PostEra er en bioteknologivirksomhed og virksomhed inden for kunstig intelligens, der fokuserer på at forbedre, hvordan nye lægemidler opdages. Proton-platformen anvender maskinlæring inden for medicinalkemi og hjælper forskere med at håndtere komplekse udfordringer i udviklingen af lægemidler samt fremskynde udviklingen af potentielle behandlinger. PostEra blev grundlagt i 2020 og samarbejder med medicinalvirksomheder, herunder Pfizer og Amgen, om AI-baserede metoder til udvikling af lægemidler.
Maskinlæringsforsker, agentisk videnskab hos PostEra (fjernarbejde)
PostEra søger en maskinlæringsforsker til at bygge agentiske systemer og adaptive modeller til AI-drevet bioteknologi. Rollen anvender beregningsmetoder inden for lægemiddelkemi og lægemiddelopdagelse.
USA200.000 $ – 300.000 $ / år
FjernarbejdeFuldtidMellemniveauSeniorPåkrævet Sprog: engelskAI-forskerMaskinlæringsingeniørBeskrivelse
- Opbyg PostEras agentiske forskningsfunktion ved at automatisere mekanistisk modellering af biokemiske og fysiologiske processer
- Analysér biologiske data til målvalidering, og understøt beslutninger om lægemiddelopdagelse med maskinlæringsmodeller
- Skab maskinlæringsmetoder, der tilpasser sig nye udfordringer inden for lægemiddelopdagelse med begrænsede mængder mærkede data
- Udvikl molekylære og tabulære in-context learning-systemer samt grundmodeller ved hjælp af proprietære multimodale data
- Vurdér relevante tidligere eksempler og opgaver, mål hvornår overførsel hjælper eller skader, og lever pålidelige forudsigelser under distributionsskift
- Definér opgaver, opbyg datasæt og evalueringsforløb, etablér baselines, træn og skaler modeller, gennemfør grundige ablationer, og omsæt effektive metoder til videnskabelige funktioner
- Udvikl og benchmark agentiske systemer til kvantitativ biologisk og fysiologisk modellering
- Led selvstændige forskningsprojekter inden for in-context learning, agentiske systemer, few-shot-tilpasning, tabulære grundmodeller og molekylær maskinlæring
- Design og træn modeller, der tilpasser sig nye assays, endepunkter, mål og kemiske serier
- Evaluér metoder mod stærke baselines, og skab testcases, der tager højde for følsomhed over for bias
- Arbejd sammen med forskere om potensmodellering, ADME-forudsigelse, selektivitet, lead-optimering og design af tidlige kliniske studier
- Byg effektive trænings- og datapipelines, mens modeller skaleres på tværs af molekylære og tabulære problemstillinger
- Skriv læsbar og reproducerbar forskningskode, dokumentér eksperimenter, og understøt kodereview samt fælles modelleringsinfrastruktur
- Publicér resultater i førende tidsskrifter og konferencer inden for maskinlæring, lægemiddelkemi eller computational biology, og repræsentér PostEra i forskningsmiljøet
Krav
- Ph.d. i maskinlæring eller inden for et STEM-forskningsområde med fokus på udvikling af nye maskinlæringsmetoder
- Dokumenterede forskningsresultater af høj kvalitet gennem publikationer, open source-bidrag eller tilsvarende arbejde
- Stærk forsknings- eller ingeniørbaggrund inden for moderne maskinlæring, deep learning eller statistisk modellering samt solid forståelse af algoritmisk teori
- Ekspertise inden for mindst ét relevant område, herunder agentiske videnskabelige arbejdsgange, maskinlæring til bioinformatik eller kliniske data, in-context learning, tabulær læring eller few-shot learning
- Praktisk erfaring med at træne, fejlfinde og evaluere maskinlæringsmodeller i Python med frameworks som PyTorch eller JAX
- Evne til at omsætte uklare videnskabelige eller tekniske spørgsmål til veldefinerede maskinlæringsprojekter med datasæt, opgaver, baselines, målepunkter og valideringsplaner
- Evne til at designe stringente eksperimenter, benchmarks og ablationer, der adskiller reelle forbedringer fra bias og identificerer kilderne til model forbedringer
- Tryg ved at arbejde i en startup, hvor prioriteter ændrer sig, data kan være ufuldstændige, og sund dømmekraft er lige så vigtig som modelkompleksitet
- Erfaring med lægemiddelopdagelse er ikke et krav
- Foretrukket: erfaring med at træne tabulære grundmodeller til sparsomme, heterogene eller små datasæt eller indstillinger med mange manglende værdier
- Foretrukket: erfaring med at udvikle molekylære in-context learning-systemer eller tilpasse generelle in-context-modeller til molekylære eller videnskabelige data
- Foretrukket: erfaring med at træne store modeller, herunder systemer med over 1 mia. parametre, distribueret træning, sharding, data- og modelparallelisme samt storskaladatapipelines
- Foretrukket: erfaring med at udvikle AI-systemer, der fungerer som medforskere inden for fysiske eller biologiske problemstillinger
- Foretrukket: praktisk erfaring med maskinlæring på biologiske, biokemiske eller kliniske data
- Foretrukket: erfaring med at føre forskningsmodeller over i produktionssoftware til videnskabelige formål eller beregningsmæssige arbejdsgange
Fordele
- Aktietildeling på 0,05 % til 0,1 %
- Kompensation justeres proportionalt
- Anerkendelse i organisationen
- Muligheder for meningsfuld forfremmelse