PostEra je biotechnologická společnost zaměřená na umělou inteligenci a zlepšování způsobu objevování nových léčiv. Její platforma Proton využívá strojové učení v medicinální chemii a pomáhá výzkumníkům řešit složité výzvy při objevování léčiv a urychlovat vývoj potenciálních terapií. Společnost PostEra, založená v roce 2020, spolupracuje s farmaceutickými organizacemi včetně společností Pfizer a Amgen na využití umělé inteligence při vývoji léčiv.
Výzkumný pracovník v oblasti strojového učení, agentní věda ve společnosti PostEra (práce na dálku)
PostEra hledá výzkumného pracovníka v oblasti strojového učení pro tvorbu agentních systémů a adaptivních modelů pro biotechnologie využívající AI. Tato role aplikuje výpočetní metody na medicinální chemii a objevování léčiv.
Popis
- Budovat výzkumnou funkci PostEra v oblasti agentních systémů automatizací mechanistického modelování biochemických a fyziologických procesů
- Analyzovat biologická data pro validaci cílů a podporovat rozhodování při objevování léčiv pomocí modelů strojového učení
- Vytvářet metody strojového učení, které se přizpůsobují novým výzvám při objevování léčiv s omezeným množstvím označených dat
- Vyvíjet systémy kontextového učení a základní modely pro molekulární a tabulková data s využitím vlastních multimodálních dat
- Posuzovat relevantní předchozí příklady a úlohy, měřit, kdy přenos pomáhá nebo škodí, a poskytovat spolehlivé predikce při posunu distribuce
- Definovat úlohy, vytvářet datové sady a evaluační epizody, stanovovat základní modely, trénovat a škálovat modely, provádět důkladné ablační studie a převádět účinné metody do vědeckých schopností
- Vyvíjet a porovnávat agentní systémy pro kvantitativní biologické a fyziologické modelování
- Vést samostatné výzkumné projekty v oblasti kontextového učení, agentních systémů, adaptace pomocí několika příkladů, tabulkových základních modelů a molekulárního strojového učení
- Navrhovat a trénovat modely, které se přizpůsobují novým testům, sledovaným parametrům, cílům a chemickým řadám
- Vyhodnocovat metody oproti silným základním modelům a vytvářet testovací případy zohledňující citlivost na zkreslení
- Spolupracovat s vědci na modelování účinnosti, predikci ADME, selektivitě, optimalizaci vedoucích sloučenin a návrhu raných klinických studií
- Vytvářet efektivní trénovací a datové pipeline a škálovat modely pro molekulární a tabulkové problémy
- Psát čitelný a reprodukovatelný výzkumný kód, dokumentovat experimenty, podporovat revize kódu a sdílenou infrastrukturu pro modelování
- Publikovat výsledky na předních fórech strojového učení, medicinální chemie nebo výpočetní biologie a zastupovat PostEra ve vědecké komunitě.
Požadavky
- Ph.D. v oblasti strojového učení nebo ve výzkumném oboru STEM zaměřeném na vývoj nových metod strojového učení
- Doložený kvalitní výzkum prostřednictvím publikací, příspěvků k open-source projektům nebo srovnatelné práce
- Silné výzkumné nebo inženýrské zázemí v moderním strojovém učení, hlubokém učení nebo statistickém modelování a dobré porozumění algoritmické teorii
- Odbornost alespoň v jedné relevantní oblasti, například agentních vědeckých pracovních postupech, strojovém učení pro bioinformatiku nebo klinická data, kontextovém učení, tabulkovém učení nebo učení z několika příkladů
- Praktické zkušenosti s trénováním, laděním a vyhodnocováním modelů strojového učení v Pythonu s frameworky, jako jsou PyTorch nebo JAX
- Schopnost převádět nejednoznačné vědecké nebo technické otázky na dobře definované projekty strojového učení s datovými sadami, úlohami, základními modely, metrikami a validačními plány
- Schopnost navrhovat důkladné experimenty, benchmarky a ablační studie, které odliší skutečná zlepšení od zkreslení a určí zdroje zlepšení modelů
- Ochota pracovat ve startupu, kde se priority mění, data mohou být nedokonalá a správný úsudek je stejně důležitý jako složitost modelu
- Zkušenosti s objevováním léčiv nejsou vyžadovány
- Výhodou: zkušenosti s trénováním tabulkových základních modelů pro řídká, heterogenní, malá data nebo data s velkým podílem chybějících hodnot
- Výhodou: zkušenosti s vývojem molekulárních systémů kontextového učení nebo s adaptací univerzálních kontextových modelů na molekulární či vědecká data
- Výhodou: zkušenosti s trénováním velkých modelů včetně systémů s více než 1 miliardou parametrů, distribuovaného trénování, shardingu, paralelismu dat a modelů a rozsáhlých datových pipeline
- Výhodou: zkušenosti s vývojem systémů AI spolupracujících s vědci na fyzikálních nebo biologických problémech
- Výhodou: praktické zkušenosti se strojovým učením s biologickými, biochemickými nebo klinickými daty
- Výhodou: zkušenosti s převáděním výzkumných modelů do produkčního vědeckého softwaru nebo výpočetních pracovních postupů
Benefity
- Podíl ve společnosti ve výši 0,05–0,1 %
- Kompenzace upravená poměrně
- Uznání v rámci organizace
- Příležitosti k významnému kariérnímu postupu