A PostEra biotechnológiai és mesterségesintelligencia-vállalat, amely az új gyógyszerek felfedezésének fejlesztésére összpontosít. Proton platformja gépi tanulást alkalmaz a gyógyszerkémia területén, így segíti a kutatókat a gyógyszerkutatás összetett kihívásainak kezelésében és a lehetséges terápiák fejlesztésének felgyorsításában. A 2020-ban alapított PostEra olyan gyógyszeripari szervezetekkel dolgozik együtt, mint a Pfizer és az Amgen, mesterséges intelligenciára épülő gyógyszerfejlesztési megközelítéseken.
Gépi tanulási kutató, ügynökalapú tudomány a PostEránál (távmunka)
A PostEra gépi tanulási kutatót keres ügynökrendszerek és adaptív modellek fejlesztésére, mesterséges intelligenciával támogatott biotechnológiai alkalmazásokhoz. A pozíció számítási módszereket alkalmaz a gyógyászati kémiában és a gyógyszerkutatásban.
Leírás
- A PostEra ügynökalapú kutatási funkciójának kiépítése biokémiai és fiziológiai folyamatok mechanisztikus modellezésének automatizálásával
- Biológiai adatok elemzése a célpontok validálásához, valamint a gyógyszerkutatási döntések támogatása gépi tanulási modellekkel
- Új gyógyszerkutatási kihívásokhoz, korlátozott címkézett adatok mellett is alkalmazkodó gépi tanulási módszerek létrehozása
- Molekuláris és táblázatos kontextuson belüli tanulási rendszerek, valamint alaph modellek fejlesztése saját, többmodalitású adatok felhasználásával
- A releváns korábbi példák és feladatok felmérése, az átadás előnyeinek és hátrányainak mérése, valamint megbízható előrejelzések készítése eloszláseltolódás esetén
- Feladatok meghatározása, adatkészletek és értékelési epizódok létrehozása, alapértékek kialakítása, modellek betanítása és skálázása, szigorú ablation vizsgálatok végzése, valamint a hatékony módszerek tudományos képességekké alakítása
- Ügynökalapú rendszerek fejlesztése és összehasonlító értékelése kvantitatív biológiai és fiziológiai modellezéshez
- Önálló kutatási projektek vezetése a kontextuson belüli tanulás, az ügynökalapú rendszerek, a few-shot adaptáció, a táblázatos alaph modellek és a molekuláris gépi tanulás területén
- Új vizsgálatokhoz, végpontokhoz, célpontokhoz és kémiai sorozatokhoz alkalmazkodó modellek tervezése és betanítása
- Módszerek értékelése erős alapértékekhez viszonyítva, valamint az előítélet-érzékenységet figyelembe vevő tesztesetek létrehozása
- Együttműködés tudósokkal a hatáserősség modellezésében, az ADME-előrejelzésben, a szelektivitásban, a vezetővegyületek optimalizálásában és a korai klinikai vizsgálatok tervezésében
- Hatékony betanítási és adatfeldolgozási folyamatok kiépítése a modellek molekuláris és táblázatos problémákon átívelő skálázása mellett
- Olvasható, reprodukálható kutatási kód írása; kísérletek dokumentálása; valamint a kódellenőrzés és a közös modellezési infrastruktúra támogatása
- Eredmények publikálása vezető gépi tanulási, gyógyászati kémiai vagy számításos biológiai fórumokon, valamint a PostEra képviselete a tudományos közösségben
Követelmények
- Doktori fokozat gépi tanulásból vagy olyan STEM-kutatási területről, amely új gépi tanulási módszerek fejlesztésére összpontosít
- Kiváló minőségű kutatás bizonyítéka publikációk, nyílt forráskódú hozzájárulások vagy hasonló munka révén
- Erős kutatási vagy mérnöki háttér a modern gépi tanulás, a mélytanulás vagy a statisztikai modellezés terén, az algoritmikus elmélet biztos ismeretével
- Szakértelem legalább egy releváns területen, például ügynökalapú tudományos munkafolyamatokban, bioinformatikai vagy klinikai adatok gépi tanulásában, kontextuson belüli tanulásban, táblázatos tanulásban vagy few-shot tanulásban
- Gyakorlati tapasztalat gépi tanulási modellek Pythonban, például PyTorch vagy JAX keretrendszerrel történő betanításában, hibakeresésében és értékelésében
- Képesség homályos tudományos vagy technikai kérdések jól meghatározott, adatkészleteket, feladatokat, alapértékeket, metrikákat és validációs terveket tartalmazó gépi tanulási projektekké alakítására
- Képesség szigorú kísérletek, összehasonlítások és ablation vizsgálatok megtervezésére, amelyek elválasztják a valódi javulást az előítéletektől, és azonosítják a modelljavulások forrásait
- Rugalmasság egy olyan startupban való munkához, ahol a prioritások változnak, az adatok tökéletlenek lehetnek, és a megalapozott ítélőképesség ugyanolyan fontos, mint a modell összetettsége
- Gyógyszerkutatási tapasztalat nem szükséges
- Előny: táblázatos alaph modellek betanításában szerzett tapasztalat ritka, heterogén, kis adathalmazú vagy sok hiányzó adatot tartalmazó környezetekben
- Előny: molekuláris kontextuson belüli tanulási rendszerek fejlesztésében vagy általános célú kontextuson belüli modellek molekuláris vagy tudományos adatokhoz való adaptálásában szerzett tapasztalat
- Előny: nagy modellek, köztük több mint 1 milliárd paraméteres rendszerek betanításában, elosztott tanulásban, shardingban, adat- és modellpárhuzamosításban, valamint nagyléptékű adatfeldolgozási folyamatokban szerzett tapasztalat
- Előny: fizikai vagy biológiai problémákra alkalmazott AI-kutatótársi rendszerek fejlesztésében szerzett tapasztalat
- Előny: biológiai, biokémiai vagy klinikai adatokkal szerzett gyakorlati gépi tanulási tapasztalat
- Előny: kutatási modellek éles tudományos szoftverekbe vagy számításos munkafolyamatokba való átültetésében szerzett tapasztalat
Juttatások
- 0,05–0,1%-os részesedési juttatás
- Arányosan módosított javadalmazás
- Szervezeten belüli elismerés
- Érdemi előrelépési lehetőségek