Биоинформатик — это гибрид биолога и data-аналитика. Вы не стоите у пипетки, а пишете пайплайны, которые обрабатывают терабайты данных секвенирования, ищут вариации в геноме пациента, считают экспрессию генов и помогают разрабатывать новые лекарства. Профессия одна из самых дефицитных в РФ-биотехе и одна из самых высокооплачиваемых в биологическом блоке — но и порог входа в неё высокий. Чем занимается биоинформатик Основная единица работы — данные NGS-секвенирования. Лаборатория отдаёт вам FASTQ-файлы на сотни гигабайт, и дальше всё происходит в командной строке Linux. Вы делаете контроль качества через FastQC и MultiQC, обрезаете адаптеры в Trimmomatic, выравниваете риды на референсный геном через BWA или STAR, сортируете BAM-файлы в samtools, вызываете варианты через GATK HaplotypeCaller или DeepVariant, аннотируете их в VEP или SnpEff. Для RNA-seq дополнительно работаете с DESeq2 или edgeR в R: нормализация, дифференциальная экспрессия, GO-enrichment, GSEA, построение тепловых карт и волкано-плотов. Для single-cell — пакет Seurat в R или Scanpy в Python: фильтрация клеток, нормализация, UMAP-кластеризация, аннотация типов клеток через маркерные гены. Вторая большая зона ответственности — автоматизация. Один эксперимент с одной командой — не задача биоинформатика. Вы оборачиваете весь анализ в Snakemake- или Nextflow-пайплайн с описанием зависимостей, контейнеризацией в Docker/Singularity и запуском на HPC-кластере через SLURM. Готовый пайплайн должен запускаться в одну команду на 200 образцах и выдавать воспроизводимый результат. Третья часть — интерпретация. Биологи и врачи приходят с вопросом «что это значит». Вы садитесь за визуализацию, делаете обзорные таблицы, объясняете, какие варианты патогенны, какие — артефакты, и почему именно эти гены работают по-другому. Без этого слоя вся техническая работа теряет смысл. Hard skills и инструменты Стек биоинформатика — пересечение классической биологии и инженерии данных. Минимальный набор для уверенной junior-позиции: Linux + bash — командная строка, файловая система, pipe, awk, grep, sed; без этого никуда Python и R — Python для пайплайнов и ML, R для статистики и визуализации; пакеты pandas, NumPy, scikit-learn, ggplot2, tidyverse NGS-стек — BWA, STAR, HISAT2, samtools, bcftools, GATK, DeepVariant, VEP, SnpEff; понимание форматов FASTQ/SAM/BAM/VCF/GFF RNA-seq — DESeq2, edgeR, salmon/kallisto, GSEA; интерпретация PCA, MA-plot, volcano-plot Single-cell — Seurat, Scanpy; кластеризация, аннотация, trajectory analysis через Monocle или scVelo Workflow-менеджеры — Snakemake или Nextflow с DSL2; контейнеризация в Docker, развёртывание на HPC через SLURM Базы данных — Ensembl, UCSC, NCBI, ClinVar, gnomAD, COSMIC; REST API для автоматизированных запросов ML-стек (для senior) — PyTorch или TensorFlow, AlphaFold, scVI; навыки feature engineering для биологических данных Карьерный путь Биоинформатика — это карьера с быстрым ростом зарплаты при условии, что вы реально умеете кодить, а не просто прошли курс. Junior с базовым стеком и хотя бы одним сданным проектом (свой пайплайн на GitHub, дипломный анализ) находит первую работу за 1–3 месяца. Стартовая позиция — bioinformatics analyst или junior research scientist в академическом институте или биотех-стартапе. В Москве это 120–180 тыс ₽, в академии чуть ниже — 80–130 с возможностью грантовых надбавок. Через 1–2 года при нормальном росте — middle, 180–280, ещё через 2–3 года — senior, 250–400. Senior биоинформатик с экспертизой в single-cell или AI-driven drug discovery в крупной компании уровня Биокада, Генериума или Сколтеха стоит 350–500 тыс ₽; team lead биоинформатического отдела — от 500 и выше. Альтернативная ветка — клиническая биоинформатика в медицинских генетических центрах. Зарплаты ниже индустрии (100–250 для middle/senior), но работа более прикладная: вы анализируете геном конкретного пациента, ищете причину наследственного заболевания, готовите заключение для врача-генетика. Требует понимания клинической интерпретации по гайдлайнам ACMG/AMP. Третья ветка — research-side ML в фарме и AI-driven биотехе. Здесь биоинформатик постепенно превращается в research scientist по drug discovery: virtual screening, structure prediction, generative chemistry, target identification. Зарплаты выше потолка обычной биоинформатики, но и требования другие — нужна сильная математика, статистика, иногда PhD. Сколько зарабатывает в 2026 году Москва — junior 120–180 тыс ₽, middle 180–280, senior 250–400, team lead/principal scientist 400–700. Если в стеке есть machine learning, deep learning, AlphaFold или работа с большими single-cell атласами — добавляется 30–50% к каждой ступени, потому что таких людей в РФ единицы. Санкт-Петербург — на 10–20% ниже Москвы. Есть исторически сильные группы в Институте экспериментальной медицины, Сколтехе-СПб и нескольких частных компаниях. Регионы — Новосибирск (Академгородок), Казань, Томск — middle 100–180, senior 180–280; компенсируется удалёнкой на московские компании, которая в биоинформатике встречается чаще, чем в wet-lab. В академии вилка традиционно ниже: научный сотрудник 80–150, старший — 130–200, ведущий — 200–300 при наличии активных грантов РНФ. Зато публикации и международная мобильность — реальный актив на индустриальном рынке. Где учиться Базовый ФГОС — 06.05.01 «Биоинженерия и биоинформатика» (специалитет 5,5 лет, ЕГЭ биология + математика + русский). Альтернативные пути — 06.03.01 «Биология» с биоинформатической магистратурой 06.04.01, либо ИТ-бакалавриат (01.03.02 «Прикладная математика и информатика», 02.03.01 «Математика и компьютерные науки») плюс магистратура по биоинформатике или биотехнологии. Курсы — критически важная часть подготовки, особенно если вы заходите со стороны программирования или со стороны wet-lab без программистского бэкграунда. Полезны курсы по биостатистике, NGS-анализу, Python для биологов, R/Bioconductor, single-cell, deep learning для биологии. Stepik, Coursera (через VPN), летние школы Института биоинформатики — реальные точки входа. Свой публичный GitHub с парой завершённых пайплайнов работает лучше любого диплома. Похожие специализации Молекулярный биолог — wet-lab версия той же предметной области. Data scientist в фарме — близкая роль с уклоном в ML и меньшим биологическим контекстом. Computational biologist — академический синоним биоинформатика, чаще встречается в публикациях. Биостатистик — узкая ниша на стыке с клиническими исследованиями. Cheminformatician — родственная область, но работа с молекулами лекарств, а не с геномами.