¿Cómo es un día para un científico de bioinformática?

Levántate. Sirve la primera de las muchas tazas de café del día. Siéntate en mi escritorio. Mire el error en el que dejé de trabajar a las 2:00 a.m. de la noche anterior. Darse cuenta de que el error no se ha solucionado. Mascullar enojado. Sirve otra taza de café …

De acuerdo, no todo el tiempo. Honestamente, no puedo decir cómo es un día de trabajo típico de bioinformática porque mi trabajo es algo inusual, ya que soy el único bioinformático en mi grupo (un laboratorio de fisiología) y trabajo en casa la mayor parte del tiempo, lo que tiene Sus puntos buenos y malos. Ver “2:00 AM” arriba. Pero las tareas que ocupan la mayor parte de mi tiempo, en orden aproximado de mayor a menor, son:

  1. Codificación. Hay mucho más en bioinformática que programación, pero la programación es donde paso la mayor parte de mi tiempo. Aproximadamente una cuarta parte del tiempo de codificación se dedica a implementar nuevos algoritmos y pruebas estadísticas. El resto genera principalmente informes personalizados.
  2. Matemáticas. Los biólogos quieren respuestas a preguntas, generalmente sí o no. Mi trabajo como estadístico es responder esas preguntas y transmitir una idea de cuán inseguros deberíamos estar sobre las respuestas. Probablemente el 90% del tiempo, puedo hacerlo muy rápido, con algún procedimiento de prueba estándar. El otro 10%, tengo que idear nuevos procedimientos que sean defendibles y produzcan resultados interpretables. Esto no significa reinventar las pruebas estándar (otras personas ya han hecho ese trabajo y sería un error tratar de vencerlas), pero sí significa lidiar con muchas comparaciones múltiples y probabilidades condicionales que requieren el uso de pruebas de manera creativa.
  3. Aprendizaje y anotación de los datos. Esto ocurre casi por completo al comienzo de un proyecto; es muy lento en ese momento, pero después de eso conozco el conjunto de datos como un viejo amigo y no debería ser necesario volver a él. Si tengo que regresar, lo que a veces hago, más a menudo de lo que me gustaría, eso significa que no profundicé en ello tan a fondo como debería haberlo hecho la primera vez.
  4. Escritura. Esto incluye la documentación interna (todo lo que hago en los puntos 1 a 3 debe escribirse de una manera que tenga sentido no solo para mí, sino para cualquier otra persona que necesite leerlo en caso de que un autobús me atropele mañana) y preparación de trabajos y presentaciones de conferencias. A veces esto va muy bien, otras veces es un ejercicio de dolor.
  5. Estudiar biología. Mis compañeros de trabajo de laboratorio húmedo intentan explicar todo lo que necesito saber sobre lo que estamos trabajando, y hacen un trabajo bastante bueno. Pero todavía necesito descargar biografías y abrir libros de texto abiertos y leer sobre el tema hasta que lo entienda. Esa es la única forma en que sabré si las respuestas que les estoy dando tienen sentido.
  6. Reuniones Una buena reunión de laboratorio, sí, ¡existe! Es una oportunidad para que todos en el laboratorio den un resumen de lo que han estado trabajando y se hagan preguntas. Es muy fácil para las personas concentrarse en sus propios pequeños nichos y perder la noción de cómo su trabajo hace que el laboratorio avance. Lanzar ideas de un lado a otro en persona es la mejor manera de mejorar ese problema.
  7. Estudiar bioinformática. Solo porque esto es lo que hago para vivir no significa que sepa todo lo que necesito saber. Leer documentos y asistir a seminarios me ayuda a estar al día.

Al comienzo de un proyecto, 2 y 3 son en lo que paso la mayor parte de mi tiempo. Una vez que las cosas se ponen en marcha, 1 y 4 son diarias, y 2 generalmente aparecen un par de veces a la semana. 5, 6 y 7 son semanales a mensuales. Trato de tomarme un tiempo todos los días para dormir lo suficiente, nutrición, ejercicio y relajación también. Algunos días eso sucede, otros no.

Así fue durante un día relajado de mi doctorado en Viena

530: despierta. Café. Ducha corta Corre en el centro de Viena. A veces compra pan en el camino. Saluda a los perros vieneses.

710: Regresé. Ducha larga Verifique los resultados de anoche o las notas de la reunión de ayer.

740: coge el tranvía para ir a trabajar. Si saliera temprano, simplemente caminaría.

755: Llegada al trabajo. Saluda al conserje turco. Practica mi alemán roto.

800: primera reunión con mi supervisor. Discute lo que hice. Lo que funcionó Lo que no funcionó. ¿Qué haré después? Lo que no debería hacer a continuación.

820 u 830: salga de la reunión. Desayune con colegas o regrese al código de inmediato.

1130: segunda reunión con el supervisor. Discute lo que hice. Lo que funcionó Lo que no funcionó. ¿Qué haré después?

1200: Almuerzo con el resto del grupo. Habla de mierda.

1220: terminar el almuerzo, tomar café, volver al código.

1700: tercera reunión con el supervisor. Discute lo que hice. Lo que funcionó Lo que no funcionó. ¿Qué haré después?

1730: Vuelve al código.

Si la codificación se hace por el día, me iré. Si no me quedo en el trabajo. A veces hasta las 2am. Imagínese que soy realmente eficiente ese día y termine de codificar en 2 horas (rara vez el caso):

1930: clase de alemán o tomar el tranvía a la piscina. Probablemente la cena antes de eso.

2130: llegué a casa de la piscina. Verifique los resultados si está hecho. Si se necesita más codificación, codifique hasta que esté listo. Digamos que no se necesita más codificación.

1000: lea un libro, escriba un artículo, lea un artículo científico, mire la televisión austriaca o estudie alemán

1230: desmayo

More Interesting

¿Cuál es la plataforma gratuita de big data que puede admitir la transmisión de datos en tiempo real?

¿Los minoristas estarían interesados ​​en utilizar la ciencia ciudadana para generar confianza con la transparencia de los datos?

¿Hay algún campo de arranque de ciencia de datos en línea?

Cómo descubrir las características más importantes en un conjunto de datos con más de 500 predictores

Cómo comenzar a construir un proyecto sobre minería de datos desde cero

¿Debo dominar Java o Python para una carrera de ingeniería de datos?

¿Qué recomienda como material para un principiante en minería de datos?

¿Cuáles son las rutas de aprendizaje típicas del análisis de datos?

¿Cuáles son los proyectos prácticos de aprendizaje automático que muestran soluciones paso a paso para que pueda seguir y comprender cada paso en detalle?

En la era del aprendizaje automático, IA, big data, etc., ¿qué tan útil es estudiar campos ya maduros como CS teóricas y bases de datos relacionales a nivel de posgrado, y luego pasar a la industria del software?

¿Cuáles son las compañías en India que trabajan en el dominio de las ciencias de datos aparte de Mu Sigma?

¿Cuáles son algunos consejos para escribir un buen currículum para un nuevo trabajo de posgrado en ciencias de datos?

¿Puedes explicar la agrupación en cuadrícula en la minería de datos?

¿Qué áreas de negocio impulsadas por los resultados del análisis de datos?

¿Se puede decir que la diferencia entre Data Science y Machine Learning es que Machine Learning es una técnica a través de la cual se realiza Data Science?