Abra qualquer vaga de bioinformática e você encontra a mesma lista. Programação forte, estatística, desenvolvimento de pipelines, infraestrutura em nuvem, e entendimento profundo da biologia relevante, de preferência com experiência de domínio no que a empresa faz.
Essa pessoa existe. Não são muitas, são caras, e já têm emprego.
A descrição de vaga que não descreve ninguém
O motivo pelo qual a vaga fica aberta é que ela é duas carreiras em um único anúncio.
Um cientista computacional competente leva anos para se formar. Um biólogo competente leva anos para se formar. As organizações escrevem uma descrição de vaga exigindo os dois e depois tratam a dificuldade resultante como escassez de mercado.
Uma função que exige duas carreiras inteiras não é um problema de contratação. É um problema de desenho de cargo, e costuma ser resolvido no organograma, não no mercado.
Esse é o caso mais claro, no domínio de biotecnologia, do diagnóstico que vale para toda a seção Future Industries: antes de concluir que o mercado de trabalho está escasso, verifique se o requisito é preenchível do jeito que foi escrito.
O que a trilha cobre
O escopo: ler genomas, sequências e proteínas em escala, dados biológicos e modelagem computacional.
Concretamente, quatro camadas.
Análise de sequências. Alinhamento, montagem, chamada de variantes, anotação. Em grande parte padronizado, fortemente ferramentado, e onde mora a maior parte do trabalho rotineiro.
Estatística para dados biológicos. Que é um problema à parte. Conjuntos de dados biológicos são largos e rasos, com muito mais características medidas do que amostras, o que quebra as intuições de quem foi formado em dados convencionais. Testes múltiplos, efeitos de lote e confusão são as armadilhas padrão.
Computação estrutural e de proteínas. Modelar estrutura e interação, uma área que mudou substancialmente nos últimos anos e continua se movendo.
Pipelines e infraestrutura. Fazer uma análise rodar de forma repetível, em escala, com as versões registradas. Menos glamouroso e mais decisivo do que qualquer coisa acima.
As duas rotas de entrada, e o que cada uma erra
Da computação para a biologia. Chega sabendo escrever código confiável, lidar com escala, usar controle de versão de verdade e construir um pipeline que funciona. O modo de falha é produzir um resultado tecnicamente correto e biologicamente sem sentido, sem nenhum alarme interno de que isso aconteceu. Efeitos de lote interpretados como sinal biológico é o exemplo clássico, e não é um erro de código.
Da biologia para a computação. Chega sabendo dizer se um resultado faz sentido, o que é a coisa que não dá para automatizar. O modo de falha é uma análise que existe como uma pasta de scripts que mais ninguém consegue rodar, com passos manuais não documentados, que funciona uma vez e não se reproduz.
As duas são reais e as duas são treináveis. A segunda rota costuma ser mais curta, por um motivo que vale a pena dizer claramente: o julgamento biológico leva mais tempo para se formar do que a disciplina de engenharia, então começar pela pessoa que já tem o julgamento significa treinar a metade mais rápida.
Isso vai contra o instinto de contratar um engenheiro de software e ensinar um pouco de biologia, que é a abordagem mais comum e a mais lenta.
Onde isso se encaixa no domínio
Bioinformática e biologia computacional é a quinta de dez trilhas no domínio de biotecnologia da Astra Trainer, e é a mais frequentemente combinada com outras, geralmente genética e genômica do lado da biologia.
Para parceiros que treinam biólogos para o trabalho computacional, o domínio de IA, dados e computação tem oito trilhas cobrindo ciência da computação, engenharia de software, ciência de dados e analytics, e computação em nuvem e DevOps, de onde vem a metade de engenharia. Esse pareamento entre domínios é um dos formatos de programa mais comuns. Você pode ver as trilhas de biotecnologia aqui.
A camada para a qual ninguém orça
Reprodutibilidade e engenharia de dados. É chato, é onde o dinheiro discretamente vai embora, e quase nunca está no plano de força de trabalho.
Os sintomas são consistentes entre organizações.
Uma análise não pode ser rodada de novo. A pessoa que a fez saiu, o ambiente mudou, e o resultado que embasou uma decisão não pode ser reproduzido. Em um contexto regulado, isso é um problema sério, não um incômodo.
Os dados não conseguem ser encontrados. Resultados de sequenciamento se acumulando sem metadados consistentes, de modo que conjuntos de dados de dois anos atrás estão efetivamente perdidos enquanto ainda ocupam armazenamento cobrado mensalmente.
O custo de computação cresce sem explicação. Gasto em nuvem que ninguém é dono, gerado por pipelines que nunca foram otimizados porque ninguém era responsável por isso.
Todo projeto reconstrói a mesma coisa. Sem ferramentas compartilhadas, então cada cientista escreve sua própria versão da mesma análise, ligeiramente diferente.
Todos esses são problemas de engenharia de dados, e são resolvidos por pessoas com formação em software e infraestrutura, não contratando mais um biólogo computacional. Organizações que reconhecem isso cedo gastam consideravelmente menos ao longo de um horizonte de cinco anos.
As funções, divididas corretamente
O movimento prático é parar de tentar contratar uma pessoa e definir três.
| Função | O que faz | Treinada a partir de |
|---|---|---|
| Analista de bioinformática | Roda pipelines estabelecidos, interpreta resultados, trabalha com cientistas em perguntas específicas | Biólogos, equipe de laboratório, técnicos de genômica |
| Engenheiro de bioinformática | Constrói e mantém pipelines, infraestrutura, reprodutibilidade e controle de custo | Engenheiros de software, engenheiros de dados, infraestrutura de TI |
| Biólogo computacional | Desenvolvimento de método novo, modelagem, trabalho em nível de pesquisa | Rota longa, genuinamente escassa, contrate onde for essencial |
A maioria das organizações precisa de muito da primeira, algum da segunda e muito pouco da terceira. A maioria das descrições de vaga descreve a terceira e espera que faça tudo.
Dividir a função faz duas coisas ao mesmo tempo. Torna as posições preenchíveis a partir de populações que você já tem, e evita que gente sênior cara gaste o tempo com manutenção de pipeline.
Onde a regulação toca isso. Bioinformática que dá suporte a diagnósticos clínicos, submissões regulatórias ou ambientes GxP carrega requisitos de validação, controle de versão e auditoria que vão muito além da boa prática científica. Um pipeline que produz resultados clínicos é um sistema regulado. O treinamento constrói tanto a capacidade computacional quanto a consciência de que essa fronteira existe, e a validação e qualificação específicas de site continuam sendo obrigações separadas.
Construir em vez de comprar
Uma sequência prática para organizações que concluíram que não conseguem resolver isso só contratando.
Comece pelos biólogos que já estão fazendo análise mal feita. A maioria dos grupos de pesquisa tem alguém que aprendeu sozinho scripting o suficiente para se virar. Eles têm o julgamento de domínio e os hábitos autodidatas que não vão escalar. Treinamento estruturado os converte mais rápido do que qualquer outra opção disponível, e já conhecem os dados da organização.
Traga capacidade de engenharia separadamente. Da sua própria função de software ou TI, se existir uma. Eles não precisam de biologia profunda para construir infraestrutura confiável, e fingir que precisam atrasa a contratação indefinidamente.
Trate reprodutibilidade como requisito desde o início. Fazer isso depois é consideravelmente mais caro do que construir junto, e o momento em que as pessoas notam costuma ser o momento em que é mais caro.
Mantenha contínuo. Ferramentas e métodos nessa área se movem rápido, então um curso único fica datado rápido. Essa é uma das áreas em que aprendizado curto e contínuo genuinamente supera um evento único, pelos mesmos motivos discutidos no artigo central sobre microlearning.
O que levar disso
A descrição de vaga padrão de bioinformática pede duas carreiras e depois culpa o mercado.
As duas rotas de entrada têm uma falha característica, e a rota de biologia para computação costuma ser mais curta porque a metade de julgamento leva mais tempo para se formar do que a metade de engenharia.
Reprodutibilidade e engenharia de dados são a camada sem orçamento, e o custo de pulá-las chega como dados perdidos, análises irrepetíveis e faturas de nuvem que ninguém é dono.
Divida a função em analista, engenheiro e biólogo computacional. A maioria das organizações precisa de muitos do primeiro, alguns do segundo e quase nenhum do terceiro.
E comece pelo biólogo que já aprendeu sozinho a fazer scripts. É a conversão mais rápida que você já tem em casa.
Por que é tão difícil contratar para bioinformática?
Porque a descrição de vaga típica exige um cientista computacional forte que também seja um biólogo em atividade. São duas carreiras, e a escassez é em parte um problema de desenho de cargo, não só de mercado de trabalho.
É mais fácil treinar um biólogo para programar ou um programador para fazer biologia?
Geralmente o biólogo, porque o julgamento biológico leva mais tempo para se formar do que a disciplina de engenharia. Treinar a pessoa que já tem a metade lenta significa treinar a metade mais rápida.
O que fica de fora dos planos de força de trabalho em bioinformática?
Engenharia de dados e reprodutibilidade. Os custos chegam depois como análises que não podem ser refeitas, dados que não conseguem ser encontrados e gasto de computação que ninguém é dono.
Como a função deveria ser estruturada?
Como três funções: analista, engenheiro e biólogo computacional. A maioria das organizações precisa de muitos analistas, alguns engenheiros e muito poucos do terceiro tipo, e contratar uma pessoa para ser as três é o motivo de a vaga ficar aberta.
Onde isso se encaixa no domínio?
Quinta de dez trilhas no domínio de biotecnologia da Astra Trainer, frequentemente combinada com genética e genômica, ou com trilhas do domínio de IA, dados e computação para a metade de engenharia. Você pode vê-las aqui.