PostEra е биотехнологична компания и компания, занимаваща се с изкуствен интелект, която се фокусира върху подобряването на начина, по който се откриват нови лекарства. Нейната платформа Proton прилага машинно обучение към медицинската химия, като помага на изследователите да се справят със сложни предизвикателства при откриването на лекарства и да ускорят разработването на потенциални терапии. Основана през 2020 г., PostEra работи с фармацевтични организации, включително Pfizer и Amgen, по подходи за разработване на лекарства с помощта на изкуствен интелект.
Изследовател по машинно обучение за агентна наука в PostEra (дистанционна работа)
PostEra търси изследовател по машинно обучение, който да изгражда агентни системи и адаптивни модели за биотехнологии, управлявани от изкуствен интелект. Ролята прилага изчислителни методи към медицинската химия и откриването на лекарства.
Описание
- Изграждане на агентната изследователска функция на PostEra чрез автоматизиране на механистичното моделиране на биохимични и физиологични процеси
- Анализиране на биологични данни за валидиране на мишени и подпомагане на решенията при откриване на лекарства с модели за машинно обучение
- Създаване на методи за машинно обучение, които се адаптират към нови предизвикателства при откриването на лекарства с ограничени означени данни
- Разработване на системи за обучение в контекст и фундаментални модели за молекулярни и таблични данни чрез собствени мултимодални данни
- Оценяване на релевантни предишни примери и задачи, измерване кога преносът помага или вреди и предоставяне на надеждни прогнози при промяна на разпределението на данните
- Дефиниране на задачи, изграждане на набори от данни и епизоди за оценяване, установяване на базови линии, обучение и мащабиране на модели, провеждане на строги аблации и превръщане на ефективните методи в научни възможности
- Разработване и сравняване на агентни системи за количествено биологично и физиологично моделиране
- Ръководене на самостоятелни изследователски проекти в областта на обучението в контекст, агентните системи, адаптацията с малко примери, фундаменталните таблични модели и молекулярното машинно обучение
- Проектиране и обучение на модели, които се адаптират към нови анализи, крайни точки, мишени и химични серии
- Оценяване на методи спрямо силни базови линии и създаване на тестови случаи, които отчитат чувствителността към отклонения
- Работа с учени по моделиране на потентност, прогнозиране на ADME, селективност, оптимизация на водещи съединения и проектиране на ранни клинични проучвания
- Изграждане на ефективни потоци за обучение и данни и мащабиране на модели за молекулярни и таблични задачи
- Писане на четим и възпроизводим изследователски код, документиране на експерименти и подпомагане на прегледа на кода и споделената инфраструктура за моделиране
- Публикуване на резултати във водещи издания и форуми по машинно обучение, медицинска химия или изчислителна биология и представяне на PostEra в научната общност
Изисквания
- Докторска степен по машинно обучение или в изследователска STEM област, фокусирана върху разработването на нови методи за машинно обучение
- Доказан висококачествен изследователски опит чрез публикации, приноси към проекти с отворен код или сравнима работа
- Силен изследователски или инженерен опит в съвременното машинно обучение, дълбокото обучение или статистическото моделиране, с добро разбиране на алгоритмичната теория
- Експертност поне в една релевантна област, включително агентни научни работни процеси, машинно обучение за биоинформатика или клинични данни, обучение в контекст, таблично обучение или обучение с малко примери
- Практически опит с обучение, отстраняване на грешки и оценяване на модели за машинно обучение на Python с рамки като PyTorch или JAX
- Способност за превръщане на неясни научни или технически въпроси в добре дефинирани проекти за машинно обучение с набори от данни, задачи, базови линии, метрики и планове за валидиране
- Способност за проектиране на строги експерименти, бенчмаркове и аблации, които разграничават реалните подобрения от отклоненията и установяват източниците на подобренията в модела
- Комфорт при работа в стартъп, където приоритетите се променят, данните може да са несъвършени и добрата преценка е също толкова важна, колкото и сложността на модела
- Опитът в откриването на лекарства не е задължителен
- Предимство е опитът с обучение на фундаментални таблични модели за разредени, хетерогенни, малки набори от данни или среди с много липсващи стойности
- Предимство е опитът с разработване на молекулярни системи за обучение в контекст или адаптиране на общи модели за обучение в контекст към молекулярни или научни данни
- Предимство е опитът с обучение на големи модели, включително системи с над 1 милиард параметри, разпределено обучение, шардинг, паралелизъм на данни и модели и потоци за мащабни данни
- Предимство е опитът с разработване на системи за AI съучени изследователи за физични или биологични проблеми
- Предимство е практическият опит с машинно обучение върху биологични, биохимични или клинични данни
- Предимство е опитът с внедряване на изследователски модели в продукционен научен софтуер или изчислителни работни процеси
Придобивки
- Разпределение на дялово участие от 0,05 % до 0,1 %
- Възнаграждение, коригирано пропорционално
- Признание в организацията
- Възможности за значимо повишение