Перейти до вмісту
База знань: довголіття

Кар'єрна стратегія: робота в AI для омолодження / здоров'я

Створено: 21 липня 2026. Turnkey-роадмапа для входу на перетин AI + longevity/healthspan. Вихідна точка: майже з нуля, ціль-мрія — research scientist. Локація: Україна (важливо для стратегії пошуку). Це чесний, реалістичний план, а не мотиваційний плакат.

0. Головна теза — прочитай першою

Section titled “0. Головна теза — прочитай першою”

Ціль «research scientist на перетині AI і біології» — правильна й досяжна, але це не одна сходинка, а драбина на 2–4 роки. Чому чесність тут важливіша за оптимізм:

Ринок ділить ці ролі на чотири типи (за оглядом biotech-AI hiring 2026), і саме «науковець, що тренує foundation-моделі» — Foundation-Model Scientist — прямо вимагає «PhD-рівня експертизи». Тобто позиція, яку ти хочеш, за замовчуванням фільтрує кандидатів без PhD або без сильного дослідницького треку з публікаціями.

Але є добра новина: у це поле реально зайти через суміжну роль і дорости до research зсередини. Це не обхідний трюк, а стандартний, добре задокументований шлях (див. розділ 3). Для людини, що стартує майже з нуля, правильна стратегія — не битися одразу в стіну «Research Scientist, PhD required», а зайти в компанію через інженерну роль, набути домену й треку, і мігрувати в дослідження.

Дві реалістичні траєкторії до твоєї мрії:

  • Драбина (рекомендовано для старту з нуля): вивчити ML+біо → зайти як bio-aware ML / research engineer → всередині компанії набути публікації й дослідницький досвід → перейти в research scientist. Горизонт до першої роботи в полі: ~12–24 міс; до research-ролі: +2–3 роки.
  • Академічна (класична): магістратура, а далі — можливо PhD у computational biology / ML. Довше (2–5+ років), але це «золотий» шлях саме до чистого research scientist. Можна комбінувати з драбиною.

Далі — детальний план під драбину, з академічною опцією як паралельною гілкою.

1. Ландшафт: хто наймає і які ролі бувають

Section titled “1. Ландшафт: хто наймає і які ролі бувають”

Чотири типи ролей (і де в них твоя ціль)

Section titled “Чотири типи ролей (і де в них твоя ціль)”
РольЩо робитьВимогиБаза (US, 2026)
Production ML Engineer (bio-aware)Будує інференс-пайплайни, якими користуються науковціПриходять із загального tech + біо-контекст; найреальніший вхід$165–205K / сеньйор $220–280K
Foundation-Model ScientistТренує/файнтюнить доменні моделі (білки, молекули, клітини) — це твоя цільPhD-рівень$200–245K / сеньйор $245–325K
Comp Chem/Bio з MLДизайн експериментів і аналітичних пайплайнів5+ років прикладного ML$175–215K / сеньйор $215–285K
Bio-Data Infrastructure EngineerДані: секвенування, imaging, ELN-пайплайниData-інженерія$155–195K / сеньйор $200–255K

Твоя ціль — рядок 2. Твій вхід — найімовірніше рядок 1 (або 4 як зовсім початковий), з подальшою міграцією.

Компанії на перетині AI + longevity/health

Section titled “Компанії на перетині AI + longevity/health”
  • AI-drug-discovery платформи: Insilico Medicine (має окрему Longevity Board, PandaOmics/Chemistry42), Recursion, Genentech (gRED — Computational Sciences), Isomorphic Labs (DeepMind), Iambic, Cradle, Chai Discovery.
  • Longevity-специфічні: BioAge Labs (партнерство з Novartis), Retro Biosciences (OpenAI-звʼязок, AI-редизайн факторів Яманаки), Altos Labs, NewLimit (ML для безпечнішого репрограмування), Shift Bioscience (ML для факторів репрограмування), Gero, Calico (Alphabet).
  • Foundation-model / інфраструктура: IBM Research (MAMMAL — твій вхідний обʼєкт вивчення!), EvolutionaryScale (ESM-3), Arc Institute, Chan Zuckerberg Initiative (CELLxGENE).

Географія й важливий нюанс для України

Section titled “Географія й важливий нюанс для України”

Основні кластери — Boston/Cambridge (найбільший обсяг), SF Bay Area (домінує foundation-model research), San Diego, Research Triangle, Philadelphia. Майже все — США.

Що це означає для тебе в Києві:

  • Прямий research scientist із США віддалено для новачка — малоймовірно. Але remote-first ML/research engineer ролі існують, і їх більше саме на інженерному кінці (рядок 1/4).
  • Європейські вузли: Insilico має офіси в кількох країнах; є європейські біо-AI (напр. у Британії, Швейцарії, Німеччині). EU-релокація реалістичніша логістично, ніж US.
  • Open-source і змагання стирають географію: твій код на GitHub, внесок у відкриті моделі (ESM, MAMMAL), місця в ML-конкурсах — це те, що видно роботодавцю з будь-якої точки. Для career-changer із України це головний важіль.
  • Реалістична послідовність: спершу remote-контракт/стартова роль у міжнародній команді → трек і портфоліо → релокація або senior remote.

2. Розрив: що потрібно тобі проти того, що є

Section titled “2. Розрив: що потрібно тобі проти того, що є”

Стартова точка — «майже з нуля». Ціль-роль вимагає трьох стовпів одночасно. Ось чесна карта розриву:

СтовпЩо вимагає рольТвій розривПріоритет
ПрограмуванняPython (вільно), Git, Linux, PyTorchЗакрити з нуля🔴 Спочатку
Математика/MLЛінійна алгебра, ймовірність, статистика, класичний ML, deep learning, трансформериЗакрити з нуля🔴 Спочатку
Біологія-доменМолекулярна біологія, геноміка, білки, «читати Nature за 15 хв»Закрити з нуля🟡 Паралельно
Доменний MLProtein LM (ESM), single-cell (scGPT/Geneformer), drug-target, дифузійні моделі структурПісля базового ML🟢 Пізніше
Дослідницький трекПублікації, open-source, видимістьБудувати через проєкти🟢 Наскрізно

Ключовий інсайт з ринку: доменну «біо-інтуїцію» не можна вивчити за 3 місяці — тому найсильніший диференціатор для інженера-початківця це поєднання «вмію будувати ML + справді розумію біологію задачі». Саме на це грає план нижче.

3. Стратегія входу: драбина замість стрибка

Section titled “3. Стратегія входу: драбина замість стрибка”

Логіка (перевірена практика career-changers у ML-research):

  1. Не подавайся одразу на «Research Scientist» — там degree-фільтр. Заходь на research engineer / ML engineer / bio-data ролі, де цінують production-досвід.
  2. Опинися всередині компанії поля. Внутрішній перехід у research значно легший за зовнішній найм без PhD — ти обходиш автоматичні фільтри резюме.
  3. Будуй дослідницький трек по ходу: співавторство в статтях (навіть як інженер у проєкті), внесок у forward-looking research, open-source.
  4. Documentуй незалежні дослідницькі внески — це матеріал для промоушену в research-роль.

Паралельно тримай академічну опцію (магістратура, потім, можливо, PhD) — якщо відчуєш, що хочеш саме чистий research швидше й ґрунтовніше, це найпряміший шлях, і його можна поєднати з роботою.

4. Навчальна траєкторія (фази, ~12–18 міс до працевлаштовності)

Section titled “4. Навчальна траєкторія (фази, ~12–18 міс до працевлаштовності)”

Принцип: вчитися роблячи. Більшість знань для дослідження — специфічні й найкраще засвоюються через читання статей і власні експерименти, а не нескінченні курси. Курси дають фундамент; проєкти дають роботу.

Фаза 1 (міс 1–3): Фундамент — Python + математика

Section titled “Фаза 1 (міс 1–3): Фундамент — Python + математика”
  • Python: синтаксис, структури даних, NumPy, Pandas, matplotlib/seaborn. Git + GitHub з першого дня. Основи Linux/терміналу.
  • Математика для ML: лінійна алгебра (вектори, матриці, власні значення), ймовірність і статистика (розподіли, гіпотези, регресія, PCA). Ресурс-орієнтир: college-level курс статистики, задачі руками.
  • Результат фази: маленькі скрипти аналізу даних на GitHub, впевнений Python.

Фаза 2 (міс 3–7): Класичний ML + Deep Learning

Section titled “Фаза 2 (міс 3–7): Класичний ML + Deep Learning”
  • Класичний ML: регресія, дерева, кластеризація, крос-валідація, метрики (sklearn).
  • Deep learning: нейромережі, backprop, PyTorch (стандарт поля), CNN/RNN, а головне — трансформери й attention (архітектура ESM, MAMMAL, усіх сучасних моделей).
  • Ресурси-орієнтири: fast.ai, курс DL Ендрю Ина / Карпаті «Zero to Hero», офіційні PyTorch-туторіали.
  • Результат: тренуєш і файнтюниш моделі самостійно; розумієш config.json трансформера.

Фаза 3 (міс 5–10, паралельно з Фазою 2): Біологія-домен

Section titled “Фаза 3 (міс 5–10, паралельно з Фазою 2): Біологія-домен”
  • Молекулярна біологія: ДНК/РНК/білки, центральна догма, гени й експресія.
  • Геноміка й omics: секвенування, транскриптоміка (single-cell), протеоміка.
  • Прицільно під longevity: 12 ознак старіння (у нас уже є документ-основа!), епігенетика, репрограмування.
  • Ціль-навичка: читати статтю з Nature/Cell за ~15 хв у своїй ніші. Приєднайся до journal club / читай preprints (bioRxiv).
  • Ресурси-орієнтири: безкоштовні курси біології (напр. MIT OCW), блоги (Tommy Tang з геноміки), наші проєктні документи як каркас.

Фаза 4 (міс 8–15): Доменний bio-AI — де ти стаєш конкурентним

Section titled “Фаза 4 (міс 8–15): Доменний bio-AI — де ти стаєш конкурентним”
  • Protein language models: ESM-2 (інтуїція pLM), запуск інференсу, ембединги.
  • Крос-модальні моделі: MAMMAL (IBM) — твій головний навчальний обʼєкт: Apache 2.0, малий (458M), запускається навіть у безкоштовному Colab. Пройди офіційний туторіал, зрозумій Modular Tokenizer і prompt-синтаксис.
  • Single-cell: scGPT, Geneformer.
  • Структура/афінність: Boltz-2 (open-source аналог AF3), базове розуміння AlphaFold 3.
  • Три стовпи сучасного bio-AI разом: ESM (послідовність) + MAMMAL (крос-модальність) + Boltz-2 (структура).

5. Портфоліо: 3–4 проєкти, що відкривають двері

Section titled “5. Портфоліо: 3–4 проєкти, що відкривають двері”

Роботодавця переконують не курси, а робочий код і зрозуміла історія. Кожен проєкт → репозиторій із чистим README + короткий пост/нотатка «що і навіщо».

  1. Розігрів (Фаза 1–2): аналіз реального біо-датасету з GEO / CELLxGENE — від сирих даних до візуалізації й висновку. Демонструє Python + дані + біо-контекст.
  2. Fine-tune MAMMAL під свою задачу (Фаза 4, флагман): узяти готовий чекпойнт ibm/biomed.omics.bl.sm.ma-ted-458m, зробити fine-tuning на своєму датасеті (напр. drug-target binding або тип клітини). Бенчмарк: твоя модель б’є простий baseline (ESM-2 embeddings + логістична регресія). Це прямо релевантно ролі Foundation-Model Scientist.
  3. Відтворення методології у зменшеному масштабі: узяти ОДИН домен (білки, UniRef90) і ОДНУ задачу (span-denoising), натренувати маленьку модель з нуля на 1 GPU. Демонструє розуміння повного pipeline без бюджету на 2 млрд зразків.
  4. Longevity-прицільний проєкт (диференціатор): щось на стику з ознаками старіння — напр. класифікатор сенесцентних клітин за scRNA-seq, або аналіз епігенетичних годинників. Показує, що ти в темі саме омолодження, а не абстрактного ML.

Бюджет compute реалістичний: інференс і fine-tuning 0.5B-моделі йдуть на одному A100/RTX 4090 у бюджетних хмарах ($0.8–2/год) або в безкоштовному Colab.

6. Дослідницький трек без PhD (як будувати «research» у резюме)

Section titled “6. Дослідницький трек без PhD (як будувати «research» у резюме)”
  • Open-source внесок: issues/PR у ESM, MAMMAL (BiomedSciAI), scGPT — видимий слід у екосистемі.
  • Публікації: шукай співавторство. Шляхи — колаборація з лабораторією/аспірантами (можна дистанційно), участь у проєктах із публікаційним потенціалом, воркшопи на ML-конференціях (NeurIPS/ICML bio-workshops мають нижчий поріг, ніж головний трек).
  • Змагання: ML-конкурси з біо-ухилом (напр. на Kaggle є біо-челенджі, а також спеціалізовані) — сигнал уміння.
  • Публічна видимість: технічний блог/нотатки про твої проєкти (напр. розбір MAMMAL) — це і навчання, і портфоліо, і мережа.
  • Нетворк: ARDD (Копенгаген, серпень), longevity-спільноти (Lifespan.io, Fight Aging!), Twitter/X дослідників поля.

7. Реалістичний таймлайн і контрольні точки

Section titled “7. Реалістичний таймлайн і контрольні точки”
ПеріодФокусКонтрольна точка (сигнал, що готовий далі)
Міс 0–3Python + математика2–3 репозиторії з аналізом даних; впевнений Python
Міс 3–7ML + DL + трансформериСамостійно тренуєш/файнтюниш моделі; розумієш attention
Міс 5–10Біологія-домен (паралельно)Читаєш профільну статтю за ~15 хв; проєкт №1 готовий
Міс 8–15Доменний bio-AI + флагман-проєктFine-tune MAMMAL б’є baseline (проєкт №2)
Міс 12–18Портфоліо + подачі на entry/remote ролі3–4 проєкти; починаєш подаватися на research/ML engineer
Рік 2–4Всередині компанії → міграція в researchСпівавторство в статті; промоушен-документ у research-роль

Пороги, що змінюють стратегію: якщо через ~рік відчуєш тягу саме до глибокого research і матимеш базу — серйозно розглянь магістратуру (пряміший шлях до research scientist, особливо для релокації в EU/US). Якщо ж швидше зайдеш в компанію на інженерну роль — тисни драбину зсередини.

8. Найближчі кроки (з чого почати цього тижня)

Section titled “8. Найближчі кроки (з чого почати цього тижня)”
  1. Обрати одну мову — Python — і почати щоденну практику (30–60 хв).
  2. Завести GitHub і викладати навіть найменші вправи з першого дня.
  3. Пройти офіційний Colab-туторіал MAMMAL (інференс PPI) — щоб «помацати» ціль поля вже зараз, ще до глибокого ML. Це і мотивація, і орієнтир.
  4. Читати наші проєктні документи як біо-фундамент паралельно з кодом.

Наступне, що я можу зробити для тебе в проекті

Section titled “Наступне, що я можу зробити для тебе в проекті”
  • Розписати детальний тижневий навчальний план на перші 3 місяці (конкретні курси, години, вправи).
  • Зробити живий трекер прогресу (HTML-дашборд) по фазах і навичках.
  • Підготувати шаблон резюме/GitHub-профілю під bio-AI ролі.
  • Скласти список конкретних вакансій і компаній з remote/EU-фокусом і розібрати вимоги під тебе.
  • Детальний розбір проєкту №2 (fine-tune MAMMAL) — покроково, як зробити його сильним для портфоліо.

Джерела

Section titled “Джерела”

Матеріали сайту мають освітній характер і не є медичною порадою. Рішення про будь-які втручання ухвалюйте разом із лікарем.