Η Roche είναι μια παγκόσμια εταιρεία υγειονομικής περίθαλψης που συνδυάζει τη φαρμακευτική έρευνα και ανάπτυξη με τις διαγνωστικές εξετάσεις και την ψηφιακή υγεία. Το έργο της επικεντρώνεται στη βελτίωση των αποτελεσμάτων για τους ασθενείς μέσω της έγκαιρης ανίχνευσης, πιο στοχευμένων θεραπειών και επιστημονικά τεκμηριωμένης καινοτομίας, συμπεριλαμβανομένων εργαλείων που αξιοποιούν την τεχνητή νοημοσύνη. Η εταιρεία αναπτύσσει λύσεις για σύνθετες ασθένειες, όπως ο καρκίνος και οι νευρολογικές παθήσεις, συνεργαζόμενη με συστήματα υγείας, ερευνητικούς εταίρους και άλλους ενδιαφερόμενους φορείς σε όλο τον κόσμο.
Ανώτερος Επιστήμονας Μηχανικής Μάθησης, Σχεδιασμός και Βελτιστοποίηση Σύνθεσης
Ανάπτυξη μοντέλων μηχανικής μάθησης για μοριακό σχεδιασμό με επίγνωση της συνθεσιμότητας, σχεδιασμό, παραγωγή και βελτιστοποίηση. Δημιουργία αυτοματοποιημένων ροών εργασίας σύνθεσης που υποστηρίζουν την έρευνα ανακάλυψης φαρμάκων της Roche με βάση την τεχνητή νοημοσύνη.
Περιγραφή
- Προώθηση μεθόδων μηχανικής μάθησης για μοριακό σχεδιασμό με επίγνωση της συνθεσιμότητας, συμπεριλαμβανομένης της ρετροσύνθεσης, του σχεδιασμού σύνθεσης, της παραγωγής μορίων και της αναζήτησης σε χημικούς χώρους που μπορούν να συντεθούν.
- Συνδυασμός ιδιόκτητων δεδομένων αντιδράσεων και βιοχημικών δεδομένων για τη δημιουργία μοντέλων και ροών εργασίας με επίγνωση της συνθεσιμότητας για την ανακάλυψη και βελτιστοποίηση υποψήφιων ενώσεων.
- Ανάπτυξη αξιόπιστων και κλιμακούμενων αγωγών ενεργητικής μάθησης που συνδέονται με αυτοματοποιημένες πλατφόρμες σύνθεσης και σύνθεσης υψηλής απόδοσης.
- Δημιουργία αλγορίθμων σχεδιασμού σύνθεσης σε παρτίδες που βελτιώνουν την κάλυψη του χημικού χώρου, το πληροφοριακό κέρδος και την πειραματική αποδοτικότητα.
- Συμβολή στην επιστημονική πρόοδο μέσω δημοσιεύσεων, έργων ανοικτού κώδικα και παρουσιάσεων σε συνέδρια.
- Συνεργασία με υπολογιστικούς και πειραματικούς επιστήμονες στη Roche και με εξωτερικούς ακαδημαϊκούς συνεργάτες.
- Ανάπτυξη προσεγγίσεων μηχανικής μάθησης που παράγουν μόρια με δυνατότητα σύνθεσης και συνδέουν τον παραγωγικό σχεδιασμό με την αυτοματοποιημένη σύνθεση.
Απαιτήσεις
- Προχωρημένη εξειδίκευση στη μηχανική μάθηση, με ισχυρή βάση στη γραμμική άλγεβρα, τις πιθανότητες και τη βελτιστοποίηση.
- Πρακτική εμπειρία σε γραφικά νευρωνικά δίκτυα, μοντέλα ακολουθιών ή γλώσσας και ενισχυτική μάθηση.
- Πρακτική γνώση εννοιών χημείας που χρησιμοποιούνται στον σχεδιασμό σύνθεσης και τη μοριακή βελτιστοποίηση.
- Εμπειρία στη διαχείριση συνόλων δεδομένων μικρών μορίων και στη χρήση εργαλείων χημειοπληροφορικής όπως τα RDKit ή OpenEye.
- Επάρκεια στην Python.
- Εμπειρία με σύγχρονα πλαίσια μηχανικής μάθησης, συμπεριλαμβανομένων των PyTorch ή JAX.
- Υπόβαθρο στην ανάπτυξη επιστημονικού λογισμικού.
- Διδακτορικό ή συγκρίσιμη ερευνητική εμπειρία στη μηχανική μάθηση, την υπολογιστική χημεία, τη χημική μηχανική, τη φυσική, τη στατιστική ή συναφή ποσοτικό κλάδο.
- Έως δύο έτη βιομηχανικής ερευνητικής εμπειρίας για το επίπεδο Scientist ή περισσότερα από δύο έτη για το επίπεδο Senior Scientist.
- Ενδείξεις επιστημονικής αριστείας μέσω δημοσιεύσεων σε περιοδικά ή συνέδρια ή δημόσιου χαρτοφυλακίου σχετικής εργασίας.
- Επιθυμητό: Εμπειρία στην ανάπτυξη μοντέλων ρετροσύνθεσης ή σχεδιασμού σύνθεσης.
- Επιθυμητό: Εμπειρία σε αυτοματοποιημένη σύνθεση ή σύνθεση υψηλής απόδοσης.
Παροχές
- Ενδέχεται να προσφερθεί κατά την κρίση ετήσιο μπόνους, με βάση την ατομική και εταιρική απόδοση.
- Οι παροχές περιγράφονται στον παρεχόμενο σύνδεσμο.