Ольга Л.
Научный сотрудник (иммунология) / БиоинформатикСпециализируюсь на построении воспроизводимых аналитических пайплайнов, машинном обучении и статистическом анализе. Умею работать с многомерными зашумлёнными данными, применять сложные алгоритмы кластеризации и классификации, а также автоматизировать процессы с помощью Bash и Nextflow. Публикация результатов в рецензируемых журналах. Ищу возможность применить навыки для решения интересных научных задач.
.
| Последнее обновление резюме | 09.07.2026 |
| Адрес | Пермь, Russian Federation |
| Электронная почта | Заблокировано |
| Телефон | Заблокировано |
| Телефон | +79124983738 |
| Согласие на обработку данных | Я даю cогласие на передачу персональных данных потенциальным работодателям и иным лицам, участвующим в подборе вакансий и рассмотрении моей кандидатуры, на условиях, предусмотренных <a href="https://drive.google.com/file/d/12sY30JsdH0E6ZVn3syUwfp9IG5M3kKC5/view?usp=drive_link"> Политикой обработки персональных данных</a> и <a href="https://drive.google.com/file/d/1JtzC6jo4YwG8lUk2uH3VQQvTGmM9pGQC/view?usp=sharing">соответствующим согласием</a> |
Опыт
доцент, кафедра иммунологии
нс
Образование
Биоинформатика
Аспирантура
Магистратура
Специалитет
В чем вы сильны?
Языки: Python, R, Bash, SQL (базовый синтаксис).
ML: Scikit-learn (регрессия, классификация, ансамбли), кластеризация (K-Means, DBSCAN, GMM), снижение размерности (PCA, t-SNE, UMAP), оценка моделей (ROC/PR, кросс-валидация). Основы Deep Learning (PyTorch).
Data Engineering & Tools: Linux (CLI, SSH, grep, awk), Git/GitHub, Docker, Conda, Nextflow.
Статистика и анализ данных: EDA, проверка статистических гипотез, линейные и обобщённые линейные модели, байесовская статисти.
Биоинформатика: Транскриптомика - RNA-seq, дифференциальная экспрессия (DESeq2), знакома с single-cell RNA-seq. Геномика - QC, trimming, alignment, de novo assembly, variant calling, annotation, effect prediction, GWAS (фенотипические признаки). RepSeq - анализ репертуаров иммунных клеток (MiXCR, PyIgmap). Метагеномика - shotgun-секвенирование, таксономическая классификация. Протеомика - предсказание структуры белков.
Визуализация: Matplotlib, Seaborn, ggplot2.
Soft Skills: Академическое письмо, быстрое погружение в предметную область, умение работать со сложными данными и презентовать выводы. Английский B2.
Расскажите о себе что-нибудь еще: публикации, конференции, хобби
DATA SCIENCE ПРОЕКТЫ
ТРАНСКРИПТОМИКА https://github.com/a-senkovenko/SKO-1
Задача: Предсказание интерферонового статуса (IFN-High/Low) при аутоиммунных заболеваниях на основе RNA-seq (433 образца, ~60 тыс. признаков) и выявление специфических маркеров.
Пайплайн: Nextflow (Aria, fastp, STAR, MiXCR) с управлением окружениями через Conda.
ML & Статистика: EDA, PCA, дифференциальный анализ (DESeq2). Обучение классификатора (Random Forest) для предсказания статуса по 9 генам. Выявление характерных клонотипов (MiXCR).
Результат: Выявлен воспроизводимый биомаркер (сегмент IGHD3-10) для группы SLE.
Стек: Python, Nextflow, Scikit-learn, Git, Bash.
- ФЕНОТИПИРОВАНИЕ (FLOW CYTOMETRY) https://colab.ws/researchers/R-35C8F-0E2D0-GU25K
Задача: Фенотипирование субпопуляций лейкоцитов (Т-, B-, NK-клетки) при хронических заболеваниях (ВИЧ/ВГС) и при беременности.
Решение: Обработка высокоразмерных данных (15+ маркеров на клетку). Снижение размерности (UMAP/t-SNE) и кластеризация для выявления новых клеточных популяций, статистический анализ различий между группами.
Результат: Материалы опубликованы в рецензируемых журналах (профиль: [ResearchGate
Стек: Python, R, статистический анализ.