PostEra est une entreprise de biotechnologie et d’intelligence artificielle qui cherche à améliorer la manière dont sont découverts les nouveaux médicaments. Sa plateforme Proton applique l’apprentissage automatique à la chimie médicinale, aidant les chercheurs à relever des défis complexes liés à la découverte de médicaments et à accélérer le développement de thérapies potentielles. Fondée en 2020, PostEra collabore avec des organisations pharmaceutiques telles que Pfizer et Amgen sur des approches du développement de médicaments reposant sur l’intelligence artificielle.
Chercheur en apprentissage automatique, science agentique chez PostEra (Télétravail)
PostEra recherche un chercheur en apprentissage automatique pour développer des systèmes agentiques et des modèles adaptatifs dédiés aux biotechnologies pilotées par l’IA. Le poste applique des méthodes computationnelles à la chimie médicinale et à la découverte de médicaments.
Description
- Développer la fonction de recherche agentique de PostEra en automatisant la modélisation mécanistique des processus biochimiques et physiologiques
- Analyser des données biologiques pour valider des cibles et éclairer les décisions de découverte de médicaments à l’aide de modèles d’apprentissage automatique
- Créer des méthodes d’apprentissage automatique capables de s’adapter à de nouveaux défis de découverte de médicaments avec peu de données annotées
- Développer des systèmes d’apprentissage en contexte et des modèles fondamentaux moléculaires et tabulaires à partir de données multimodales propriétaires
- Évaluer des exemples et des tâches antérieurs pertinents, mesurer quand le transfert est bénéfique ou nuisible et fournir des prédictions fiables en cas de décalage de distribution
- Définir les tâches, créer des jeux de données et des épisodes d’évaluation, établir des références, entraîner et mettre à l’échelle les modèles, mener des ablations rigoureuses et transformer les méthodes efficaces en capacités scientifiques
- Développer et comparer des systèmes agentiques pour la modélisation biologique et physiologique quantitative
- Diriger des projets de recherche indépendants sur l’apprentissage en contexte, les systèmes agentiques, l’adaptation en quelques exemples, les modèles fondamentaux tabulaires et l’apprentissage automatique moléculaire
- Concevoir et entraîner des modèles capables de s’adapter à de nouveaux essais, critères d’évaluation, cibles et séries chimiques
- Évaluer les méthodes par rapport à des références solides et créer des cas de test tenant compte de la sensibilité aux biais
- Collaborer avec des scientifiques sur la modélisation de la puissance, la prédiction ADME, la sélectivité, l’optimisation des composés chefs de file et la conception des premières études cliniques
- Construire des pipelines efficaces d’entraînement et de données tout en mettant les modèles à l’échelle pour des problèmes moléculaires et tabulaires
- Écrire du code de recherche lisible et reproductible, documenter les expériences et contribuer à la revue de code et à l’infrastructure de modélisation partagée
- Publier les résultats dans des revues et conférences de premier plan en apprentissage automatique, chimie médicinale ou biologie computationnelle et représenter PostEra au sein de la communauté scientifique
Exigences
- Doctorat en apprentissage automatique ou dans un domaine de recherche scientifique, technologique, d’ingénierie ou mathématique axé sur le développement de nouvelles méthodes d’apprentissage automatique
- Expérience démontrée en recherche de haute qualité par des publications, des contributions open source ou un travail comparable
- Solide expérience de recherche ou d’ingénierie en apprentissage automatique moderne, apprentissage profond ou modélisation statistique, avec une bonne compréhension de la théorie algorithmique
- Expertise dans au moins un domaine pertinent, notamment les flux de travail scientifiques agentiques, l’apprentissage automatique pour la bioinformatique ou les données cliniques, l’apprentissage en contexte, l’apprentissage tabulaire ou l’apprentissage en quelques exemples
- Expérience pratique de l’entraînement, du débogage et de l’évaluation de modèles d’apprentissage automatique en Python avec des frameworks tels que PyTorch ou JAX
- Capacité à transformer des questions scientifiques ou techniques ambiguës en projets d’apprentissage automatique bien définis, avec jeux de données, tâches, références, métriques et plans de validation
- Capacité à concevoir des expériences, benchmarks et ablations rigoureux qui distinguent les gains réels des biais et identifient les sources des améliorations des modèles
- Aisance dans une startup où les priorités évoluent, où les données peuvent être imparfaites et où le discernement compte autant que la complexité des modèles
- Une expérience en découverte de médicaments n’est pas requise
- Souhaité : expérience de l’entraînement de modèles fondamentaux tabulaires pour des contextes creux, hétérogènes, à faible volume de données ou fortement incomplets
- Souhaité : expérience du développement de systèmes moléculaires d’apprentissage en contexte ou de l’adaptation de modèles généraux d’apprentissage en contexte à des données moléculaires ou scientifiques
- Souhaité : expérience de l’entraînement de grands modèles, notamment des systèmes de plus d’un milliard de paramètres, de l’entraînement distribué, du partitionnement, du parallélisme des données et des modèles et des pipelines de données à grande échelle
- Souhaité : expérience du développement de systèmes de copilote scientifique fondés sur l’IA pour des problèmes physiques ou biologiques
- Souhaité : expérience pratique de l’apprentissage automatique avec des données biologiques, biochimiques ou cliniques
- Souhaité : expérience du passage de modèles de recherche à des logiciels scientifiques de production ou à des flux de travail computationnels
Avantages
- Attribution de titres de capital de 0,05 % à 0,1 %
- Rémunération ajustée au prorata
- Reconnaissance au sein de l’organisation
- Possibilités d’évolution significative