A Roche globális egészségügyi vállalat, amely a gyógyszerészeti kutatást és fejlesztést diagnosztikai vizsgálatokkal, valamint digitális egészségügyi megoldásokkal ötvözi. Tevékenysége középpontjában a betegek eredményeinek javítása áll a korábbi felismerés, a célzottabb kezelések és a tudományon alapuló innováció révén, beleértve a mesterséges intelligenciával támogatott eszközöket is. A vállalat világszerte egészségügyi rendszerekkel, kutatási partnerekkel és más érdekelt felekkel együttműködve fejleszt megoldásokat olyan összetett betegségekre, mint a rák és a neurológiai kórképek.
Vezető gépi tanulási kutató, szintézistervezés és optimalizálás
Gépi tanulási modelleket fejleszt szintézistudatos molekuláris tervezéshez, tervezéshez, generáláshoz és optimalizáláshoz. Automatizált szintézis-munkafolyamatokat épít a Roche mesterséges intelligenciára épülő gyógyszerkutatási programjainak támogatására.
Leírás
- Fejlessze a szintézistudatos molekuláris tervezés gépi tanulási módszereit, beleértve a retroszintézist, a szintézistervezést, a molekuláris generálást és a keresést szintetizálható kémiai terekben.
- Egyesítse a védett reakció- és biokémiai adatokat szintézistudatos modellek és munkafolyamatok létrehozásához a találatfelfedezés és -optimalizálás érdekében.
- Fejlesszen megbízható, skálázható aktív tanulási folyamatokat, amelyek automatizált és nagy áteresztőképességű szintézisplatformokhoz kapcsolódnak.
- Hozzon létre kötegelt szintézistervezési algoritmusokat, amelyek javítják a kémiai tér lefedettségét, az információnyereséget és a kísérleti hatékonyságot.
- Járuljon hozzá a tudományos fejlődéshez publikációkkal, nyílt forráskódú projektekkel és konferencia-előadásokkal.
- Működjön együtt a Roche számítógépes és kísérleti kutatóival, valamint külső akadémiai együttműködőkkel.
- Fejlesszen olyan gépi tanulási megközelítéseket, amelyek szintetizálható molekulákat generálnak, és összekapcsolják a generatív tervezést az automatizált szintézissel.
Követelmények
- Lineáris algebrán, valószínűségszámításon és optimalizáláson alapuló, magas szintű gépi tanulási szakértelem.
- Gyakorlati tapasztalat gráfneurális hálózatokkal, szekvencia- vagy nyelvi modellekkel, valamint megerősítéses tanulással.
- A szintézistervezésben és molekuláris optimalizálásban használt kémiai fogalmak gyakorlati ismerete.
- Tapasztalat kis molekulájú adatkészletek kezelésében és olyan kemoinformatikai eszközök használatában, mint az RDKit vagy az OpenEye.
- Python-programozási jártasság.
- Tapasztalat korszerű gépi tanulási keretrendszerekkel, köztük a PyTorchcsal vagy a JAX-szal.
- Tudományos szoftverfejlesztési háttér.
- Doktori fokozat vagy azzal összevethető kutatási tapasztalat gépi tanulás, számítógépes kémia, vegyészmérnöki tudományok, fizika, statisztika vagy kapcsolódó kvantitatív területen.
- Legfeljebb két év ipari kutatási tapasztalat kutatói szinthez, illetve több mint két év vezető kutatói szinthez.
- Tudományos kiválóságot igazoló folyóirat- vagy konferenciapublikációk, illetve releváns munkák nyilvános portfóliója.
- Előny: Retroszintézis- vagy szintézistervezési modellek fejlesztésében szerzett tapasztalat.
- Előny: Automatizált vagy nagy áteresztőképességű szintézisben szerzett tapasztalat.
Juttatások
- Egyéni és vállalati teljesítmény alapján mérlegelési jogkörben éves prémium ajánlható fel.
- A juttatásokat a megadott hivatkozás ismerteti.