PostEra es una empresa de biotecnología e inteligencia artificial centrada en mejorar la forma en que se descubren nuevos medicamentos. Su plataforma Proton aplica el aprendizaje automático a la química medicinal y ayuda a los investigadores a afrontar desafíos complejos del descubrimiento de fármacos y a acelerar el desarrollo de posibles terapias. Fundada en 2020, PostEra colabora con organizaciones farmacéuticas como Pfizer y Amgen en enfoques basados en inteligencia artificial para el desarrollo de medicamentos.
Investigador de Aprendizaje Automático en Ciencia Agéntica en PostEra (Remoto)
PostEra busca un investigador de aprendizaje automático para desarrollar sistemas agénticos y modelos adaptativos destinados a la biotecnología impulsada por IA. El puesto aplica métodos computacionales a la química medicinal y al descubrimiento de fármacos.
Descripción
- Desarrollar la función de investigación agéntica de PostEra mediante la automatización del modelado mecanístico de procesos bioquímicos y fisiológicos
- Analizar datos biológicos para validar dianas e informar decisiones de descubrimiento de fármacos con modelos de aprendizaje automático
- Crear métodos de aprendizaje automático que se adapten a nuevos desafíos de descubrimiento de fármacos con datos etiquetados limitados
- Desarrollar sistemas de aprendizaje en contexto y modelos fundacionales moleculares y tabulares utilizando datos multimodales propios
- Evaluar ejemplos y tareas previos relevantes, medir cuándo la transferencia ayuda o perjudica y ofrecer predicciones fiables bajo cambios de distribución
- Definir tareas, crear conjuntos de datos y episodios de evaluación, establecer líneas base, entrenar y escalar modelos, realizar ablaciones rigurosas y convertir métodos eficaces en capacidades científicas
- Desarrollar y comparar sistemas agénticos para el modelado biológico y fisiológico cuantitativo
- Liderar proyectos de investigación independientes en aprendizaje en contexto, sistemas agénticos, adaptación con pocos ejemplos, modelos fundacionales tabulares y aprendizaje automático molecular
- Diseñar y entrenar modelos que se adapten a nuevos ensayos, variables de resultado, dianas y series químicas
- Evaluar métodos frente a líneas base sólidas y crear casos de prueba que tengan en cuenta la sensibilidad al sesgo
- Trabajar con científicos en modelado de potencia, predicción de ADME, selectividad, optimización de compuestos líderes y diseño de estudios clínicos iniciales
- Crear canalizaciones eficientes de entrenamiento y datos mientras se escalan modelos para problemas moleculares y tabulares
- Escribir código de investigación legible y reproducible, documentar experimentos y apoyar la revisión de código y la infraestructura de modelado compartida
- Publicar resultados en revistas y conferencias destacadas de aprendizaje automático, química medicinal o biología computacional y representar a PostEra en la comunidad científica
Requisitos
- Doctorado en aprendizaje automático o en un campo de ciencia, tecnología, ingeniería o matemáticas centrado en desarrollar métodos novedosos de aprendizaje automático
- Experiencia demostrable en investigación de alta calidad mediante publicaciones, contribuciones de código abierto o trabajo comparable
- Sólida experiencia de investigación o ingeniería en aprendizaje automático moderno, aprendizaje profundo o modelado estadístico, con buena comprensión de la teoría algorítmica
- Experiencia especializada en al menos un área relevante, como flujos de trabajo científicos agénticos, aprendizaje automático para bioinformática o datos clínicos, aprendizaje en contexto, aprendizaje tabular o aprendizaje con pocos ejemplos
- Experiencia práctica entrenando, depurando y evaluando modelos de aprendizaje automático en Python con marcos como PyTorch o JAX
- Capacidad para convertir preguntas científicas o técnicas ambiguas en proyectos de aprendizaje automático bien definidos, con conjuntos de datos, tareas, líneas base, métricas y planes de validación
- Capacidad para diseñar experimentos, comparativas y ablaciones rigurosos que separen las mejoras genuinas del sesgo e identifiquen las fuentes de las mejoras del modelo
- Comodidad trabajando en una startup donde las prioridades cambian, los datos pueden ser imperfectos y el buen criterio es tan importante como la complejidad del modelo
- No se requiere experiencia en descubrimiento de fármacos
- Preferible: experiencia entrenando modelos fundacionales tabulares para entornos dispersos, heterogéneos, con pocos datos o con muchos valores ausentes
- Preferible: experiencia desarrollando sistemas moleculares de aprendizaje en contexto o adaptando modelos de aprendizaje en contexto de propósito general a datos moleculares o científicos
- Preferible: experiencia entrenando modelos grandes, incluidos sistemas con más de mil millones de parámetros, entrenamiento distribuido, fragmentación, paralelismo de datos y modelos y canalizaciones de datos a gran escala
- Preferible: experiencia desarrollando sistemas de copiloto científico de IA para problemas físicos o biológicos
- Preferible: experiencia práctica en aprendizaje automático con datos biológicos, bioquímicos o clínicos
- Preferible: experiencia trasladando modelos de investigación a software científico de producción o flujos de trabajo computacionales
Beneficios
- Asignación de capital de entre el 0,05 % y el 0,1 %
- Compensación ajustada proporcionalmente
- Reconocimiento dentro de la organización
- Oportunidades de promoción significativa