PostEra je biotehnološka tvrtka i tvrtka koja se bavi umjetnom inteligencijom, usmjerena na unapređenje načina otkrivanja novih lijekova. Njezina platforma Proton primjenjuje strojno učenje na medicinsku kemiju, pomažući istraživačima u rješavanju složenih izazova u otkrivanju lijekova i ubrzavanju razvoja potencijalnih terapija. Osnovana 2020. godine, tvrtka PostEra surađuje s farmaceutskim organizacijama, uključujući Pfizer i Amgen, na pristupima razvoju lijekova koji koriste umjetnu inteligenciju.
Istraživač strojnog učenja za agentnu znanost u tvrtki PostEra (rad na daljinu)
PostEra traži istraživača strojnog učenja za izgradnju agentnih sustava i adaptivnih modela za biotehnologiju pokretanu umjetnom inteligencijom. Uloga primjenjuje računalne metode na medicinsku kemiju i otkrivanje lijekova.
Opis
- Izgraditi agentnu istraživačku funkciju tvrtke PostEra automatizacijom mehanističkog modeliranja biokemijskih i fizioloških procesa
- Analizirati biološke podatke radi validacije ciljeva i podupirati odluke o otkrivanju lijekova modelima strojnog učenja
- Stvarati metode strojnog učenja koje se prilagođavaju novim izazovima otkrivanja lijekova uz ograničenu količinu označenih podataka
- Razvijati sustave učenja u kontekstu i temeljne modele za molekularne i tablične podatke koristeći vlasničke multimodalne podatke
- Procjenjivati relevantne prethodne primjere i zadatke, mjeriti kada prijenos pomaže ili odmaže te isporučivati pouzdana predviđanja pri promjeni distribucije podataka
- Definirati zadatke, izrađivati skupove podataka i epizode evaluacije, postavljati osnovne modele, trenirati i skalirati modele, provoditi rigorozne ablacije te učinkovite metode pretvarati u znanstvene sposobnosti
- Razvijati i uspoređivati agentne sustave za kvantitativno biološko i fiziološko modeliranje
- Voditi samostalne istraživačke projekte iz učenja u kontekstu, agentnih sustava, prilagodbe na nekoliko primjera, temeljnih tabličnih modela i molekularnog strojnog učenja
- Dizajnirati i trenirati modele koji se prilagođavaju novim testovima, krajnjim ishodima, ciljevima i kemijskim serijama
- Vrednovati metode u odnosu na snažne osnovne modele i stvarati testne slučajeve koji uzimaju u obzir osjetljivost na pristranost
- Surađivati sa znanstvenicima na modeliranju potentnosti, predviđanju ADME-a, selektivnosti, optimizaciji vodećih spojeva i dizajnu ranih kliničkih studija
- Izgrađivati učinkovite cjevovode za treniranje i podatke te skalirati modele za molekularne i tablične probleme
- Pisati čitljiv i reproducibilan istraživački kod, dokumentirati eksperimente te podupirati pregled koda i zajedničku infrastrukturu za modeliranje
- Objavljivati rezultate u vodećim časopisima i na konferencijama iz strojnog učenja, medicinske kemije ili računalne biologije te predstavljati PostEru u znanstvenoj zajednici
Zahtjevi
- Doktorat iz strojnog učenja ili istraživačkog STEM područja usmjerenog na razvoj novih metoda strojnog učenja
- Dokaz kvalitetnog istraživačkog rada kroz publikacije, doprinose otvorenom kodu ili usporediv rad
- Snažna istraživačka ili inženjerska podloga u suvremenom strojnom učenju, dubokom učenju ili statističkom modeliranju, uz dobro razumijevanje algoritamske teorije
- Stručnost u barem jednom relevantnom području, uključujući agentne znanstvene tijekove rada, strojno učenje za bioinformatiku ili kliničke podatke, učenje u kontekstu, tablično učenje ili učenje na nekoliko primjera
- Praktično iskustvo treniranja, otklanjanja pogrešaka i evaluacije modela strojnog učenja u Pythonu uz okvire kao što su PyTorch ili JAX
- Sposobnost pretvaranja nejasnih znanstvenih ili tehničkih pitanja u dobro definirane projekte strojnog učenja sa skupovima podataka, zadacima, osnovnim modelima, metrikama i planovima validacije
- Sposobnost dizajniranja rigoroznih eksperimenata, mjerila i ablacija koje odvajaju stvarna poboljšanja od pristranosti i utvrđuju izvore poboljšanja modela
- Spremnost na rad u startupu u kojem se prioriteti mijenjaju, podaci mogu biti nesavršeni, a ispravno prosuđivanje jednako je važno kao i složenost modela
- Iskustvo u otkrivanju lijekova nije potrebno
- Poželjno je iskustvo treniranja temeljnih tabličnih modela za rijetke, heterogene skupove, male količine podataka ili velik udio nedostajućih podataka
- Poželjno je iskustvo razvoja molekularnih sustava učenja u kontekstu ili prilagodbe općih modela učenja u kontekstu molekularnim ili znanstvenim podacima
- Poželjno je iskustvo treniranja velikih modela, uključujući sustave s više od milijardu parametara, distribuirano treniranje, dijeljenje, paralelizaciju podataka i modela te cjevovode velikih razmjera
- Poželjno je iskustvo razvoja sustava AI suznanstvenika za fizičke ili biološke probleme
- Poželjno je praktično iskustvo strojnog učenja s biološkim, biokemijskim ili kliničkim podacima
- Poželjno je iskustvo pretvaranja istraživačkih modela u produkcijski znanstveni softver ili računalne tijekove rada
Pogodnosti
- Dodjela vlasničkog udjela od 0,05 % do 0,1 %
- Naknada prilagođena proporcionalno
- Priznanje unutar organizacije
- Mogućnosti značajnog napredovanja