at binde trinene sammen
• Færdige workflows fra nf-core, som mange bygger videre på i stedet for at starte forfra
• Docker, Singularity eller conda, så samme version af et værktøj kan køres igen om to år

Databaser og referencer

• Referencegenomet GRCh38 fra Genome Reference Consortium
• ClinVar og dbSNP fra National Center for Biotechnology Information (NCBI)
• gnomAD til at se, hvor almindelig en variant er i befolkningen
• Ensembl og UCSC Genome Browser til gener, transkripter og annotering

I kliniske afdelinger kommer der ofte et fortolkningssystem oveni, og analysen skal kobles til laboratoriets LIMS-system. Her er kravet ikke kun, at analysen virker. Den skal også være valideret og kunne dokumenteres over for et tilsyn.