PostEra یک شرکت زیست‌فناوری و هوش مصنوعی است که بر بهبود روش کشف داروهای جدید تمرکز دارد. پلتفرم Proton این شرکت از یادگیری ماشین در شیمی دارویی استفاده می‌کند و به پژوهشگران کمک می‌کند با چالش‌های پیچیده کشف دارو مقابله کنند و توسعه درمان‌های بالقوه را سرعت ببخشند. PostEra که در سال ۲۰۲۰ تأسیس شده است، با سازمان‌های داروسازی از جمله Pfizer و Amgen برای توسعه روش‌های مبتنی بر هوش مصنوعی در تولید دارو همکاری می‌کند.
پژوهشگر یادگیری ماشین، علوم عامل‌محور در PostEra (دورکار)
PostEra برای ساخت سامانه‌های عامل‌محور و مدل‌های سازگارشونده در زیست‌فناوری مبتنی بر هوش مصنوعی به دنبال پژوهشگر یادگیری ماشین است. این نقش روش‌های محاسباتی را در شیمی دارویی و کشف دارو به کار می‌گیرد.
ایالات متحده$۲۰۰٬۰۰۰ – $۳۰۰٬۰۰۰ / سال
دورکاریتمام‌وقتسطح متوسطارشدزبان مورد نیاز: انگلیسیدانشمند پژوهشی هوش مصنوعیمهندس یادگیری ماشینتوضیحات
- با خودکارسازی مدل‌سازی مکانیزمی فرایندهای زیست‌شیمیایی و فیزیولوژیک، قابلیت پژوهشی عامل‌محور PostEra را ایجاد کنید
- داده‌های زیستی را برای اعتبارسنجی هدف تحلیل کنید و با مدل‌های یادگیری ماشین در تصمیم‌های کشف دارو نقش داشته باشید
- روش‌های یادگیری ماشینی بسازید که با داده‌های برچسب‌گذاری‌شده محدود، خود را با چالش‌های جدید کشف دارو سازگار کنند
- سامانه‌های یادگیری درون‌بافتی مولکولی و جدولی و مدل‌های پایه را با استفاده از داده‌های چندوجهی اختصاصی توسعه دهید
- نمونه‌ها و وظایف پیشین مرتبط را ارزیابی کنید، بسنجید که انتقال چه زمانی مفید یا زیان‌بار است، و در شرایط تغییر توزیع پیش‌بینی‌های قابل اتکا ارائه دهید
- وظایف را تعریف کنید، مجموعه‌داده‌ها و دوره‌های ارزیابی بسازید، مبناها را تعیین کنید، مدل‌ها را آموزش دهید و مقیاس‌پذیر کنید، حذف‌های دقیق اجرا کنید و روش‌های مؤثر را به قابلیت‌های علمی تبدیل کنید
- سامانه‌های عامل‌محور را برای مدل‌سازی کمی زیستی و فیزیولوژیک توسعه دهید و محک بزنید
- پروژه‌های پژوهشی مستقل در یادگیری درون‌بافتی، سامانه‌های عامل‌محور، سازگاری چندنمونه‌ای، مدل‌های پایه جدولی و یادگیری ماشین مولکولی را رهبری کنید
- مدل‌هایی را طراحی و آموزش دهید که با آزمون‌های جدید، نقاط پایانی، اهداف و سری‌های شیمیایی سازگار شوند
- روش‌ها را در برابر مبناهای قدرتمند ارزیابی کنید و موارد آزمونی بسازید که حساسیت به سوگیری را در نظر بگیرند
- با دانشمندان در مدل‌سازی قدرت اثر، پیش‌بینی ADME، گزینش‌پذیری، بهینه‌سازی ترکیبات پیشرو و طراحی مطالعات بالینی اولیه همکاری کنید
- هم‌زمان با مقیاس‌دهی مدل‌ها در مسائل مولکولی و جدولی، خطوط لوله آموزشی و داده‌ای کارآمد بسازید
- کد پژوهشی خوانا و بازتولیدپذیر بنویسید؛ آزمایش‌ها را مستندسازی کنید؛ و از بازبینی کد و زیرساخت مشترک مدل‌سازی پشتیبانی کنید
- یافته‌ها را در مجلات یا کنفرانس‌های برجسته یادگیری ماشین، شیمی دارویی یا زیست‌شناسی محاسباتی منتشر کنید و نماینده PostEra در جامعه علمی باشید
شرایط لازم
- دکتری یادگیری ماشین یا یکی از حوزه‌های پژوهشی STEM با تمرکز بر توسعه روش‌های نوین یادگیری ماشین
- شواهدی از پژوهش باکیفیت از طریق مقالات، مشارکت‌های متن‌باز یا کارهای مشابه
- پیشینه قوی پژوهشی یا مهندسی در یادگیری ماشین مدرن، یادگیری عمیق یا مدل‌سازی آماری، همراه با درک محکم نظریه الگوریتمی
- تخصص در دست‌کم یکی از حوزه‌های مرتبط، از جمله گردش‌کارهای علمی عامل‌محور، یادگیری ماشین برای داده‌های زیست‌اطلاعاتی یا بالینی، یادگیری درون‌بافتی، یادگیری جدولی یا یادگیری چندنمونه‌ای
- تجربه عملی در آموزش، اشکال‌زدایی و ارزیابی مدل‌های یادگیری ماشین در Python با چارچوب‌هایی مانند PyTorch یا JAX
- توانایی تبدیل پرسش‌های مبهم علمی یا فنی به پروژه‌های مشخص یادگیری ماشین با مجموعه‌داده، وظیفه، مبنا، معیار و برنامه اعتبارسنجی
- توانایی طراحی آزمایش‌ها، محک‌ها و حذف‌های دقیق که دستاوردهای واقعی را از سوگیری جدا کنند و منابع بهبود مدل را شناسایی کنند
- راحتی در کار در یک استارتاپ که اولویت‌ها تغییر می‌کنند، داده‌ها ممکن است ناقص باشند و قضاوت درست به اندازه پیچیدگی مدل اهمیت دارد
- تجربه کشف دارو الزامی نیست
- ترجیحی: تجربه آموزش مدل‌های پایه جدولی برای شرایط پراکنده، ناهمگون، کم‌داده یا دارای داده‌های گمشده فراوان
- ترجیحی: تجربه توسعه سامانه‌های یادگیری درون‌بافتی مولکولی یا سازگار کردن مدل‌های درون‌بافتی همه‌منظوره با داده‌های مولکولی یا علمی
- ترجیحی: تجربه آموزش مدل‌های بزرگ، از جمله سامانه‌های دارای بیش از یک میلیارد پارامتر، آموزش توزیع‌شده، شاردینگ، موازی‌سازی داده و مدل و خطوط لوله داده در مقیاس بزرگ
- ترجیحی: تجربه توسعه سامانه‌های همکار علمی هوش مصنوعی برای مسائل فیزیکی یا زیستی
- ترجیحی: تجربه عملی یادگیری ماشین با داده‌های زیستی، زیست‌شیمیایی یا بالینی
- ترجیحی: تجربه انتقال مدل‌های پژوهشی به نرم‌افزار علمی تولیدی یا گردش‌کارهای محاسباتی
مزایا
- تخصیص سهام به میزان ۰٫۰۵٪ تا ۰٫۱٪
- جبران خدمات متناسب
- شناخته‌شدن در سازمان
- فرصت‌های ارتقای معنادار