PostEra on bioteknologia- ja tekoäly-yritys, joka keskittyy parantamaan uusien lääkkeiden löytämistä. Sen Proton-alusta hyödyntää koneoppimista lääkekemian alalla ja auttaa tutkijoita ratkaisemaan lääkekehityksen monimutkaisia haasteita sekä nopeuttamaan mahdollisten hoitojen kehittämistä. Vuonna 2020 perustettu PostEra työskentelee Pfizerin ja Amgenin kaltaisten lääkeyhtiöiden kanssa tekoälyyn perustuvien lääkekehitysmenetelmien parissa.
Koneoppimisen tutkija, agenttinen tiede PostEralla (etätyö)
PostEra etsii koneoppimisen tutkijaa rakentamaan agenttisia järjestelmiä ja mukautuvia malleja tekoälypohjaiseen bioteknologiaan. Tehtävässä sovelletaan laskennallisia menetelmiä lääkekemiaan ja lääkekehitykseen.
Yhdysvallat200 000 $ – 300 000 $ / vuosi
EtätyöKokoaikainenKeskitasoSeniorVaadittu Kieli: englantiKoneoppimisinsinööriTekoälytutkijaKuvaus
- Rakenna PostEran agenttisen tutkimuksen toimintoa automatisoimalla biokemiallisten ja fysiologisten prosessien mekanistista mallintamista
- Analysoi biologista dataa kohteiden validointia varten ja tue lääkekehityksen päätöksiä koneoppimismalleilla
- Luo koneoppimismenetelmiä, jotka mukautuvat uusiin lääkekehityksen haasteisiin vähäisellä merkityllä datalla
- Kehitä molekyyli- ja taulukkomuotoisen datan kontekstinsisäisen oppimisen järjestelmiä ja perustamalleja käyttäen omaa monimuotoista dataa
- Arvioi asiaankuuluvia aiempia esimerkkejä ja tehtäviä, mittaa siirto-oppimisen hyötyjä ja haittoja sekä tuota luotettavia ennusteita jakauman muuttuessa
- Määrittele tehtäviä, rakenna aineistoja ja arviointijaksoja, luo lähtötasot, kouluta ja skaalaa malleja, suorita perusteellisia ablaatioita ja muunna toimivat menetelmät tieteellisiksi valmiuksiksi
- Kehitä ja vertaa agenttisia järjestelmiä biologiseen ja fysiologiseen kvantitatiiviseen mallintamiseen
- Johda itsenäisiä tutkimushankkeita kontekstinsisäisessä oppimisessa, agenttisissa järjestelmissä, few-shot-mukauttamisessa, taulukkomuotoisen datan perustamalleissa ja molekyylikoneoppimisessa
- Suunnittele ja kouluta malleja, jotka mukautuvat uusiin määrityksiin, päätetapahtumiin, kohteisiin ja kemiallisiin sarjoihin
- Arvioi menetelmiä vahvoja lähtötasoja vasten ja luo testitapauksia, joissa huomioidaan vinoumien herkkyys
- Työskentele tutkijoiden kanssa tehon mallintamisen, ADME-ennusteiden, selektiivisyyden, lyijy-yhdisteiden optimoinnin ja varhaisten kliinisten tutkimusten suunnittelun parissa
- Rakenna tehokkaita koulutus- ja dataputkia sekä skaalaa malleja molekyyli- ja taulukkomuotoisen datan ongelmiin
- Kirjoita luettavaa ja toistettavaa tutkimuskoodia, dokumentoi kokeet sekä tue koodikatselmointeja ja yhteistä mallinnusinfrastruktuuria
- Julkaise tuloksia johtavissa koneoppimisen, lääkekemian tai laskennallisen biologian julkaisufoorumeissa ja edusta PostEraa tiedeyhteisössä.
Vaatimukset
- Tohtorintutkinto koneoppimisesta tai STEM-alan tutkimusalalta, jossa kehitetään uusia koneoppimismenetelmiä
- Näyttöä korkealaatuisesta tutkimuksesta julkaisujen, avoimen lähdekoodin panosten tai vastaavan työn kautta
- Vahva tutkimus- tai insinööritausta nykyaikaisessa koneoppimisessa, syväoppimisessa tai tilastollisessa mallinnuksessa sekä hyvä algoritmiteorian hallinta
- Asiantuntemusta vähintään yhdeltä relevantilta alueelta, kuten agenttisista tieteellisistä työnkuluista, bioinformatiikan tai kliinisen datan koneoppimisesta, kontekstinsisäisestä oppimisesta, taulukko-oppimisesta tai few-shot-oppimisesta
- Käytännön kokemusta koneoppimismallien kouluttamisesta, virheenkorjauksesta ja arvioinnista Pythonilla sekä esimerkiksi PyTorch- tai JAX-kehyksillä
- Kyky muuntaa epäselvät tieteelliset tai tekniset kysymykset tarkasti määritellyiksi koneoppimisprojekteiksi, joilla on aineistot, tehtävät, lähtötasot, mittarit ja validointisuunnitelmat
- Kyky suunnitella perusteellisia kokeita, vertailuja ja ablaatioita, jotka erottavat todelliset parannukset vinoumista ja tunnistavat mallien kehityksen lähteet
- Valmius työskennellä startupissa, jossa painopisteet muuttuvat, data voi olla epätäydellistä ja hyvä harkinta on yhtä tärkeää kuin mallin monimutkaisuus
- Lääkekehityksen kokemus ei ole välttämätöntä
- Eduksi: kokemus taulukkomuotoisen datan perustamallien kouluttamisesta harvassa, heterogeenisessä, pienessä tai paljon puuttuvaa dataa sisältävässä ympäristössä
- Eduksi: kokemus molekyylien kontekstinsisäisten oppimisjärjestelmien kehittämisestä tai yleiskäyttöisten kontekstinsisäisten mallien mukauttamisesta molekyyli- tai tiededataan
- Eduksi: kokemus suurten mallien, mukaan lukien yli miljardin parametrin järjestelmien, kouluttamisesta, hajautetusta koulutuksesta, sirpaloinnista, data- ja malliparallelismista sekä suurista dataputkista
- Eduksi: kokemus tekoälyä hyödyntävien tutkijakumppanijärjestelmien kehittämisestä fysikaalisiin tai biologisiin ongelmiin
- Eduksi: käytännön koneoppimiskokemus biologisesta, biokemiallisesta tai kliinisestä datasta
- Eduksi: kokemus tutkimusmallien viemisestä tuotantokelpoisiin tieteellisiin ohjelmistoihin tai laskennallisiin työnkulkuihin
Edut
- 0,05–0,1 prosentin osakepalkkio
- Korvaus suhteutetaan
- Tunnustus organisaation sisällä
- Mahdollisuuksia merkitykselliseen etenemiseen