Виктория С.
БиоинформатикЯ начинающий биоинформатик с опытом работы в здравоохранении, что развило мои аналитические навыки и умение работать в команде. Прошла профессиональную переподготовку в области Data Science, освоив алгоритмы машинного обучения, библиотеки Python (numpy, pandas, sklearn, tensorflow, pytorch и др.) и применяя эти знания в проектах по анализу данных. Также я получила повышение квалификации на курсе "Анализ NGS-данных" в Бластим. Особый интерес для меня представляет анализ биологических и медицинских данных, а также применение ИИ в биотехе.
С отличием закончила магистратуру по направлению "Вычислительная биология" в ТюмГУ, где углубила знания в Python, R, статистике, анализе данных, а также изучила анализ DNAseq, RNAseq, scRNAseq, метагеномных данных, филогенетику, генетику и геномику популяций, структурную биоинформатику и другие дисциплины, необходимые биоинформатику. Моя магистерская диссертация посвящена разработке пайплайна для анализа данных DNAseq с целью оценки полигенных рисков пациентов с дислипидемиями.
На данный момент ищу удаленную позицию Intern/Junior биоинформатика/ученого по данным/ML-разработчика.
Постоянно получаю новые знания на Stepik, Duolingo и других платформах.
GitHub: https://github.com/ViViSpiro
Stepik: https://stepik.org/users/366744150/profile
Telegram: @ViViSpiro
| Последнее обновление резюме | 08.10.2025 |
| Адрес | г. Тверь, Russian Federation |
| Электронная почта | Заблокировано |
| Телефон | Заблокировано |
Опыт
Асессор
* Тестировала качество работы поисковой системы, выявляя ошибки и предлагая улучшения, что требовало аналитического подхода и внимания к деталям.
* Оценивала и фильтровала контент на основе заданных критериев (запрещенные материалы, возрастные ограничения, технические ошибки), что развило навыки работы с классификацией данных и их проверкой на соответствие стандартам.
* Анализировала пользовательский опыт, выявляя факторы, ухудшающие взаимодействие с сайтами (назойливая реклама, избыток ссылок, ошибки типа "404 Not Found").
* Работала с большими массивами информации, систематизируя и структурируя данные для дальнейшего анализа.
Образование
Повышение квалификации "Анализ NGS-данных"
"Экспресс Linux для NGS"
Повышение квалификации "Ученый будущего: интеграция AI в научную работу"
Биология: Вычислительная биология (магистр)
Data Science в медицине
Сестринское дело
Психология (бакалавр психологии)
В чем вы сильны?
НАВЫКИ
Функциональная экспертиза:
Биоинформатика: Разработка и валидация биоинформатических пайплайнов (DNA-seq), статистический анализ данных, оценка полигенного риска (PRS), интерпретация генетических вариантов, анализ NGS-данных (WGS, WES, RNA-seq, scRNA-seq, эпигенетические данные, метагеномные данные, сборка de novo), определение гаплогрупп по Y хромосоме и MT геному, проверка родства образцов.
Data Science в медицине: Разведочный анализ (EDA), статистическое тестирование, классическое машинное обучение, обработка естественного языка (NLP), компьютерное зрение (CV) данными и изучаю методы анализа аудио (распознавание речи).
Data Engineering: Написание SQL-запросов, разработка витрин, CTE, оконные функции, проектирование и разработка ETL-пайплайнов, парсинг сложных данных (PDF), работа с СУБД (PostgreSQL, SQLite, MySQL), интеграция с векторными БД, системы логирования.
Разработка на Python: Автоматизация процессов, создание телеграм-ботов, работа с API.
Индустриальная экспертиза:
HealthTech / Digital Health, разработка AI-продуктов для медицины и биологии, биоинформатика и геномика, инженерия данных для научных и образовательных проектов.
Инструменты:
Рабочее окружение и менеджмент пакетов:
Anaconda/Miniconda: Управление виртуальными окружениями и пакетами.
Биоинформатика и Анализ NGS-данных:
Языки: Python (BioPython, Pandas, NumPy, scipy, cyvcf2, shiny), R (tidyverse, Bioconductor, ggplot2), Bash.
Пайплайны и инструменты анализа: FastQC, MultiQC, fastp, BWA, Samtools, BCFtools, bedtools, GATK, Plink.
Форматы данных: FASTQ, BAM/CRAM, VCF/BCF, BED, GFF/GTF.
Базы данных и ресурсы: gnomAD, ClinVar, dbSNP, NCBI RefSeq, UCSC Genome Browser, ENSEMBL.
Data Science, Machine Learning и AI:
Основные библиотеки Python: Scikit-learn, Pandas, NumPy, SciPy, Matplotlib, Seaborn, Plotly, scipy, asyncio, aiogram, openai.
Обработка естественного языка (NLP): re, NLTK, Transformers (Hugging Face).
Компьютерное зрение (CV): OpenCV.
Фреймворки для развертывания моделей: FastAPI, Flask.
Data Engineering и Базы Данных:
Языки: Python (Psycopg2, sqlite3, requests, logging, dotenv), SQL, PL/pgSQL.
Базы данных: PostgreSQL, MySQL, SQLite
Векторные базы данных: PostgreSQL с расширением pgvector
ETL/Инженерия данных: Apache Airflow (логический следующий шаг), Pandas для ETL-процессов
Парсинг и работа с документами: PyPDF2, urllib
Инструменты: DBeaver, pgAdmin, VS Code, Jupyter Notebook, Git
Облачные платформы:
Изучаемые/базовые навыки: Docker, Apache Spark
Английский язык: B2.