دانشمند داده‌های پزشکی دقیق
Precision Medicine Scientist
دانشمند داده‌های پزشکی دقیق در شرکت‌های دارویی و بیوتک، داده‌های مولکولی و بالینی بیماران را تحلیل می‌کند تا به سه سؤال جواب بدهد: کدام بیماران به یک داروی مشخص پاسخ می‌دهند، دارو در بدن همان کاری را می‌کند که انتظار می‌رود یا نه، و چرا بعضی بیماران مقاوم می‌شوند. خروجی کارش نشانگر زیستی (biomarker)، معیار انتخاب بیمار برای کارآزمایی بالینی و پشتوانهٔ علمی تست‌های همراه (companion diagnostics) است. در آگهی‌هایی که در اکتبر و نوامبر ۲۰۲۶ بررسی کردیم، این کار با عنوان‌هایی مثل Senior Quantitative Biomarker Scientist (Regeneron)، Translational Data Scientist (AstraZeneca)، Senior Scientist I, Biomarker Sciences/Translational Sciences (Revolution Medicines) و Translational Informatics and Predictive Sciences (BMS) آگهی می‌شود. عنوان «Scientist, Precision Medicine» هم وجود دارد، اما در بسیاری از شرکت‌ها برای نقش‌های راهبردی یا آزمایشگاهی به کار می‌رود؛ این صفحه دربارهٔ نسخهٔ محاسباتی و داده‌محور این کار است.
مقدمه و تعریف شغل
به تعریفی که MedlinePlus از «ابتکار پزشکی دقیق» آمریکا نقل می‌کند، پزشکی دقیق رویکردی است برای درمان و پیشگیری که تفاوت افراد در ژن، محیط و سبک زندگی را در نظر می‌گیرد تا بشود دقیق‌تر پیش‌بینی کرد کدام درمان در کدام گروه از افراد جواب می‌دهد. دانشمند داده‌های پزشکی دقیق این ایده را در توسعهٔ دارو اجرا می‌کند: با آمار، تحلیل omics و یادگیری ماشین روی نمونه‌ها و داده‌های بیماران، نشانگرهای زیستی پیدا می‌کند که بگویند دارو اثر کرده یا نه و کدام بیماران بیشترین سود را می‌برند. FDA نشانگر زیستی را ویژگی‌ای تعریف می‌کند که به‌عنوان نشانهٔ فرایندهای طبیعی یا بیماری‌زا یا پاسخ به یک مداخله، از جمله درمان، اندازه‌گیری می‌شود؛ ویژگی مولکولی، بافت‌شناختی، تصویری یا فیزیولوژیک.
این نقش بیشتر در شرکت‌های دارویی و بیوتک و در بخش‌هایی با نام‌هایی مثل Translational Medicine، Precision Medicine یا Translational Research قرار دارد. Regeneron توضیح می‌دهد تیم پزشکی دقیقش راهبرد نشانگر را برای رسیدن به اثبات سازوکار و اثربخشی در کارآزمایی‌های اولیه پیش می‌برد و برای کارآزمایی‌های پایانی، طبقه‌بندی و انتخاب بیمار و تست همراه را اجرا می‌کند؛ نقش محاسباتی در «بازوی تحلیلی» همین تیم است. BMS هم «انتخاب بیمار و پژوهش نشانگر ترجمه‌ای» را جزو حوزه‌های گروه Informatics and Predictive Sciences خود آورده است. از نظر حقوق، بازه‌های اعلام‌شده در آگهی‌های آمریکایی جدول حقوق از حدود ۱۱۰ هزار دلار برای سطح ورودی تا حدود ۲۱۵ هزار دلار برای Associate Director است و پسادکترای Merck ۸۲ تا ۹۲ هزار دلار پیشنهاد می‌کند. برای مقایسه، BLS میانهٔ دستمزد کل گروه Medical Scientists را در مه ۲۰۲۵، ۱۰۳٬۴۱۰ دلار و در صنعت پژوهش و توسعه، ۱۲۵٬۷۰۰ دلار گزارش کرده است؛ آن گروه پژوهشگران آزمایشگاهی و دانشگاهی را هم در بر می‌گیرد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند داده‌های پزشکی دقیق
تحلیل نشانگر در برابر پیامد بالینی
در Regeneron دانشمند کمّی نشانگر، داده‌های پیچیده را یکپارچه می‌کند تا روی دادهٔ اکتشافی نشانگر و پیامدهای بالینی کارآزمایی تحلیل آماری انجام دهد و جدول‌ها و نمودارهای کنترل‌کیفیت‌شده برای گزارش و مقاله آماده کند.
سازوکار پاسخ و مقاومت به دارو
Revolution Medicines از دانشمندش می‌خواهد با روش‌های محاسباتی نشانگرها، سازوکار پاسخ و مقاومت به دارو و اثرات فارماکودینامیک را در مطالعه‌های ترجمه‌ای پیدا کند و دادهٔ تک‌سلولی و spatial را با پاتولوژی و پیامد پاسخ یکی کند.
زیرگروه‌بندی بیماران
مأموریت بخش Translational Medicine and Bioinformatics در AstraZeneca پیدا کردن مؤثرترین هدف‌ها، نشانگرها و زیرگروه‌های بیماران است؛ دانشمند داده با یکپارچه کردن داده‌های تک‌سلولی، spatial، رپرتوار BCR/TCR و سیتومتری این زیرگروه‌ها را تعریف می‌کند.
تحلیل دادهٔ کارآزمایی‌های سلول‌درمانی
در BMS دانشمند تیم Cell Therapy تحلیل و یکپارچه‌سازی دادهٔ بالینی، ترجمه‌ای و پیش‌بالینی کارآزمایی‌های سلول‌درمانی را رهبری می‌کند تا توسعهٔ این داروها را در همهٔ مراحل هدایت کند.
پایش پاسخ با ctDNA
آگهی Senior Scientist در Revolution Medicines تحلیل دادهٔ DNA آزاد تومور در خون (ctDNA) را می‌خواهد و تحلیل طولی آن برای پیش‌بینی پیامدهای بالینی مثل ORR، PFS و OS را امتیاز می‌داند.
pipeline تست تشخیصی
تیم بیوانفورماتیک Roche در Mississauga برای پیشبرد پزشکی دقیق ابزار محاسباتی تشخیص بالینی می‌سازد: pipelineهای پردازش دادهٔ NGS و اعتبارسنجی تحلیلی آزمون‌ها همراه با تیم‌های آزمایشگاه CLIA.
تخصص‌های مختلف دانشمند داده‌های پزشکی دقیق
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تحلیل نشانگر بالینی
Clinical Biomarker Analysis
تحلیل دادهٔ نشانگر نمونه‌های کارآزمایی در کنار پیامدهای بالینی، از اثبات سازوکار در فاز اول تا پیش‌بینی پاسخ؛ تمرکز آگهی‌های Regeneron و بخش Clinical Biomarker Development در Revolution Medicines.
طبقه‌بندی بیماران و زیرگروه‌های بیماری
Patient Stratification & Disease Subtyping
پیدا کردن گروه‌هایی از بیماران با زیست‌شناسی یا پاسخ متفاوت از دادهٔ چندلایه؛ AstraZeneca، Merck و Owkin آن را نام برده‌اند.
زیست‌شناسی ترجمه‌ای تک‌سلولی و spatial
Single-cell & Spatial Translational Biology
تحلیل دادهٔ تک‌سلولی، spatial و رپرتوار ایمنی از بافت بیماران، به‌ویژه در ایمنی‌شناسی و سرطان؛ آگهی‌های AstraZeneca و پسادکترای Merck.
تست همراه و بیوانفورماتیک بالینی
Companion Diagnostics & Clinical Bioinformatics
ساخت و اعتبارسنجی pipeline و الگوریتم آزمون‌هایی که بیمار مناسب دارو را مشخص می‌کنند؛ کار تیم بیوانفورماتیک Roche و قلمرو تست‌های همراه FDA.
AI و ابزارهای عامل‌محور برای شواهد ترجمه‌ای
AI & Agentic Tools for Translational Evidence
به‌کارگیری LLM، مدل‌های پایهٔ زیستی و ایجنت‌ها برای جمع‌بندی شواهد و تحلیل؛ Owkin پلتفرم عامل‌محور K Pro را برای شرکت‌های دارویی می‌سازد و Merck و AstraZeneca هم این مهارت را می‌خواهند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
هر دو با دادهٔ omics و یادگیری ماشین کار می‌کنند، اما سؤال و محیطشان فرق دارد. زیست‌شناس محاسباتی ژنومیک (که صفحهٔ جداگانه‌ای در همین سایت دارد) بیشتر در شرکت‌های ژنومیک و تشخیصی مدل زیست‌شناسی ژنوم می‌سازد، مثل پیش‌بینی بیان ژن از توالی DNA یا اثر یک واریانت. دانشمند پزشکی دقیق در خدمت یک برنامهٔ دارویی است: داده‌اش نمونه‌ها و پیامدهای بیماران در مطالعه‌ها و کارآزمایی‌هاست و سؤالش این است که دارو روی چه کسی و چرا اثر می‌کند. برای همین آگهی‌ها شناخت کارآزمایی را می‌خواهند: Regeneron آشنایی عملی با کارآزمایی بالینی را به‌شدت ترجیح می‌دهد و BMS تجربهٔ کار با دادهٔ کارآزمایی در محیط توسعهٔ دارو را.
دانشمند داده‌های سلامت بیشتر با پروندهٔ الکترونیک سلامت، دادهٔ بیمه و دادهٔ دنیای واقعی (RWE) کار می‌کند و روش‌های اپیدمیولوژی و علّی در مرکز کار اوست. دانشمند پزشکی دقیق بیشتر با دادهٔ مولکولی و بافتی بیماران در کنار پیامد بالینی سروکار دارد. مرز این دو در بعضی آگهی‌ها به هم می‌رسد: Regeneron در این نقش EHR و دادهٔ حسگرهای پوشیدنی را هم کنار omics آورده است، و Merck نقش «Precision Medicine - Outcomes Research» دارد که در واقع کار RWE است و دکترای اپیدمیولوژی یا پژوهش خدمات سلامت می‌خواهد.
عنوان «Precision Medicine Scientist» همیشه نقش داده‌ای نیست. آگهی Principal Scientist - Precision Medicine (Biomarker Strategy Lead) در Regeneron از فرد می‌خواهد پرسش‌های علمی دربارهٔ سازوکار دارو و نشانگرهای پیش‌آگهی را تعریف کند، توسعهٔ آزمون (assay) و جمع‌آوری نمونه در کارآزمایی را رهبری کند و تحلیل داده‌های multi-omic را با دانشمندان محاسباتی هماهنگ کند. یعنی تحلیل را دیگران انجام می‌دهند. Amgen هم عنوان Senior Scientist - Precision Oncology را برای یک زیست‌شناس آزمایشگاهی سرطان با تخصص CRISPR و طراحی آزمون به کار برده است.
دانشمند یادگیری ماشین به معنای عام (که صفحهٔ جداگانه‌ای در همین سایت دارد) مسئلهٔ محصول یا کسب‌وکار را با ML حل می‌کند و موفقیتش با اثر روی محصول سنجیده می‌شود. در پزشکی دقیق، ML یکی از ابزارهاست و معیار موفقیت، اعتبار زیستی و بالینی نتیجه است. Merck از دانشمند دادهٔ خود قضاوت دربارهٔ اینکه ML کجا ارزش اضافه می‌کند و کجا روش ساده‌تر کافی است را می‌خواهد و AstraZeneca او را «داور کیفیت» خروجی‌های AI می‌داند، نه مصرف‌کنندهٔ صرف ابزار.
تأثیر در صنایع مختلف
دانشمند داده‌های پزشکی دقیق در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
داروهای هدفمند سرطان
Revolution Medicines برای داروهای مهارکنندهٔ RAS، نشانگر و راهبرد محاسباتی را روی نمونه‌های کارآزمایی‌های فاز ۱ تا ۳ پیش می‌برد تا پیش‌آگهی، مقاومت و پاسخ به دارو را بفهمد
ایمنی‌شناسی و بیماری‌های التهابی
AstraZeneca در حوزهٔ ایمنی‌شناسی و Merck در بیماری‌های التهابی مزمن مثل هیدرادنیت چرکی، از دادهٔ تک‌سلولی و spatial بافت بیماران برای پیدا کردن نشانگر و زیرگروه بیماران استفاده می‌کنند
سلول‌درمانی
BMS تحلیل دادهٔ کارآزمایی‌های سلول‌درمانی را برای هدایت این داروها در سرطان و بیماری‌های خودایمنی به یک تیم محاسباتی سپرده است
کارآزمایی بالینی با داده‌های متنوع
تیم پزشکی دقیق Regeneron علاوه بر omics، دادهٔ پروندهٔ الکترونیک سلامت، حسگرهای پوشیدنی و تصویربرداری را در مطالعه‌های نشانگر تحلیل می‌کند
تست‌های تشخیصی همراه دارو
به تعریف FDA، تست همراه بیمارانی را که بیشترین سود را از یک دارو می‌برند یا در خطر عوارض جدی‌اند مشخص می‌کند؛ Roche برای همین نوع آزمون‌ها pipeline بیوانفورماتیک می‌سازد
پلتفرم‌های AI برای شرکت‌های دارویی
Owkin با شبکهٔ دادهٔ چندوجهی بیماران و پلتفرم عامل‌محور خود به شرکت‌های دارویی در کشف هدف و تعریف زیرگروه‌های بیماری کمک می‌کند
شواهد ارزش و دسترسی
در Merck، نقش Precision Medicine - Outcomes Research مطالعه‌های مشاهده‌ای روی نشانگرهای دارای تست تأییدشده و نشانگرهای نوظهور را برای نشان دادن ارزش بالینی و اقتصادی داروها طراحی می‌کند
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
پزشکی دقیق یعنی فقط توالی‌یابی ژنوم
FDA نشانگر زیستی را شامل ویژگی‌های مولکولی، بافت‌شناختی، تصویری و فیزیولوژیک می‌داند. در آگهی‌ها هم دامنه وسیع است: BMS فلوسایتومتری، متابولومیکس و پروتئومیکس را کنار توالی‌یابی آورده، AstraZeneca سیتومتری و رپرتوار BCR/TCR را، و Regeneron دادهٔ EHR، حسگرهای پوشیدنی و تصویربرداری را.
هر آگهی با عنوان Precision Medicine Scientist یک شغل داده است
نه. در Regeneron عنوان Principal Scientist - Precision Medicine برای مسئول راهبرد نشانگر است که توسعهٔ آزمون و جمع‌آوری نمونه را رهبری می‌کند و تحلیل را با دانشمندان محاسباتی هماهنگ می‌کند، و Amgen عنوان Senior Scientist - Precision Oncology را برای یک زیست‌شناس آزمایشگاهی سرطان به کار برده است. نقش محاسباتی بیشتر با عنوان‌هایی مثل Quantitative Biomarker Scientist یا Translational Data Scientist آگهی می‌شود؛ متن آگهی را بخوانید، نه فقط عنوان را.
اگر نشانگری با بقای بهتر بیماران ارتباط داشته باشد، یعنی می‌گوید چه کسی را با این دارو درمان کنیم
این دو مفهوم متفاوت‌اند. فرهنگ اصطلاحات سرطان NCI عامل پیش‌آگهی (prognostic) را ویژگی‌ای می‌داند که شانس بهبود یا بازگشت بیماری را تخمین می‌زند و عامل پیش‌بین (predictive) را ویژگی‌ای که کمک می‌کند پیش‌بینی شود سرطان فرد به یک درمان مشخص پاسخ می‌دهد یا نه. FDA هم این دو را در دو دستهٔ جدا از هفت دستهٔ نشانگر BEST قرار داده است. یکی از مهارت‌های اصلی این شغل جدا کردن این دو در داده است.
با AI و LLM این کار خودکار می‌شود
شرکت‌ها AI را می‌خواهند، اما با قضاوت انسانی. AstraZeneca از دانشمند داده می‌خواهد داور کیفیت خروجی‌های AI باشد، اعتبار زیستی آن‌ها را تضمین کند و تشخیص دهد AI کجا واقعاً ارزش علمی اضافه می‌کند و کجا قضاوت زیستی انسان لازم است. Merck هم از ایجنت‌های مبتنی بر LLM برای سرعت دادن به جمع‌بندی شواهد نام می‌برد و می‌خواهد این ابزارها به استفادهٔ روزمره و خوب اعتبارسنجی‌شده برسند.
فقط پزشک یا زیست‌شناس وارد این کار می‌شود
Regeneron برای این نقش علوم کامپیوتر، آمار، ریاضی، فیزیک و شیمی را هم کنار زیست‌شناسی محاسباتی می‌پذیرد و ارشد با ۲ سال تجربه را به جای دکترا قبول می‌کند؛ BMS برای Senior Scientist کارشناسی با ۷ سال یا ارشد با ۵ سال تجربه را هم می‌پذیرد. البته همه این‌طور نیستند: Revolution Medicines برای Senior Scientist I دکترای زیست‌شناسی سرطان یا رشتهٔ زیست‌پزشکی مرتبط می‌خواهد. طبق ویکی‌پدیا، Olivier Elemento، مدیر مؤسسهٔ پزشکی دقیق Englander، کارشناسی مهندسی مکانیک خوانده بود.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
معمولاً تازه از دکترا یا پسادکترا آمده‌اید، یا ارشد با چند سال تجربه دارید. بیشتر وقت صرف آماده‌سازی و تحلیل دادهٔ مطالعه‌های مشخص زیر نظر یک دانشمند ارشد می‌شود و کیفیت داده بخش بزرگی از کار است.
- ◆تمیز کردن و ادغام دادهٔ نشانگر یک مطالعه با دادهٔ بالینی و پیدا کردن ناهنجاری‌ها
- ◆اجرای تحلیل‌های آماری از پیش تعریف‌شده و آماده کردن جدول و نمودار کنترل‌کیفیت‌شده
- ◆به‌روزرسانی یک داشبورد برای تیم مطالعه
- ◆خواندن مقالهٔ تازه دربارهٔ روش تحلیل یک نوع داده
میانی (۲–۵ سال)
مسئولیت تحلیل یک یا چند برنامهٔ دارویی را دارید. سؤال را با تیم برنامه صورت‌بندی می‌کنید، تحلیل را طراحی و اجرا می‌کنید و یافته را به فرضیه‌ای تبدیل می‌کنید که در آزمایشگاه یا مطالعهٔ بعدی آزموده شود.
- ◆تحلیل ارتباط یک امضای مولکولی با پاسخ و مقاومت به دارو در دادهٔ چند مطالعه
- ◆جلسه با تیم سنجش نشانگر برای تبدیل یک یافته به آزمون قابل اندازه‌گیری
- ◆امتحان کردن یک روش ML یا مدل پایهٔ تازه روی دادهٔ تک‌سلولی و مقایسه با روش ساده‌تر
- ◆ارائهٔ نتیجه و پیشنهاد گام بعدی به تیم توسعهٔ بالینی
ارشد (۵+ سال)
روش‌ها و اولویت‌های تحلیل را برای یک حوزهٔ درمانی شکل می‌دهید، بر جهت برنامه‌ها اثر می‌گذارید و دیگران را راهنمایی می‌کنید. بخشی از کار ارزیابی ابزارهای تازهٔ AI و تعیین استاندارد کیفیت است.
- ◆تعریف راهبرد یکپارچه‌سازی داده برای یک برنامهٔ تازه
- ◆بازبینی تحلیل‌ها و کد اعضای تیم
- ◆ارائهٔ توصیه به مدیران ارشد دربارهٔ انتخاب بیمار یا اندیکاسیون
- ◆تصمیم دربارهٔ اینکه یک ابزار AI کجا در گردش‌کار تیم به کار برود و کجا نه
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تحلیل آماری دادهٔ نشانگرهای زیستی در کنار پیامدهای بالینی کارآزمایی، مثل پاسخ به درمان، بقای بدون پیشرفت و بقای کلی
- ◈یکپارچه کردن دادهٔ omics (bulk، تک‌سلولی، spatial، پروتئومیکس و ctDNA) با دادهٔ پاتولوژی و بالینی برای پیدا کردن سازوکار پاسخ و مقاومت به دارو
- ◈پیدا کردن زیرگروه‌هایی از بیماران و نشانگرهایی که در انتخاب بیمار برای کارآزمایی و پشتیبانی از تست همراه به کار می‌روند
- ◈تمیز کردن و کنترل کیفیت دادهٔ مطالعه‌ها، پیدا کردن ناهنجاری‌ها و بررسی علت ریشه‌ای آن‌ها با مسئولان داده
- ◈ساخت گردش‌کارهای تحلیلی تکرارپذیر، داشبوردها و ابزارهای مصورسازی برای تیم‌های مطالعه
- ◈ارزیابی و به‌کارگیری روش‌های تازهٔ AI و ML، و سنجیدن اعتبار زیستی خروجی آن‌ها
- ◈همکاری با تیم‌های پزشکی ترجمه‌ای، توسعهٔ بالینی، آمار زیستی و سنجش نشانگر برای طراحی مطالعه و تبدیل یافته‌ها به فرضیه‌های قابل آزمون
- ◈توضیح برنامه و نتیجهٔ تحلیل برای تیم‌های چندرشته‌ای و مدیران ارشد، و نوشتن گزارش و مقاله
- ◈راهنمایی دانشمندان جوان‌تر و رهبری پروژه‌های میان‌بخشی (در سطوح ارشد)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند داده‌های پزشکی دقیق موفق به آن‌ها نیاز دارد
مهارت‌های فنی
آزمون فرض، رگرسیون، مدل‌های آمیخته، تحلیل بقا و کاهش ابعاد؛ فهرست آگهی Merck و شرط «پایهٔ قوی آماری» در Revolution Medicines
در همهٔ آگهی‌های بررسی‌شده آمده است؛ Regeneron MATLAB را هم می‌پذیرد
توالی‌یابی bulk و تک‌سلولی، spatial، پروتئومیکس و سیتومتری؛ BMS دست‌کم یک نوع دادهٔ سنجش پرتوان را می‌خواهد
AstraZeneca تجربهٔ ثابت‌شده در یکپارچه‌سازی دادهٔ چندوجهی مولکولی و بالینی را شرط گذاشته است
Regeneron، Revolution Medicines و Owkin ML را می‌خواهند؛ همراه با قضاوت دربارهٔ اینکه کجا لازم است
Regeneron شناخت دادهٔ ساختاریافته و data mapping و پیدا کردن ناهنجاری‌های داده را می‌خواهد
Git، گردش‌کار تکرارپذیر و مستندسازی؛ Revolution Medicines و AstraZeneca صریحاً می‌خواهند
Regeneron لینوکس یا ابر و shell scripting و Revolution Medicines HPC و ابر را می‌خواهند
AstraZeneca آشنایی با مدل‌هایی مثل scGPT یا LLM برای استخراج دانش زیستی و Merck مدل‌های پایهٔ تک‌سلولی را می‌خواهند
AstraZeneca استفادهٔ مؤثر از ابزارهایی مثل GitHub Copilot یا Claude Code را در فهرست مهارت‌های لازم آورده است
مهارت‌های نرم
Revolution Medicines، AstraZeneca و Owkin توانایی رساندن نتیجهٔ پیچیده به مخاطبان متخصص و غیرمتخصص را می‌خواهند
کار با تیم‌های پزشکی ترجمه‌ای، توسعهٔ بالینی، آمار زیستی، آزمایشگاه و فناوری اطلاعات؛ فهرست همکاران در آگهی Revolution Medicines
BMS توانایی فهم مستقل پرسش‌های کلیدی برنامه و تدوین برنامهٔ تحلیل برای آن‌ها را می‌خواهد
Regeneron انتقال روشن برنامهٔ تحلیل و زمان‌بندی پروژه‌های هم‌زمان به اعضای تیم مطالعه را می‌خواهد
AstraZeneca توانایی ارزیابی انتقادی خروجی ابزارهای AI در زمینهٔ زیستی و ترجمه‌ای را می‌خواهد
دانش حوزه‌ای
سرطان در Revolution Medicines، ایمنی‌شناسی در AstraZeneca؛ Owkin دست‌کم یک حوزهٔ درمانی اصلی را می‌خواهد
Regeneron آشنایی عملی با کارآزمایی را به‌شدت ترجیح می‌دهد و BMS تجربهٔ دادهٔ کارآزمایی در محیط توسعهٔ دارو را
پیش‌آگهی، پیش‌بین، فارماکودینامیک و ایمنی از هفت دستهٔ BEST که FDA فهرست کرده است
ORR، PFS و OS در کارآزمایی‌های سرطان؛ Revolution Medicines تحلیل آن‌ها را امتیاز می‌داند
تعریف FDA از companion diagnostic و استانداردهای CLIA و CAP که Roche نام برده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند داده‌های پزشکی دقیق
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
زیست‌شناسی بیماری و مسیر توسعهٔ دارو
این کار بدون فهم بیماری و دارو ممکن نیست. Revolution Medicines «پیشینهٔ قوی در سرطان‌شناسی، ژنومیک سرطان و زیست‌شناسی ترجمه‌ای» می‌خواهد و AstraZeneca تجربهٔ جدی در ایمنی‌شناسی. هم‌زمان مسیر توسعهٔ دارو را یاد بگیرید: FDA آن را پنج مرحله می‌داند، از کشف و پژوهش پیش‌بالینی تا کارآزمایی بالینی، بررسی FDA و پایش پس از ورود به بازار. باید بدانید نشانگر زیستی در هر مرحله به چه سؤالی جواب می‌دهد.
آمار، R و دادهٔ کارآزمایی بالینی
هستهٔ کار آمار است. Regeneron این نقش را «نقشی آماری و محاسباتی» می‌نامد که دادهٔ کارآزمایی را مدیریت و تحلیل می‌کند و دادهٔ نشانگر را با پیامدهای بالینی (clinical endpoints) کنار هم می‌گذارد. Merck پایهٔ آماری شامل آزمون فرض، رگرسیون و مدل‌های آمیخته، تحلیل بقا و کاهش ابعاد را می‌خواهد، با قضاوت درست دربارهٔ مخدوش‌کننده‌ها، اثر دسته (batch effect) و آزمون‌های چندگانه. پیامدهای رایج کارآزمایی سرطان مثل ORR، PFS و OS را بشناسید؛ Revolution Medicines تحلیل آن‌ها را امتیاز می‌داند.
منابع پیشنهادی
تحلیل داده‌های omics
نمونه‌های بیماران در کارآزمایی‌ها با فناوری‌های مختلف سنجیده می‌شوند. BMS تجربه با دست‌کم یکی از این داده‌ها را می‌خواهد: توالی‌یابی نسل جدید، متابولومیکس، فلوسایتومتری و پروتئومیکس طیف‌سنجی جرمی. Revolution Medicines توالی‌یابی bulk و تک‌سلولی و spatial transcriptomics را نام می‌برد. از RNA-seq bulk شروع کنید (DESeq2 و limma)، بعد سراغ داده‌های تک‌سلولی بروید.
یادگیری ماشین برای نشانگر زیستی و طبقه‌بندی بیماران
اینجا مسئلهٔ اصلی این شغل است: از دادهٔ چندلایه، زیرگروه‌هایی از بیماران و نشانگرهایی پیدا کنید که با پاسخ به درمان یا پیشرفت بیماری ارتباط دارند. AstraZeneca یکپارچه‌سازی دادهٔ مولکولی و بالینی برای پیدا کردن نشانگر و زیرگروه بیماران را می‌خواهد و Owkin در کنار آمار، با مفاهیم یادگیری ماشین مثل cross-validation و ابزارهایی مثل scikit-learn و XGBoost کار می‌کند. Merck می‌گوید باید بدانید ML کجا ارزش اضافه می‌کند و کجا روش ساده‌تر کافی است.
spatial، مدل‌های پایه، تست همراه و کار تکرارپذیر
لبهٔ کار در آگهی‌های ۲۰۲۶ دادهٔ spatial و مدل‌های پایهٔ زیستی است: AstraZeneca تجربه با spatial omics و آشنایی با مدل‌هایی مثل scGPT را می‌خواهد و از شما انتظار دارد داور کیفیت خروجی‌های AI باشید. در سمت کاربرد بالینی، باید بدانید تست همراه (companion diagnostic) چیست: به تعریف FDA، ابزاری است که اطلاعات لازم برای استفادهٔ ایمن و مؤثر از یک دارو را می‌دهد، مثلاً بیمارانی را که بیشترین سود را می‌برند مشخص می‌کند. کار را هم تکرارپذیر بسازید: Git، Nextflow و ابر.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
زبان‌ها و محیط تحلیل
Regeneron، BMS، Revolution Medicines و Merck آن را کنار Python آورده‌اند؛ در تحلیل آماری دادهٔ بالینی و نشانگر رایج است
تحلیل داده‌های omics
مجموعهٔ بسته‌های R برای تحلیل دادهٔ زیستی؛ Revolution Medicines از Bioconductor نام برده است
تحلیل spatial؛ آگهی AstraZeneca تجربه با spatial transcriptomics و spatial proteomics را شرط گذاشته است
آمار و یادگیری ماشین
داده، pipeline و ابر
Revolution Medicines مستندسازی دقیق کار با کنترل نسخه را شرط گذاشته و AstraZeneca هم Git را می‌خواهد
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
پسادکترا / Associate Scientist
دکترا + ۰ تا ۲ سال
پروژهٔ پژوهشی مشخص روی دادهٔ بیماران در یک شرکت دارویی؛ آگهی پسادکترای Immunology Analytics در Merck تحلیل دادهٔ تک‌سلولی و spatial برای پیدا کردن نشانگرهای پاسخ به درمان و طبقه‌بندی بیماران را می‌خواهد
Scientist / Senior Scientist
دکترا + ۰ تا ۵ سال (یا ارشد با تجربه)
تحلیل دادهٔ نشانگر در مطالعه‌ها و کارآزمایی‌های مشخص و ارائهٔ نتیجه به تیم برنامه؛ Regeneron برای Senior Quantitative Biomarker Scientist دکترا یا ارشد با دست‌کم ۲ سال تجربه می‌خواهد و BMS برای Senior Scientist دکترا با دست‌کم ۲ سال
Principal Scientist / Associate Director
دکترا + ۶ سال به بالا
تعیین روش تحلیل برای یک حوزهٔ درمانی، رهبری علمی در تیم‌های چندرشته‌ای و تأثیر بر راهبرد ترجمه‌ای؛ AstraZeneca برای Associate Director, Translational Data Science دکترا و دست‌کم ۶ سال تجربه می‌خواهد
Director / رهبری تیم
پس از چند سال در سطح Principal یا Associate Director
رهبری تیم دادهٔ ترجمه‌ای یا پزشکی دقیق در یک شرکت و تعیین اولویت‌های تحلیل در کل سبد داروها؛ در این سطح کار بیشتر مدیریت، راهبرد و هماهنگی با توسعهٔ بالینی است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
شرط ورود بالا
عمومیبیشتر آگهی‌ها دکترا می‌خواهند و سطح‌های بالاتر چند سال تجربه پس از آن: AstraZeneca برای Associate Director ۶ سال و Revolution Medicines برای Senior Scientist I ۴ سال. راه‌های بدون دکترا هم هست، اما با تجربهٔ بیشتر: Regeneron ارشد با ۲ سال و BMS کارشناسی با ۷ سال یا ارشد با ۵ سال.
دادهٔ کم، متغیر زیاد، کیفیت ناهمگون
شرکت بزرگنمونههای کارآزمایی معمولاً محدودند، در زمان‌ها و مراکز مختلف جمع‌آوری می‌شوند و هزاران متغیر دارند. Merck قضاوت درست دربارهٔ مخدوش‌کننده‌ها، اثر دسته و آزمون‌های چندگانه را می‌خواهد و Regeneron پیدا کردن ناهنجاری‌های داده و بررسی علت ریشه‌ای آن‌ها را جزو کار می‌داند.
جدا کردن پیش‌آگهی از پیش‌بینی پاسخ
عمومینشانگری که با پیامد بهتر همراه است الزاماً نمی‌گوید چه کسی از یک داروی مشخص سود می‌برد؛ NCI این دو را با تعریف‌های جدا آورده است. نتیجه‌گیری اشتباه می‌تواند انتخاب بیمار در کارآزمایی بعدی را به بیراهه ببرد، پس طراحی تحلیل و بیان محدودیت‌ها بخش مهمی از کار است.
کار میان چند تیم و چند زبان
عمومیاین نقش وسط زنجیره است: Revolution Medicines همکاری با پزشکی ترجمه‌ای، کشف دارو، بیوانفورماتیک، سنجش نشانگر و فناوری اطلاعات را می‌خواهد. باید هم زبان آزمایشگاه را بفهمید، هم زبان آمار زیستی و هم زبان تیم بالینی که تصمیم می‌گیرد.
اعتبارسنجی خروجی AI
عمومیابزارهای AI سریع وارد کار شده‌اند، اما مسئولیت نتیجه با شماست. AstraZeneca صریحاً می‌خواهد دانشمند داده داور کیفیت خروجی‌های AI باشد و اعتبار زیستی و ترجمه‌ای آن‌ها را تضمین کند؛ Owkin هم خروجی‌های عامل‌محور را باید با دقت علمی به مشتری تحویل دهد.
کار حضوری
شرکت بزرگبیشتر نقش‌ها حضوری یا ترکیبی‌اند: Regeneron چهار روز در هفته حضور در محل را خواسته و AstraZeneca به‌طور میانگین دست‌کم سه روز در هفته. نقش Owkin هم سفر بین‌المللی مکرر به محل مشتری‌ها دارد. در آگهی‌های محاسباتی که بررسی کردیم، هیچ‌کدام کاملاً دورکاری نبود.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند داده‌های پزشکی دقیق
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Regeneron posting, Senior Quantitative Biomarker Scientist (Tarrytown/Armonk NY; PhD, or MS + 2 yrs), posted Oct 21 2026: annual salary range; median = midpoint
- Revolution Medicines posting, Senior Scientist I, Biomarker Sciences/Translational Sciences (Redwood City CA; PhD + 4 yrs), first published Nov 9 2026, seen Nov 12 2026: base pay range; median = midpoint
- BMS posting, Senior Scientist, Translational Informatics and Predictive Sciences (Seattle WA range; PhD + 2 yrs, 3–5 preferred), posted Oct 22 2026: starting pay range; median = midpoint
- AstraZeneca posting, Associate Director, Translational Data Science (Boston, Kendall Sq; PhD + 6 yrs), posted Oct 1 2026: annual base pay range; median = midpoint
- Roche posting, Principal Bioinformatics Scientist I, precision-medicine diagnostics (Mississauga ON; PhD + 4 yrs or MS + 7), posted Oct 8 2026: expected salary range; median = midpoint
- ITJobsWatch, 6 months to 23 Oct 2026: UK permanent ads citing Bioinformatics (closest tracked skill, not title-specific); 25th–75th pct, median (28 salaries)
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: زیست‌شناسی و توسعهٔ دارو
زیست‌شناسی سلولی و مولکولی پایه، مراحل توسعهٔ دارو و تعریف و دسته‌های نشانگر زیستی.
ماه ۲: کارآزمایی بالینی
طراحی و تفسیر کارآزمایی، پیامدهای بالینی و ساختار دادهٔ کارآزمایی.
ماه ۳: RNA-seq و Bioconductor
یک تحلیل کامل بیان افتراقی ژن با DESeq2 روی دادهٔ نمونه.
ماه ۴: پروژهٔ بقا با TCGA
پروژهٔ نشانگر پیش‌آگهی با دادهٔ عمومی سرطان و تحلیل بقا.
ماه ۵: تک‌سلولی و multi-omics
تحلیل یک مجموعه‌دادهٔ تک‌سلولی و یک پروژهٔ زیرگروه‌بندی با MOFA+.
پروژه‌های پیشنهادی برای رزومه
نشانگر پیش‌آگهی (prognostic) با دادهٔ عمومی TCGA
مبتدیدادهٔ بیان ژن و دادهٔ بالینی یک نوع سرطان را از GDC یا cBioPortal بگیرید، چند ژن یا امضای ژنی را با منحنی Kaplan–Meier و مدل Cox با بقای بیماران مقایسه کنید و تصحیح آزمون‌های چندگانه را انجام دهید. در README صریح بنویسید چرا این نتیجه «پیش‌آگهی» است و دربارهٔ پاسخ به یک داروی خاص چیزی نمی‌گوید.
شبیه‌سازی کارآزمایی دوبازویی و آزمون نشانگر پیش‌بین (predictive)
متوسطیک کارآزمایی دوبازویی (دارو در برابر کنترل) را شبیه‌سازی کنید و دو سناریو بسازید: در یکی نشانگر فقط پیش‌آگهی است و در دیگری پیش‌بین. با مدل برهم‌کنش درمان × نشانگر نشان دهید چطور این دو را از هم جدا می‌کنید و چرا در مطالعهٔ تک‌بازویی نمی‌شود. داده را با ساختاری شبیه CDISC SDTM نگه دارید.
زیرگروه‌بندی بیماران با دادهٔ multi-omics
متوسطچند لایهٔ داده (مثلاً بیان ژن، متیلاسیون و جهش) از یک گروه بیماران TCGA را با MOFA+ یکپارچه کنید، عامل‌های اصلی را تفسیر کنید و ببینید زیرگروه‌های حاصل با بقا یا ویژگی‌های بالینی ارتباط دارند یا نه. پایداری خوشه‌ها را با نمونه‌گیری دوباره بسنجید.
جست‌وجوی نشانگر در دادهٔ تک‌سلولی بیماران
پیشرفتهیک مجموعه‌دادهٔ عمومی scRNA-seq از بافت بیماران (مثلاً از CZ CELLxGENE) را کنترل کیفیت، یکپارچه و نوع‌بندی کنید و حالت‌های سلولی مرتبط با بیماری را پیدا کنید. بعد بررسی کنید کدام یافته را می‌شود به یک نشانگر قابل سنجش در آزمایشگاه بالینی تبدیل کرد؛ Revolution Medicines همین تبدیل یافته به «analyte» قابل سنجش را از تیمش می‌خواهد.
داشبورد تکرارپذیر نشانگر در برابر پیامد بالینی
پیشرفتهیک pipeline کوچک بسازید که دادهٔ نشانگر و پیامد بالینی را تمیز و ادغام کند، تحلیل را اجرا کند و نتیجه را در یک داشبورد Shiny نمایش دهد. همه‌چیز را با Git، Docker و Nextflow تکرارپذیر کنید و برای کنترل کیفیت داده گزارش خودکار بسازید؛ Regeneron هم ساخت داشبورد و هم پیدا کردن ناهنجاری‌های داده را جزو این نقش آورده است.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
طبق ویکی‌پدیا، کارشناسی مهندسی مکانیک را در دانشگاه Paul Sabatier تولوز گرفت، کارشناسی ارشد مهندسی مکانیک و سیستم‌های هوشمند خواند و در ۲۰۰۳ دکترای زیست‌شناسی محاسباتی را از دانشگاه مونپلیه/CNRS گرفت. دورهٔ پسادکترا را در مؤسسهٔ Lewis-Sigler دانشگاه Princeton گذراند.
از ۲۰۰۸ در Weill Cornell Medicine است و از سپتامبر ۲۰۱۷ مؤسسهٔ پزشکی دقیق Caryl and Israel Englander را اداره می‌کند. به نوشتهٔ ویکی‌پدیا، در ۲۰۲۰ یک طرح توالی‌یابی کامل ژنوم در سطح بیمارستان را با NewYork-Presbyterian و Illumina راه انداخت و از هم‌بنیان‌گذاران شرکت Volastra Therapeutics است.
مسیر او از مهندسی مکانیک به ادارهٔ یک مؤسسهٔ پزشکی دقیق نشان می‌دهد پایهٔ قوی کمّی قابل انتقال است، به شرط اینکه زیست‌شناسی را در سطح پژوهش یاد بگیرید.
طبق ویکی‌پدیا، کارشناسی زیست‌شناسی سلولی و مولکولی را در UCLA گذراند، کارشناسی ارشد را در دانشگاه هایدلبرگ گرفت و در ۲۰۰۷ دکترای زیست‌شناسی مولکولی و محاسباتی را زیر نظر Simon Tavaré در USC تمام کرد. سه سال پسادکترا در دانشگاه کمبریج بود.
اکنون استاد پزشکی، ژنتیک و علوم دادهٔ زیست‌پزشکی در Stanford است و از ۲۰۲۲ مدیر بخش هوش مصنوعی و ژنومیک سرطان در مؤسسهٔ سرطان Stanford. به نوشتهٔ ویکی‌پدیا، در ۲۰۱۹ تحلیل مولکولی و دادهٔ بالینی قدیمی را ترکیب کرد تا بزرگ‌ترین گروه بیماران سرطان پستان را بسازد و در آن چهار گروه تومور یافت که تا ۲۰ سال پس از تشخیص اولیه بروز می‌کنند. در ۲۰۱۸ جایزهٔ Pioneer مدیر NIH را گرفت.
کار او نمونهٔ روشنی از هستهٔ این شغل است: ترکیب دادهٔ مولکولی با پیامد بالینی برای پیدا کردن زیرگروه‌هایی از بیماران که رفتار متفاوتی دارند.
طبق ویکی‌پدیا، در دانشگاه Brown علوم کامپیوتر خواند، در ۱۹۹۵ مدرک پزشکی گرفت، دورهٔ تخصص کودکان و فوق‌تخصص غدد کودکان را در بیمارستان کودکان بوستون گذراند و در ۲۰۰۴ دکترایش را از برنامهٔ مشترک Harvard–MIT در علوم و فناوری سلامت گرفت.
پس از Stanford، از ۲۰۱۵ نخستین مدیر مؤسسهٔ علوم محاسباتی سلامت Bakar در UCSF شد. به نوشتهٔ ویکی‌پدیا، در سخنرانی TEDMED در ۲۰۱۲ روش آزمایشگاهش را برای کشف‌های تازه با دادهٔ عمومی زیست‌پزشکی، بدون آزمایشگاه تر، شرح داد و دو شرکت بیوتک (Personalis و NuMedii) را بنیان گذاشت. او در ژوئن ۲۰۲۵ درگذشت.
او نشان داد دادهٔ عمومی موجود، اگر با سؤال درست سراغش بروید، خودش منبع کشف است؛ برای کسی که به آزمایشگاه دسترسی ندارد، پروژه روی دادهٔ عمومی بهترین شروع است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Scientist I, Biomarker Sciences/Translational Sciences
تحلیل نیازمندی‌ها
PhD in Cancer Biology, Molecular Oncology, Molecular Medicine, Human Genetics, or a related translational biomedical discipline, with 4+ years of relevant postdoctoral and/or industry experience in oncology drug discovery and development.
رشته‌های فهرست‌شده همه زیست‌پزشکی‌اند و علوم کامپیوتر در آن‌ها نیست؛ یعنی این شرکت از متخصص بیماری انتظار مهارت محاسباتی دارد. دست‌کم ۴ سال تجربهٔ پسادکترا یا صنعتی هم لازم است و این تجربه باید به کشف و توسعهٔ داروی سرطان مربوط باشد، نه هر پژوهش زیستی. آگهی‌های دیگر، مثل Regeneron، رشته‌های کمّی را می‌پذیرند؛ پس شرط تحصیلی بسته به شرکت فرق می‌کند.
ضروریSubstantial hands-on experience analyzing and biologically interpreting complex omics datasets, including bulk and single-cell sequencing, spatial transcriptomics, and integrated molecular, phenotypic, and clinical/translational data.
کلیدواژهٔ اصلی «تفسیر زیستی» است: اجرای pipeline کافی نیست، باید بگویید نتیجه از نظر زیست‌شناسی یعنی چه. ترکیب دادهٔ مولکولی با دادهٔ بالینی و فنوتیپی همان چیزی است که این نقش را از بیوانفورماتیک صرف جدا می‌کند.
ضروریStrong background in oncology, cancer genomics, and translational biology, with demonstrated ability to independently frame biological questions and translate computational findings into testable hypotheses and drug-development insights.
از شما انتظار دارند خودتان سؤال را بسازید، نه فقط سفارش تحلیل بگیرید، و خروجی‌تان باید به فرضیهٔ قابل آزمون یا تصمیمی در توسعهٔ دارو برسد. دانش عمیق یک حوزهٔ بیماری، اینجا سرطان، شرط است.
ضروریDemonstrated experience and proficiency in applying and evaluating machine learning and emerging AI-enabled approaches to biological data analysis.
کلمهٔ «evaluating» مهم است: هم باید ML و AI را به کار ببرید و هم بسنجید که واقعاً کمک می‌کند یا نه. یک پروژه که روش ML را با روش ساده‌تر مقایسه کند، شاهد خوبی برای این شرط است.
مهمProficiency in R and/or Python for the analysis and interpretation of biological data, with a strong commitment to reproducible and rigorous analytical practices.
یکی از دو زبان کافی است، اما کار باید تکرارپذیر باشد: کنترل نسخه، کد مستند و گردش‌کاری که دیگران بتوانند دوباره اجرا کنند.
ضروریStrong foundation in statistical analysis and experimental design for high-dimensional biological and biomarker data.
دادهٔ نشانگر معمولاً نمونهٔ کم و متغیر زیاد دارد؛ بدون آمار درست و طراحی مطالعهٔ درست، یافته‌ها تکرار نمی‌شوند. این شرط در تقریباً همهٔ آگهی‌های این حوزه تکرار می‌شود.
ضروریExperience analyzing and interpreting longitudinal baseline, on-treatment, and resistance/progression datasets.
این شرط ترجیحی نشان می‌دهد داده چه شکلی دارد: نمونه‌هایی از همان بیمار قبل از درمان، حین درمان و هنگام مقاومت یا پیشرفت بیماری. تحلیل دادهٔ طولی مهارت جداگانه‌ای است که ارزش یادگیری دارد.
مفیدFamiliarity with cloud-based analytical environments such as Databricks and collaboration on interactive analytical and visualization tools.
کار در محیط ابری انجام می‌شود و بخشی از خروجی، ابزار تعاملی برای همکاران است؛ تجربهٔ ساخت یک داشبورد ساده با Shiny یا Dash اینجا به چشم می‌آید.
مفیدتحلیل مسئولیت‌ها
Translational Science: Apply computational approaches to uncover biomarkers, mechanisms of drug response and resistance, pharmacodynamic effects, and therapeutic strategies across translational studies.
خلاصهٔ کل نقش در یک جمله: نشانگر، سازوکار پاسخ و مقاومت، و اثر فارماکودینامیک، یعنی اینکه دارو در بدن واقعاً به هدفش رسیده یا نه. همهٔ این‌ها با روش محاسباتی و روی داده‌های مطالعه‌های ترجمه‌ای انجام می‌شود.
Omics & Integrated Biology: Analyze and integrate bulk and single-cell sequencing, spatial transcriptomics, and other molecular data with biomarker, pathology, and efficacy/response outcomes to generate actionable biological hypotheses.
داده‌ها چندلایه‌اند: توالی‌یابی، spatial، پاتولوژی و نتیجهٔ اثربخشی. کار شما وصل کردن این لایه‌ها به هم است تا فرضیه‌ای بسازید که تیم بتواند بر اساسش عمل کند.
Analyze and integrate multimodal molecular and phenotypic datasets from translational studies to identify biomarkers, pharmacodynamic effects, mechanisms of response and resistance, and combination hypotheses.
«combination hypotheses» یعنی پیشنهاد اینکه کدام داروها را با هم بدهند. وقتی داده نشان می‌دهد تومور از چه راهی به دارو مقاوم می‌شود، همان راه می‌تواند هدف داروی دوم باشد؛ تحلیل شما مبنای این پیشنهاد است.
Perform cross-study analyses to identify reproducible biological signals and translate computational findings into testable mechanistic and translational hypotheses.
یافته‌ای که فقط در یک مطالعه دیده شود قابل اتکا نیست؛ مقایسهٔ چند مطالعه برای پیدا کردن سیگنال تکرارپذیر بخشی از کار روزانه است.
Partner with Biomarker Assays teams to translate insights into actionable biomarker analytes.
یافتهٔ محاسباتی باید در نهایت به چیزی تبدیل شود که آزمایشگاه بتواند در نمونهٔ بیمار اندازه بگیرد. این همان پلی است که از تحلیل داده به تست بالینی می‌رسد.
Evaluate and apply emerging AI/ML approaches to accelerate analysis, data integration, and biological insight generation.
AI اینجا ابزار سرعت دادن به تحلیل و یکپارچه‌سازی است. انتظار دارند روش‌های تازه را خودتان پیگیری و ارزیابی کنید.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ محاسباتی پزشکی دقیق در یک شرکت داروسازی می‌دهد: دانشمندی با دکترای زیست‌پزشکی و مهارت محاسباتی که داده‌های omics، پاتولوژی و پاسخ به درمان را کنار هم می‌گذارد تا بفهمد دارو چطور و روی چه کسی اثر می‌کند، و یافته را به نشانگری قابل سنجش تبدیل کند. Revolution Medicines شرکتی در حوزهٔ سرطان است که داروهای خوراکی مهارکنندهٔ RAS می‌سازد. این آگهی در نوامبر ۲۰۲۶ منتشر شده و بازهٔ پایهٔ حقوق آن برای کار حضوری در دفتر مرکزی ۱۴۹ تا ۱۸۶ هزار دلار است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS پیش‌بینی می‌کند اشتغال Medical Scientists در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۱۳٪ رشد کند که «بسیار سریع‌تر از میانگین» است، و O*NET این شغل را Bright Outlook علامت زده است. BLS می‌گوید این دانشمندان از جمله با تحلیل دادهٔ کارآزمایی‌های بالینی بیماری‌ها را مطالعه می‌کنند. این گروه رسمی، پژوهشگران آزمایشگاهی را هم در بر می‌گیرد؛ پس رقم دقیقاً مخصوص نسخهٔ داده‌محور این کار نیست.
منبع: BLS Occupational Outlook Handbook — Medical Scientists (Employment Projections 2025–2035)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
BLS پیش‌بینی می‌کند اشتغال Medical Scientists در آمریکا از ۱۸۱٬۰۰۰ نفر در ۲۰۲۵ به ۲۰۳٬۷۰۰ نفر در ۲۰۳۵ برسد (۱۳٪ رشد).
BLS پیش‌بینی می‌کند در دههٔ ۲۰۲۵ تا ۲۰۳۵ به‌طور میانگین سالانه حدود ۱۰٬۵۰۰ فرصت شغلی برای Medical Scientists ایجاد شود که بیشترش برای جایگزینی افرادی است که شغل عوض می‌کنند یا بازنشسته می‌شوند.
دو ریسک اصلی دیده می‌شود. اول، شرط ورود بالاست: بیشتر آگهی‌ها دکترا و تجربهٔ پس از آن می‌خواهند و تقریباً همه حضوری یا ترکیبی‌اند. دوم، بخشی از کار تحلیلی به سمت پلتفرم‌های AI می‌رود: Owkin یک «دانشمند AI» عامل‌محور برای شرکت‌های دارویی می‌سازد و Merck و AstraZeneca به‌کارگیری LLM و ایجنت‌ها را از تیم‌هایشان می‌خواهند. در این شرایط ارزش متخصص بیشتر در صورت‌بندی سؤال، شناخت بیماری و دارو، و قضاوت دربارهٔ اعتبار نتیجه است؛ همان چیزی که AstraZeneca «داور کیفیت خروجی‌های AI» می‌نامد.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۲۵ منبع بررسی شده است.
- Senior Scientist I, Biomarker Sciences/Translational Sciences — Revolution Medicines (job posting)
- Senior Scientist I, Cancer Genomics, Clinical Biomarker Development — Revolution Medicines (job posting)
- Senior Quantitative Biomarker Scientist — Regeneron (job posting)
- Principal Scientist - Precision Medicine (Biomarker Strategy Lead) — Regeneron (job posting)
- Senior Scientist, Translational Informatics and Predictive Sciences — Bristol Myers Squibb (job posting)
- Associate Director, Translational Data Science - Translational Medicine and Bioinformatics — AstraZeneca (job posting)
- Associate Director, Data Science, Computational Oncology — Merck (job posting)
- Associate Scientist, Post Doc Fellow - Immunology Analytics — Merck (job posting)
- Director (Principal Scientist) - Precision Medicine - Outcomes Research — Merck (job posting)
- Forward Deployed Computational Biologist — Owkin (job posting)
- Principal Bioinformatics Scientist I — Roche, Mississauga (job posting)
- Senior Scientist - Precision Oncology — Amgen (job posting)
- ITJobsWatch — Bioinformatics skill, UK permanent jobs
- BLS Occupational Outlook Handbook — Medical Scientists
- O*NET OnLine — Medical Scientists, Except Epidemiologists (19-1042.00)
- FDA — About Biomarkers and Qualification
- FDA — Companion Diagnostics
- FDA — List of FDA-Authorized Companion Diagnostic Devices
- FDA — The Drug Development Process
- MedlinePlus Genetics — What is precision medicine?
- NCI Dictionary of Cancer Terms — predictive factor
- NCI Dictionary of Cancer Terms — prognostic factor
- Olivier Elemento — Wikipedia
- Christina Curtis — Wikipedia
- Atul Butte — Wikipedia