PostEra ialah syarikat bioteknologi dan kecerdasan buatan yang memberi tumpuan kepada penambahbaikan cara ubat baharu ditemui. Platform Protonnya menggunakan pembelajaran mesin dalam kimia perubatan, membantu penyelidik menangani cabaran kompleks dalam penemuan ubat dan mempercepat pembangunan terapi berpotensi. Ditubuhkan pada tahun 2020, PostEra bekerjasama dengan organisasi farmaseutikal termasuk Pfizer dan Amgen dalam pendekatan pembangunan ubat berasaskan AI.
Peneliti Pembelajaran Mesin, Sains Agenik di PostEra (Jarak Jauh)
PostEra mencari Peneliti Pembelajaran Mesin untuk membangun sistem agenik dan model adaptif bagi bioteknologi berbasis AI. Peran ini menerapkan metode komputasional pada kimia medisinal dan penemuan obat.
Deskripsi
- Membangun fungsi riset agenik PostEra dengan mengotomatisasi pemodelan mekanistik proses biokimia dan fisiologis
- Menganalisis data biologis untuk validasi target dan mendukung keputusan penemuan obat dengan model pembelajaran mesin
- Menciptakan metode pembelajaran mesin yang beradaptasi dengan tantangan penemuan obat baru menggunakan data berlabel terbatas
- Mengembangkan sistem pembelajaran dalam konteks molekuler dan tabular serta model fondasi menggunakan data multimodal milik perusahaan
- Menilai contoh dan tugas relevan sebelumnya, mengukur kapan transfer membantu atau merugikan, serta menghasilkan prediksi andal dalam kondisi pergeseran distribusi
- Menentukan tugas, membangun set data dan episode evaluasi, menetapkan garis dasar, melatih dan menskalakan model, menjalankan ablation yang ketat, serta menerjemahkan metode efektif menjadi kapabilitas ilmiah
- Mengembangkan dan membandingkan sistem agenik untuk pemodelan biologis dan fisiologis kuantitatif
- Memimpin proyek riset mandiri dalam pembelajaran dalam konteks, sistem agenik, adaptasi few-shot, model fondasi tabular, dan pembelajaran mesin molekuler
- Merancang dan melatih model yang beradaptasi dengan uji baru, titik akhir, target, dan seri kimia
- Mengevaluasi metode terhadap garis dasar yang kuat dan membuat kasus uji yang memperhitungkan sensitivitas terhadap bias
- Bekerja sama dengan ilmuwan dalam pemodelan potensi, prediksi ADME, selektivitas, optimalisasi kandidat obat, dan perancangan studi klinis awal
- Membangun alur pelatihan dan data yang efisien sambil menskalakan model untuk masalah molekuler dan tabular
- Menulis kode riset yang mudah dibaca dan dapat direproduksi; mendokumentasikan eksperimen; serta mendukung peninjauan kode dan infrastruktur pemodelan bersama
- Mempublikasikan temuan di forum terkemuka pembelajaran mesin, kimia medisinal, atau biologi komputasional serta mewakili PostEra dalam komunitas ilmiah
Persyaratan
- Gelar PhD dalam pembelajaran mesin atau bidang STEM riset yang berfokus pada pengembangan metode pembelajaran mesin baru
- Bukti riset berkualitas tinggi melalui publikasi, kontribusi sumber terbuka, atau karya yang sebanding
- Latar belakang riset atau rekayasa yang kuat dalam pembelajaran mesin modern, pembelajaran mendalam, atau pemodelan statistik, dengan pemahaman yang baik tentang teori algoritmik
- Keahlian dalam setidaknya satu bidang relevan, termasuk alur kerja ilmiah agenik, pembelajaran mesin untuk bioinformatika atau data klinis, pembelajaran dalam konteks, pembelajaran tabular, atau pembelajaran few-shot
- Pengalaman praktis melatih, men-debug, dan mengevaluasi model pembelajaran mesin dalam Python dengan kerangka kerja seperti PyTorch atau JAX
- Kemampuan mengubah pertanyaan ilmiah atau teknis yang ambigu menjadi proyek pembelajaran mesin yang terdefinisi dengan baik, lengkap dengan set data, tugas, garis dasar, metrik, dan rencana validasi
- Kemampuan merancang eksperimen, tolok ukur, dan ablation yang ketat untuk membedakan peningkatan nyata dari bias serta mengidentifikasi sumber peningkatan model
- Nyaman bekerja di perusahaan rintisan dengan prioritas yang berubah, data yang mungkin tidak sempurna, dan kebutuhan akan penilaian yang baik sama pentingnya dengan kompleksitas model
- Pengalaman dalam penemuan obat tidak diwajibkan
- Diutamakan: pengalaman melatih model fondasi tabular untuk kondisi data jarang, heterogen, berukuran kecil, atau dengan banyak nilai hilang
- Diutamakan: pengalaman mengembangkan sistem pembelajaran dalam konteks molekuler atau mengadaptasi model pembelajaran dalam konteks serbaguna untuk data molekuler atau ilmiah
- Diutamakan: pengalaman melatih model besar, termasuk sistem dengan lebih dari 1 miliar parameter, pelatihan terdistribusi, sharding, paralelisme data dan model, serta alur data berskala besar
- Diutamakan: pengalaman mengembangkan sistem AI ko-ilmuwan untuk masalah fisik atau biologis
- Diutamakan: pengalaman langsung dalam pembelajaran mesin dengan data biologis, biokimia, atau klinis
- Diutamakan: pengalaman memindahkan model riset ke perangkat lunak ilmiah produksi atau alur kerja komputasional
Tunjangan
- Alokasi ekuitas sebesar 0,05% hingga 0,1%
- Kompensasi disesuaikan secara proporsional
- Pengakuan dalam organisasi
- Peluang promosi yang bermakna