Η PostEra είναι εταιρεία βιοτεχνολογίας και τεχνητής νοημοσύνης που επικεντρώνεται στη βελτίωση του τρόπου με τον οποίο ανακαλύπτονται νέα φάρμακα. Η πλατφόρμα Proton εφαρμόζει μηχανική μάθηση στη φαρμακευτική χημεία, βοηθώντας τους ερευνητές να αντιμετωπίζουν σύνθετες προκλήσεις στην ανακάλυψη φαρμάκων και να επιταχύνουν την ανάπτυξη πιθανών θεραπειών. Η PostEra ιδρύθηκε το 2020 και συνεργάζεται με φαρμακευτικούς οργανισμούς, συμπεριλαμβανομένων των Pfizer και Amgen, σε προσεγγίσεις ανάπτυξης φαρμάκων με τη χρήση τεχνητής νοημοσύνης.
Ερευνητής Μηχανικής Μάθησης, Πρακτορική Επιστήμη στην PostEra (Εξ αποστάσεως)
Η PostEra αναζητά ερευνητή μηχανικής μάθησης για τη δημιουργία πρακτορικών συστημάτων και προσαρμοστικών μοντέλων για βιοτεχνολογία με βάση την τεχνητή νοημοσύνη. Ο ρόλος εφαρμόζει υπολογιστικές μεθόδους στη φαρμακευτική χημεία και την ανακάλυψη φαρμάκων.
Περιγραφή
- Ανάπτυξη της πρακτορικής ερευνητικής λειτουργίας της PostEra μέσω αυτοματοποίησης της μηχανιστικής μοντελοποίησης βιοχημικών και φυσιολογικών διεργασιών
- Ανάλυση βιολογικών δεδομένων για επικύρωση στόχων και υποστήριξη αποφάσεων ανακάλυψης φαρμάκων με μοντέλα μηχανικής μάθησης
- Δημιουργία μεθόδων μηχανικής μάθησης που προσαρμόζονται σε νέες προκλήσεις ανακάλυψης φαρμάκων με περιορισμένα επισημασμένα δεδομένα
- Ανάπτυξη μοριακών και πινακοποιημένων συστημάτων μάθησης εντός συμφραζομένων και μοντέλων θεμελίωσης με χρήση ιδιόκτητων πολυτροπικών δεδομένων
- Αξιολόγηση σχετικών προηγούμενων παραδειγμάτων και εργασιών, μέτρηση του πότε η μεταφορά βοηθά ή βλάπτει και παροχή αξιόπιστων προβλέψεων υπό μετατόπιση κατανομής
- Καθορισμός εργασιών, δημιουργία συνόλων δεδομένων και επεισοδίων αξιολόγησης, καθιέρωση βασικών γραμμών, εκπαίδευση και κλιμάκωση μοντέλων, εκτέλεση αυστηρών πειραμάτων αφαίρεσης και μετατροπή αποτελεσματικών μεθόδων σε επιστημονικές δυνατότητες
- Ανάπτυξη και συγκριτική αξιολόγηση πρακτορικών συστημάτων για ποσοτική βιολογική και φυσιολογική μοντελοποίηση
- Ηγεσία ανεξάρτητων ερευνητικών έργων στη μάθηση εντός συμφραζομένων, τα πρακτορικά συστήματα, την προσαρμογή λίγων δειγμάτων, τα πινακοποιημένα μοντέλα θεμελίωσης και τη μοριακή μηχανική μάθηση
- Σχεδιασμός και εκπαίδευση μοντέλων που προσαρμόζονται σε νέες δοκιμές, τελικά σημεία, στόχους και χημικές σειρές
- Αξιολόγηση μεθόδων έναντι ισχυρών βασικών γραμμών και δημιουργία περιπτώσεων δοκιμής που λαμβάνουν υπόψη την ευαισθησία σε μεροληψία
- Συνεργασία με επιστήμονες σε μοντελοποίηση ισχύος, πρόβλεψη ADME, εκλεκτικότητα, βελτιστοποίηση υποψήφιων ενώσεων και σχεδιασμό πρώιμων κλινικών μελετών
- Δημιουργία αποδοτικών αγωγών εκπαίδευσης και δεδομένων με παράλληλη κλιμάκωση μοντέλων σε μοριακά και πινακοποιημένα προβλήματα
- Σύνταξη ευανάγνωστου και αναπαραγώγιμου ερευνητικού κώδικα, τεκμηρίωση πειραμάτων και υποστήριξη ανασκόπησης κώδικα και κοινής υποδομής μοντελοποίησης
- Δημοσίευση ευρημάτων σε κορυφαία φόρουμ μηχανικής μάθησης, φαρμακευτικής χημείας ή υπολογιστικής βιολογίας και εκπροσώπηση της PostEra στην επιστημονική κοινότητα
Απαιτήσεις
- Διδακτορικό στη μηχανική μάθηση ή σε ερευνητικό πεδίο STEM με έμφαση στην ανάπτυξη νέων μεθόδων μηχανικής μάθησης
- Αποδείξεις ερευνητικής υψηλής ποιότητας μέσω δημοσιεύσεων, συνεισφορών σε έργα ανοικτού κώδικα ή συγκρίσιμης εργασίας
- Ισχυρό ερευνητικό ή μηχανικό υπόβαθρο στη σύγχρονη μηχανική μάθηση, τη βαθιά μάθηση ή τη στατιστική μοντελοποίηση, με καλή κατανόηση της αλγοριθμικής θεωρίας
- Εξειδίκευση σε τουλάχιστον έναν σχετικό τομέα, όπως πρακτορικές επιστημονικές ροές εργασίας, μηχανική μάθηση για βιοπληροφορική ή κλινικά δεδομένα, μάθηση εντός συμφραζομένων, πινακοποιημένη μάθηση ή μάθηση λίγων δειγμάτων
- Πρακτική εμπειρία στην εκπαίδευση, τον εντοπισμό σφαλμάτων και την αξιολόγηση μοντέλων μηχανικής μάθησης σε Python με πλαίσια όπως PyTorch ή JAX
- Ικανότητα μετατροπής ασαφών επιστημονικών ή τεχνικών ερωτημάτων σε σαφώς ορισμένα έργα μηχανικής μάθησης με σύνολα δεδομένων, εργασίες, βασικές γραμμές, μετρικές και σχέδια επικύρωσης
- Ικανότητα σχεδιασμού αυστηρών πειραμάτων, σημείων αναφοράς και πειραμάτων αφαίρεσης που διαχωρίζουν τα πραγματικά κέρδη από τη μεροληψία και εντοπίζουν τις πηγές βελτίωσης των μοντέλων
- Άνεση στην εργασία σε νεοφυή επιχείρηση όπου οι προτεραιότητες αλλάζουν, τα δεδομένα μπορεί να είναι ατελή και η ορθή κρίση είναι εξίσου σημαντική με την πολυπλοκότητα του μοντέλου
- Η εμπειρία στην ανακάλυψη φαρμάκων δεν απαιτείται
- Προτιμητέο: εμπειρία στην εκπαίδευση πινακοποιημένων μοντέλων θεμελίωσης για αραιά, ετερογενή, μικρά σύνολα δεδομένων ή ρυθμίσεις με πολλά ελλιπή δεδομένα
- Προτιμητέο: εμπειρία στην ανάπτυξη μοριακών συστημάτων μάθησης εντός συμφραζομένων ή στην προσαρμογή γενικών μοντέλων μάθησης εντός συμφραζομένων σε μοριακά ή επιστημονικά δεδομένα
- Προτιμητέο: εμπειρία στην εκπαίδευση μεγάλων μοντέλων, συμπεριλαμβανομένων συστημάτων με πάνω από 1 δισεκατομμύριο παραμέτρους, κατανεμημένης εκπαίδευσης, διαμοιρασμού, παραλληλισμού δεδομένων και μοντέλων και αγωγών δεδομένων μεγάλης κλίμακας
- Προτιμητέο: εμπειρία στην ανάπτυξη συστημάτων συν-επιστήμονα τεχνητής νοημοσύνης για φυσικά ή βιολογικά προβλήματα
- Προτιμητέο: πρακτική εμπειρία μηχανικής μάθησης με βιολογικά, βιοχημικά ή κλινικά δεδομένα
- Προτιμητέο: εμπειρία μεταφοράς ερευνητικών μοντέλων σε παραγωγικό επιστημονικό λογισμικό ή υπολογιστικές ροές εργασίας
Παροχές
- Κατανομή μετοχικού κεφαλαίου 0,05% έως 0,1%
- Αναλογικά προσαρμοσμένη αμοιβή
- Αναγνώριση εντός του οργανισμού
- Ευκαιρίες ουσιαστικής προαγωγής