Python и R — напарники из хорошего бадди-муви

Завершение третьего потока курса по медицинской интерпретации данных NGS для врачей Центра Димы Рогачева

"ИИ — и ты не один": стань востребованным специалистом с обновлённым курсом от Бластим!

Завидуем выпускникам «Учёного Будущего». Но еще большие завидки берут к тем, кто пройдет «ИИ — и ты не один» этим летом 🆕

Лабный Лабубу приманивает гранты, но R и статистика — твои главные скиллы!

Лабный Лабубу, принеси по гранту!

Презентация уникального бота

🦉К вам прилетела сова из Blastim. Новый дайджест

🦉К вам прилетела сова из Blastim

Бластиму доверяет даже Газпром

Ого, Бластиму доверяет даже Газпром 😱

История Данила Салимова

Сегодня пятница 13-е. Но кого этим точно не напугаешь — так это Данила Салимова. Он уже применяет нейросети так, как другие и помечтать боятся 🤖 💪

Новый анонимный сбор данных для обзора зарплат 2025

— Какие у вас зарплатные ожидания?
— А какие у вас зарплатные реальности?

💌 Хакатон «ИИ-агенты для продления жизни»

Экспресс Linux для NGS

И снова 3 сентября: коварный T9 для генов

Tea-value: леди, дегустирующая чай

Зомби-лосось: фМРТ, множественные тесты и уроки статистики

Рональд Фишер: отец современной статистики

6 фактов о статистике

Мини-сериал «Разбор научных данных»

Челлендж #TidyTuesday — визуализация данных в R

Статистика для современного исследователя

YES WE KAN: нейросети родом из СССР

Умные люди меня не любят © p-хакинг

«If you torture the data long enough, it will confess»

Другие сравнительно честные способы

Нужно ли проверять данные на нормальность? Ложь, наглая ложь и статистика

Предыстория

Распределения же с бесконечной дисперсией, например, распределение Коши, не встречаются на практике.

Выборочные средние

Что такое достаточно большая выборка — это тема для отдельной дискуссии.

Любопытный факт

#код на R
pop <- rnorm(100000)
hist(replicate(1000, mean(sample(pop, 2))))

Проверки на нормальность и гомогенность дисперсий

Важно понимать: тест Манна-Уитни совсем не «непараметрическая замена» тесту Стьюдента, это другой тест со своей нулевой гипотезой и своими ограничениями. Нулевая гипотеза в тесте Манна-Уитни — это так называемый сдвиг распределений (location shift), то есть то, насколько одно распределение сдвинуто относительно другого. В частных случаях это действительно может означать проверку равенства медиан (отсюда и происходит распространенный миф), но в общем случае тест Манна-Уитни не обязан интерпретироваться именно так.

Про тест Велча

Применимость t-теста

Однако, это сложный вопрос с точки зрения психометрики: шкала Ликерта может считаться квазинепрерывной, и тогда для нее становятся применимы гипотезы о средних. Один (но не единственный) из используемых подходов здесь — обращать внимание на число делений шкалы. Для суммарных опросных шкал с большим числом категорий (например, сумма по множеству пунктов, диапазон от 0 до 100) возможен квази-интервальный подход: при большом числе «делений» неравенство интервалов сглаживается, и многие исследователи осторожно используют параметрические методы. Это не строгая математика, а практическая конвенция психометрики. Если уверенности в примерном равенстве интервалов между делениями шкалы нет — лучше оставаться в ранговых методах.

То есть при наличии четкого обоснования у исследователя можно относиться к порядковой шкале как к интервальной.

Другие ограничения t-теста

Преобразование данных

Многие биологические процессы имеют экспоненциальную природу, как деление клетки или удвоение ДНК в процессе ПЦР.

Итоговые тезисы

Источники и ссылки

Экономим десятки часов на данных с помощью Александра Ильина

🐸 Как начать вкатываться в питон? Благоприятная среда

🐍 Python vs Excel

🐼 Работа с табличками в Pandas

🧹 Очистка и преобразование данных

import pandas as pd 

from pathlib import Path

import seaborn as sns
import matplotlib.pyplot as plt

# Указываем путь к папке, где лежат Excel-файлы
path = 'data/gbif/'

# Преобразуем строку пути в объект Path (из библиотеки pathlib)
path = Path(path)

# Создаем пустой список, куда будем сохранять считанные датафреймы
dfs = []

# Перебираем все файлы с расширением .xlsx в указанной папке
for gbif in path.glob('*.xlsx'):
    # Считываем из каждого Excel-файла лист с названием 'GBIF' в датафрейм
    df = pd.read_excel(gbif, sheet_name='GBIF')
    # Добавляем считанный датафрейм в список dfs
    dfs.append(df)

# Объединяем все датафреймы из списка dfs в один общий датафрейм
# pd.concat "склеивает" их по строкам (по умолчанию axis=0)
df = pd.concat(dfs)

Библиотеки os и pathlib мы подробно обсуждаем на курсе по питону на занятии «Биологические объекты и файловые пути»

# Загружает CSV-файл
# Аргумент index_col указывает, какой столбец использовать в качестве индекса
df = pd.read_csv('file.csv', index_col='index_column')

# Загружает TSV-файл (таблица, где значения разделены табуляцией '\t')
# Аргумент sep='\t' задает разделитель столбцов
df = pd.read_csv('file.tsv', sep='\t')

# Загружает JSON-файл
# Pandas автоматически преобразует данные JSON в табличную структуру, если это возможно
df = pd.read_json('file.json')

df — это типичное имя переменной для DataFrame. Датафрейм — основная двумерная структура данных библиотеки Pandas, напоминающая таблицу в Excel или SQL. Rаждый столбец в DataFrame — отдельный объект типа Series.

# По умолчанию показывает первые пять строк датафрейма
df.head()

# По умолчанию показывает последние пять строк датафрейма
df.tail()

# Возвращает одну случайную строку из датафрейма
df.sample()

# Выводит базовую статистику по числовым столбцам:
# количество значений (count), среднее (mean), стандартное отклонение (std),
# минимумы (min), максимумы (max), квартили
df.describe()

# Отображает краткую сводку о датафрейме:
# количество строк и столбцов, названия колонок, типы данных,
# количество ненулевых (ненулевых/ненановых) значений и общий объем памяти
df.info()

# Атрибут, который показывает список всех колонок в датафрейме
df.columns

# Создаем список с названиями нужных колонок
# Многострочная строка ('''...''') тут очень удобна
cols = '''
occurrenceID
catalogNumber
...
eventDate

associatedOccurrences
associatedTaxa
'''.splitlines()

# Убираем возможные лишние пробелы и пустые строки из списка
cols = [c.strip() for c in cols if c]

# Оставляем в датафрейме только указанные колонки
df = df[cols]

search_duplicates = '''scientificName
associatedTaxa
eventDate
decimalLatitude
decimalLongitude
associatedReferences'''.split()

df.shape[0] 

# 14091

df = df.drop_duplicates(subset=search_duplicates)

df.shape[0]

# 10244

df.minimumDepthInMeters.dropna()

Другие методы включают заполнение NaN средними/медианами по соответствующим подгруппам (imputation) или использование моделей машинного обучения для предсказания пропущенных значений. В некоторых случаях пропуск может означать «ниже порога определения», и тогда его заменяют нулем df.fillna(0)

df.minimumDepthInMeters = df.minimumDepthInMeters.str.replace(',','.')

df.minimumDepthInMeters = df.minimumDepthInMeters.str.split().str[0]

df.minimumDepthInMeters = df.minimumDepthInMeters.str.split('-').str[0]

df.minimumDepthInMeters = df.minimumDepthInMeters.astype(float) 

df.minimumDepthInMeters.mean()

# 13.502396271008395

🎨 Рисуем графики

# Строим гистограмму распределения значений из столбца 'minimumDepthInMeters'
# Аргумент bins=20 задает количество корзинок: чем больше значение, тем детальнее гистограмма
sns.histplot(df.minimumDepthInMeters, bins=20)

# Добавляем сетку на фон графика для лучшего восприятия
plt.grid()

# Подписываем ось X как 'Depth'
plt.xlabel('Depth')

# Подписываем ось Y как 'Number of occurrences'
plt.ylabel('Number of occurrences')

sns.histplot(df.minimumDepthInMeters, bins=20)        
plt.grid() 

# Меняем масштаб оси Y на логарифмический
plt.yscale('log')                               

plt.xlabel('Depth')                     
plt.ylabel('Number of occurrences')

🧠 Более сложное преобразование таблицы

# Получаем столбец 'class' — он содержит класс животных
df['class']

# 0       Anthozoa
# 1       Anthozoa
# 2       Anthozoa
# 3       Anthozoa
# 4       Anthozoa
#          ...   
# 3091    Copepoda
# 3101    Copepoda
# 3102    Copepoda
# 3103    Copepoda
# 3222    Copepoda
# Name: class, Length: 10244, dtype: object

# Добавляем новый столбец 'is_copepode', который отмечает строки, где класс равен 'Hexanauplia'.
# Операция df['class'] == 'Hexanauplia' возвращает серию True/False.
# Эти булевы значения записываются в новый столбец, создавая логический признак
df['is_copepode'] = df['class'] == 'Hexanauplia'

df.query('is_copepode == True').shape

# (4296, 35)

# Вывести содержимое колонки 'associatedOccurrences'
print(df['associatedOccurrences'])

# 0                                 NaN
# 1                                 NaN
# 2                                 NaN
# 3                                 NaN
# 4                                 NaN
#                     ...              
# 3091    urn:catalog:ZMMSU:COPHEX:1121
# 3101    urn:catalog:ZMMSU:COPHEX:1140
# 3102    urn:catalog:ZMMSU:COPHEX:1145
# 3103    urn:catalog:ZMMSU:COPHEX:1146
# 3222     urn:catalog:ZMMSU:COPHEX:914
# Name: associatedOccurrences, Length: 10244, dtype: object

# Отбираем только те строки, где is_copepode == True
df = (
    df.query('is_copepode == True')
    # Объединяем датафрейм сам с собой, чтобы "сопоставить" копепод с их хозяевами
    .merge(
        # Оставляем только нужные столбцы для соединения:
        # occurrenceID — уникальный идентификатор,
        # associatedOccurrences — ссылка на связанные записи,
        # class — таксономический класс
        df[['occurrenceID', 'associatedOccurrences', 'class']],
        # Соединяем таблицы:
        left_on='occurrenceID',
        right_on='associatedOccurrences',
        # Добавляем суффикс "_host" к столбцам из правой таблицы,
        # чтобы отличать их от исходных
        suffixes=['', '_host']
    )
)

# Группируем датафрейм по комбинации значений в столбцах 'order' и 'class_host'
# .size() считает количество строк (наблюдений) в каждой группе
pair_counts = df.groupby(['order', 'class_host']).size().reset_index(name='count')

# Просматриваем результирующий датафрейм
pair_counts

#	order       class_host      count
# 0	Canuelloida	Malacostraca    5
# 1	Cyclopoida	Anthozoa    87
# 2	Cyclopoida	Ascidiacea  2
# 3	Cyclopoida	Asteroidea  487
# 4	Cyclopoida	Bivalvia    28
# 5	Cyclopoida	Cephalopoda	1
#          ... 
# 27	Siphonostomatoida	Malacostraca	2
# 28	Siphonostomatoida	Ophiuroidea	147

# Строим диаграмму рассеяния
sns.scatterplot(
    data=pair_counts,    # Источник данных — датафрейм pair_counts
    x='class_host',      # Ось X — таксономический класс хозяина
    y='order',           # Ось Y — отряд копепод (Copepoda)
    size='count'         # Размер точек соответствует количеству наблюдений (count)
)

# Добавляем сетку для лучшего восприятия структуры графика
plt.grid()

# Поворачиваем подписи оси X на 90°, чтобы они не перекрывались
plt.xticks(rotation=90)

# Подписываем оси для ясности
plt.xlabel('Host class')
plt.ylabel('Copepoda order')

Когда мы строим график, это нормально, что вначале он получается не таким, каким мы хотим его видеть. Это вполне обыденная вещь. Если писать только минимальную команду sns.scatterplot(), то по дефолту график будет без решетки, которая удобна для восприятия и сразу показывает, к каким значениям относятся, например, границы. Также подписи к классам насладывались бы друг на друга, если бы их не повернули.

Строя график, мы постепенно кастомизируем его, добавляя код. Чем больше вы добавите кода, тем более навороченный будет ваш график. Иногда это необходимо, если вы делаете финальные презентации в журнал. Иногда это не обязательно, если вы быстро хотите посмотреть, как выглядят ваши данные и показать коллегам.

# Считаем количество каждого хозяина в таблице с уникальными ассоциациями
host_counts = df['class_host'].value_counts()

# Берем только хозяев, которые встречаются более 5 раз
hosts = host_counts[host_counts > 5].index

# Фильтруем DataFrame, оставляя только строки, где 'class_host' входит в список популярных хостов
df = df.query('class_host in @hosts')

# Построения боксплотов:

sns.boxplot(
    data=df,
    x='class_host',
    y='minimumDepthInMeters',
)

# Код для украшения:

plt.grid()
plt.xticks(rotation=90);

plt.xlabel('Host class')
plt.ylabel('Depth')

Все вышеперечисленные графики можно было построить с помощью библиотеки matplotlib. Но мы использовали библиотеку Seaborn (фан-факт читать тут), которая представляет собой надстройку над matplotlib с более красивым стилем и дополнительными возможностями. И у нее работает сайт, на котором представлена галерея графиков.

Некоторые графики, а именно гистограммы, теплокарты, барплоты, — это плоть и кровь анализа данных. К этим графикам люди привыкли больше всего, и они очень обширно встречаются. Некоторые графики более экзотичны, они свойственны либо определенной области науки, либо просто данные, на которых их строят, более редкие.

На сайте Seaborn к каждому графику указан код, который его генерирует. Вам не обязательно всегда прописывать самостоятельно все команды для отстройки. Это нормально найти готовый код, скопировать его, возможно, немножко поменять и использовать. Это хорошая практика, ведь вы не потратите свое время.

🦞 Итоги

Рыцари круглого стола: «Инновации в биотехнологии-2025»

Научный диалог без границ

Темы, определяющие будущее

Бластим на круглом столе

Итоги и перспективы

Уловка-22: ИИ открывает новые антибиотики

Галлюцинация галлюциногенов

От УЛЫБКИ станет всем светлей

Остановите планету, я сойду: исследовательница честности оказалась опасной обманщицей

В первой части блогеры громят cтатью в PNAS 2012 года. В эксперименте участники заполняли страховые бумаги. Утверждалось, что те, кто ставит подпись сверху листа, — добросовестные люди, а снизу — лгуны. Расследователи скачали с Open Science Framework исходные эксельки и изучили историю версий файлов. Оказалось, что наблюдения вручную переносились из экспериментальной группы в контроль и наоборот. К слову, ранее сыщики уже вывели на чистую воду другого соавтора этой статьи Дэна Ариэли. Во второй части они обратили внимание на нетипично большое число абсурдных ответов. В третьей — развеяли связь жульничества и креативности. А в последнем посте о нетворке (с него всё началось) сыщики обнаружили, что оценки респондентов противоречат их же словам. И еще: характерный почерк Джино — всегда экстремально низкие p-value ✍️

Those who work to correct the scientific record can sleep better tonight. Those who don’t want it corrected, well, I don’t care how they sleep

🐞 Без бумажки ты букашка: CV vs Резюме

Размер эффекта? Эффект размера! 🔞

10 вопросов БИОИНФОРМАТИКУ

Биоинформатика с человеческим лицом

«Мы существенно автоматизировали обработку клинических данных секвенирования»

Био или информатика?

«На практике лучше всего растут люди, которые готовы закрывать слабую сторону»

Идеальное железо — это экосистема

«64 ГБ — это минимум, на котором можно работать без постоянной боли»

Курсы, карьера, коллабы

«Курсы лучше всего работают, когда идешь на них с конкретным запросом под задачу»

«Самые заметные проекты сейчас всё чаще делаются в больших коллаборациях и консорциумах»

РеволюцИИя

Последний дайджест лекций БИОмечтателей

Конкурс научных идей продлен до 1 февраля: ссылка на форму

Визуализация, которая радует глаз

Машинное обучение для котиков

Машинное обучение VS Статистика

Как вообще устроен пайплайн?

Где машинное обучение уже SOTA?

Машинное обучение VS Алгоритмы

Конечно, подход «тупо больше данных» не всегда канает. Так, при переходе от AlphaFold к AlphaFold2 инженеры DeepMind именно докручивали алгоритм, а данные для обучения остались примерно теми же. Усилия были вознаграждены Нобелевкой 2024 года.

Что может пойти не так?

💩 Смещенная выборка

Плохие данные на входе 💩 — Плохая модель на выходе 💩

🧠 Утечка мозгов test в train

🤖 Выдать базу: плохие бейзлайны

🔬 Забивать гвозди микроскопом: применение методов не по назначению

Как же избежать провалов и делать по-настоящему полезные модели? Как вы уже догадались, ответ прост: учиться, учиться и еще раз учиться. Как самому, так и вашим моделям. Отличный вариант — у нас на курсе с Вовой Шитовым, уже с 17 февраля

Пишите Варваре Бластим свои вопросы про курс, а также чтобы забрать конспекты других вебинаров с Вовой Шитовым: https://t.me/varvara_blastim

Первый блин не комом: рецепт миллиардера

Повар в ресторане быстрый, но не очень аккуратный. И когда он печет блинчики, то складывает их в стопку как попало. Задача: сложить блинчики пирамидой, чтобы самый маленький оказался сверху, а большой — снизу. Для этого в распоряжении — кулинарная лопаточка, которую можно подсунуть под сколько-то блинов сверху горки и перевернуть их. Только так. Сколько операций потребуется, чтобы расставить n блинов по порядку?

32|41 → 234|1 → 4321| → 1234

Блокировка Телеграм: наш ответ

А еще мы разрабатываем для вас новые образовательные программы, но пока все в строжайшем секрете. Оставайтесь с нами и следите за этим блогом!

R — движок для биоинформатики и датасайнс

«Грамматика графики» ggplot2

Bioconductor — репозиторий для биоинформатиков

RMarkdown — красиво писать не запретишь

Где писать код на R: интегрированная среда Rstudio

Ребята, давайте жить дружно: Уэс МакКинни

День Бластима 2026

Все фотографии в хорошем качестве тут: https://disk.360.yandex.ru/d/AtHcT8kB8UOHvA

Церемония открытия

ИИ в биотехе и фармтехе: опыт применения

Образование и кадры в биотехе

Наука и будущее фармы и longevity-проектов

Нетворкинг

Мы в СМИ

Мой маленький плот вовсе не так уж плох

Дисклеймер: этот конспект был написан от первого лица, если через пару минут прочтения у вас сложится впечатление что вы сидите в одной комнате с Иваном Поздняковым, это нормально!

Введение

Подготовка данных

# Подключаем tidyverse
library(tidyverse)

# Подключаем пакет с пингвинами
library(palmerpenguins)

# Загружаем данные
data("penguins")

# Смотрим на данные
View(penguins)

# Удаляем пропущенные значения
my_penguins <- drop_na(penguins)

# Проверяем
View(my_penguins)

Теория квартилей и мусорные журналы

# Смотрим описательные статистики для массы тела
summary(my_penguins$body_mass_g)

# Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
# 2700    3550    4050    4207    4775    6300

NB! В новых версиях R колонка body_mass_g называется body_mass

Строим первый бокс-плот

# Самый простой бокс-плот
ggplot(data = my_penguins) +
  aes(x = "Все пингвины", y = body_mass_g) +
  geom_boxplot()

Сравнение нескольких групп

# Бокс-плот по видам
ggplot(data = my_penguins) +
  aes(x = species, y = body_mass_g) +
  geom_boxplot()

50 оттенков пингвинов

# С цветом
ggplot(data = my_penguins) +
  aes(x = species, y = body_mass_g, fill = species) +
  geom_boxplot()

# Добавляем тему
ggplot(data = my_penguins) +
  aes(x = species, y = body_mass_g, fill = species) +
  geom_boxplot() +
  theme_bw()

Что такое усы?

# Отфильтруем только Adelie
adelie_mass <- my_penguins %>%
  filter(species == "Adelie") %>%
  pull(body_mass_g)

# Считаем квартили
q1 <- quantile(adelie_mass, 0.25)
q3 <- quantile(adelie_mass, 0.75)
iqr <- q3 - q1

# Границы усов
upper_whisker <- q3 + 1.5 * iqr
lower_whisker <- q1 - 1.5 * iqr

# Максимальное и минимальное значение в пределах границ
max_in_whisker <- max(adelie_mass[adelie_mass <= upper_whisker])
min_in_whisker <- min(adelie_mass[adelie_mass >= lower_whisker])

print(paste("Q1:", q1))
# "Q1: 3362.5"
print(paste("Q3:", q3))
# "Q3: 4000"
print(paste("IQR:", iqr))
# "IQR: 637.5"
print(paste("Верхняя граница уса:", upper_whisker))
# "Верхняя граница уса: 4956.25"
print(paste("Фактический верхний ус:", max_in_whisker))
# "Фактический верхний ус: 4775"

# Считаем квартили для нашего примера
quantile(c(1, 2, 4, 5, 8, 12, 14, 30))

# 0%  25%  50%  75% 100% 
# 1.0  3.5  6.5 12.5 30.0 

9 видов квантилей. Чтоа?

# Считаем квартили для нашего примера
quantile(c(1, 2, 4, 5, 8, 12, 14, 30), type = 2)

# 0%  25%  50%  75% 100% 
# 1.0  3  6.5 13 30.0 

Внутренность усиковой диаграммы

Boxplot в базовом R

# Boxplot в базовом R
boxplot(body_mass_g ~ species, data = my_penguins)

...и в ggplot2

# Boxplot в ggplot2
ggplot(data = my_penguins) +
  aes(x = species, y = body_mass_g) +
  geom_boxplot()

# Boxplot с настройкой ширины
ggplot(data = my_penguins) +
  aes(x = species, y = body_mass_g) +
  geom_boxplot(width = 0.5)

Гистограмма

# Гистограмма в ggplot2
ggplot(data = my_penguins) +
  aes(x = body_mass_g) +
  geom_histogram()

# Гистограмма с 4 интервалами
ggplot(data = my_penguins) +
  aes(x = body_mass_g) +
  geom_histogram(bins = 4)

# Гистограмма с группировкой по видам
ggplot(data = my_penguins) +
  aes(x = body_mass_g, fill = species) +
  geom_histogram()

Когда используете гистограмму, обязательно, обязательно пробуйте разное количество интервалов, потому что картинка при этом может довольно сильно меняться.

Density plot

# Density plot
ggplot(data = my_penguins) +
  aes(x = body_mass_g, fill = species) +
  geom_density()

# Density plot с прозрачностью
ggplot(data = my_penguins) +
  aes(x = body_mass_g, fill = species) +
  geom_density(alpha = 0.5)

# Density plot со стакингом
ggplot(data = my_penguins) +
  aes(x = body_mass_g, fill = species) +
  geom_density(alpha = 0.5, position = "stack")

Продолжение следует...

Забрать у Варвары ли Евы

И это не эпизод «Доктора Хауса» 👩‍⚕️

Старый курс лучше новых двух

Что русскому «pathogenic», то немцу — «VUS»

Канонический пример: уникальные вариации, закрепленные у евреев-ашкенази. В одном из популяционных исследований в выборке из 202 вариантов, ассоциированных с аутосомно-доминантными заболеваниями, 19 встречались только у представителей этой популяции. Еще пример — делеция в гене CDKN2A (R103fs). Она описана в семейных опухолевых синдромах и распространена в русских популяциях. В небольшой отечественной работе она нашлась у 3 из 6 (!) пациентов с меланомой и раком поджелудочной. А вот в других популяциях такая находка — редкость.

Панельная дискуссия BioTechDay 2026

В этом году спикерами были:
• Корзинов Олег Михайлович — заместитель заведующего кафедрой инновационной фармацевтики, медицинской техники и биотехнологии, советник ректора МФТИ, выпускник МФТИ
• Северинов Константин Викторович — профессор, доктор биологических наук, руководитель «Биотехнологического кампуса»
• Мелерзанов Александр Викторович — доцент, кандидат медицинских наук, заместитель директора ИББ, заведующий лабораторией биомедицинских и цифровых технологий Центра трансфера технологий, заместитель заведующего кафедрой инновационной фармацевтики, медицинской техники и биотехнологии
• Филькова Александра Андреевна — кандидат биологических наук, доцент, руководитель отдела маркетинга Бластим

Как индустриальные компании работают с вузами, что не так с текущими моделями образования и что можно изменить, чтобы исправить ситуацию?

Мое предложение — сделать Физтех снова Физтехом.

Как вы видите интеграцию бизнеса и вуза? Как должно стыковаться фундаментальное образование и запросы бизнеса?

Невозможно «подстелить соломку» на все случаи жизни — единственный вариант это собрать максимально широкую базу, попробовать разные направления и выбрать то, что действительно интересно.

В России одна из лучших научных школ, но мы сильно проигрываем западным странам по внедрению разработок в производство. Какие барьеры мешают этому и что вы бы хотели изменить?

Какие направления биотеха будут наиболее актуальны через 5–10 лет?

В свою очередь, это откроет большой рынок для Бластим, поскольку потребуется трансформация медицинского образования — а это долгосрочная задача

На данный момент биотех в России проигрывает многим другим индустриям по карьерным возможностям и уровню зарплат, а государственные планы по развитию отрасли рассчитаны на 10–15 лет. Что должно мотивировать студента уже сейчас выбирать биотех, кроме веры в светлое будущее?

Не стоит зацикливаться на уровне зарплаты сразу после выпуска — попробуйте строить карьеру, исходя из научных и общечеловеческих интересов. Если вы станете сильным специалистом в своей области, вы всегда найдёте, как зарабатывать.

Жизненное наблюдение: люди, которые слишком рано уходят из науки, часто проигрывают тем, кто в ней остаётся. Важно взвесить риски и понять, к чему лежит сердце.

Если нет острой необходимости зарабатывать здесь и сейчас, возможно, стоит дать себе шанс остаться в биотехе.

Списывай, но не точь-в-точь

Драма в мире AI

Кодинг решен?

ИИ все возрасты покорны

Уэс МакКинни, 41 год

«I was an AI skeptic, I think, pretty much until the beginning of 2025. I hardly touched LLMs, even LLM autocomplete... But I heard about Claude Code in April 2025, and that was the first thing that really put me on this path of like, this is the thing»

Лиор Пахтер, 53 года

«Working with Claude and Codex has been exhilarating. Being able to code up ideas quickly and effectively opens up wide vistas for everyone»

Дональд Кнут, 88 лет

«I think Claude Shannon’s spirit is probably proud to know that his name is now being associated with such advances. Hats off to Claude!»

Раз уж такие мэтры открыто восхищаются ИИ, то, может быть, и всем нам пора перестать стесняться?

Карьера без BLATa

Учись, пока не запретили

YES, BUT...

Семь раз отрежь, один раз отсеквенируй

В исследовании уникального кейса принимала участие Дарья Николаевна Хмелькова, заместитель генерального директора Genetico по направлению Онкогенетика и преподаватель курса Бластим «NGS в наследственных заболеваниях», который начинается уже 18 мая. Приходите! Медгенетика — Твин Пикс каждый день

Дети — цветы жизни

Take-home message. NGS не всесилен, а полагаться на одни алгоритмы нельзя. Интронные варианты, «слепота» программ коллинга, неоднозначности при оценке патогенности запросто спутывают все карты медгенетикам. Только поиск исходя из фенотипа пациента, прокачанная клиническая логика и привлечение дополнительных методов позволяют справляться с кейсами, которые не укладываются в стандартные шаблоны.

Апрельские гастроли Бластима

Весна — это время планов и предположений

Кто первый халат надел, тот и врач

Путь к сердцу ученого лежит через эчпочмак

Наверное, поэтому руководство Бластим просит всех своих сотрудников пройти наш собственный курс по софт-скиллам.

Прожарка резюме

Результаты — только часть победы, остальное — это уверенность, правильная позиция, четкая структура и речь.

Из огня да в полымя

Эпилог

Как похорошело ДПО: субсидия Правительства Москвы

Легким нажатием кнопки мыши скучные диссеры превращаются...

Готова страничка с кнопками и движущимися элементами 📃

Как стать новым Тимом Куком?

📕 Начать обучение и внедрить опыт в свою работу можно по ссылке: lab.platrum.ru

Сапожники с сапогами

Рой пчел агентов 🐝

ЭффектИИвный менеджмент ⚙️

Приходите на модуль по продвинутому вайбкодингу с 20 июня

Знание — не сила?

Стефан, скрывающий боль

С 20 июня доступно прохождение продвинутого модуля по вайбкодингу и ИИ-агентам

Я не робот?

Пройти диагностику

Карпатый, я сказал, Карпатый

Обучение сотрудников: инструкция по применению

👨‍💻 Напишите нам на @edu_blastim или на почту mail@blastim.ru. Расскажем, как видим выход из ситуации, и поделимся экспертным мнением. А если не представляете, с чего начать — пишите, и мы поможем сформулировать запрос.

Бластим — этанол научного знания

Реклама — двигатель торговли

🚩 О КРАСНЫХ ФЛАГАХ

🚩 В языкознанье знает толк

Из областей, где заметны следы ИИ, в передовиках компьютерные науки и биоинформатика, из государств — Китай и Тайвань, из журналов — MDPI, Frontiers. Свежие данные подтверждают эту информацию. Ричард Ше из Наньянского технологического университета проштудировал литературу за последние пять лет. В 2025 году наблюдался взрывной рост машинной прозы. По-видимому, использовать LLM-ки начали еще раньше, потому что между сабмитом рукописи и выходом в свет проходит время. Больше всего применяют ИИ в Поднебесной и Корее. Самые подозрительные статьи из США связаны с авторами, ФИО которых указывают на то, что английский для них неродной.

🚩 Никому не скажу, но будут знаки

🚩 Поймай меня, если сможешь

Если вам хочется не просто пользоваться LLM, но и глубоко delve в сферу обработки естественного языка, то важно рассмотреть pivotal курс по машинному обучению — от Бластим.

Мое имя Сайенс. Клод Сайенс

Нечистая сила машинного обучения

Что? Где? Когда? Соревнования по машинному обучению

Третий лишний: вагина-на-чипе, ИИ и ЗППП

*Справка. В этом случае химические структуры представляются в виде графов: вершины — атомы, ребра — связи. Графовая нейросеть итеративно делает операции «передачи сообщений» и агрегирует информацию о молекуле в одном векторе. Языковые же модели для медхимии оперируют SMILES-строками.

Сделай сам: проекты на курсе

Спермагеддон им. Павла Дурова (18+)

Что слушают машинленеры? Конечно, ансамбли

Апоптоз в мире айти: бессмертная заплатка и отряд самоубийц

Для справки: rm расшифровывается как remove, -r и -f — флаги, означающие рекурсивное и принудительное выполнение. Увы, сейчас оригинальный патч Бармина выдаст ошибку, потому что в большинстве дистрибутивов теперь удаление корневой директории не допускается. Однако известны обходные варианты, например: rm -rf /* Пользуйтесь на здоровье!

Объявление: одинокая клетка ищет своего биоинформатика

Клинические исследования в России: отечественное != некачественное

Коллеги, позвольте задать вам принципиальный вопрос, который часто обсуждается в профессиональном сообществе. Неужели мы, наши врачи и наши научные школы чем-то хуже наших коллег в США, Европе или Китае?

Безусловно, нет. Уровень нашей клинической мысли и медицинской экспертизы находится на высочайшем мировом уровне. Однако если мы говорим об управленческих подходах к качеству клинических исследований, здесь нам предстоит сократить определенный разрыв. Мировая практика уже совершила переход от реактивного подхода — постоянного «тушения пожаров», в котором мы порой застреваем, — к проактивной философии Quality by Design и риск-ориентированному управлению.

В российском контексте этот вызов имеет свою специфику. Мы активно используем данные из различных медицинских информационных систем в качестве первичной документации. Но как отмечается в современных аналитических обзорах, отсутствие их формальной валидации по стандартам GAMP 5 создает скрытые регуляторные риски и ставит под вопрос соответствие данных принципам ALCOA+ при международных инспекциях. Это не приговор. Это точка роста. А обновленные правила GCP ЕАЭС и гармонизация с ICH E6(R3) дают нам четкий вектор.

На нашем курсе я предлагаю вам не просто теорию, а практическую дорожную карту. Мы разберем, как адаптировать международные стандарты ISO и GAMP 5 к российским реалиям, чтобы ваши исследовательские центры не просто соответствовали требованиям, а задавали стандарты качества для всего евразийского пространства и рынков БРИКС.

А R учить за тебя кто будет, Пушкин?!

Работа с данными: глаголами dplyr жги сердца людей

«Говорят, теперь в России женщины серьезно обдумывают, как родить второго ребенка, минуя первого» (c) Дмитрий Медведев

Биоинформатика и NGS: аналоговнет

И конкурсы интересные: датавиз

Мораль

Реферальная программа Бластима: не имей сто рублей, а имей сто друзей

Высокий брюнет с компьютером в ботинке

NGS по ОМС: добрые новости генетики

Помни про биомни

Ты не пройдешь: последний экзамен человечества

🧬 The following forward DNA sequence is provided in the 5’ to 3 prime direction. What is the amino acid sequence of the first protein that will be translated following transcription of this region? Provide the sequence using the single letter code format. AGTTGCTTCCCTACCAATAGCTTCTTTTGCCATGGGG

🧫 You want to engineer Corynebacterium glutamicum to produce p-coumaric acid so you introduce the appropriate biosynthetic genes. However, the produced coumarate is rapidly degraded. What gene should you knock out to prevent degradation of the desired product?

🦑 Which brain regions lie adjacent posteriorly to the palliovisceral lobe in the dwarf cuttlefish?

🔬 Which of the following mechanisms is most likely responsible for the retention and divergence of duplicate genes in eukaryotic genomes? Answer Choices: A. Gene conversion B. Pseudogenization C. Neofunctionalization D. Subfunctionalization E. Adaptive radiation