PostEra yra biotechnologijų ir dirbtinio intelekto įmonė, siekianti tobulinti naujų vaistų atradimo procesą. Jos platforma „Proton“ taiko mašininį mokymąsi vaistų chemijoje, padėdama tyrėjams spręsti sudėtingus vaistų kūrimo iššūkius ir paspartinti galimų gydymo būdų kūrimą. 2020 m. įkurta PostEra bendradarbiauja su tokiomis farmacijos organizacijomis kaip „Pfizer“ ir „Amgen“, kurdama dirbtiniu intelektu grindžiamus vaistų kūrimo metodus.
Mašininio mokymosi tyrėjas, agentinis mokslas PostEra įmonėje (nuotolinis darbas)
PostEra ieško mašininio mokymosi tyrėjo, kuris kurtų agentines sistemas ir adaptyvius modelius dirbtiniu intelektu grindžiamai biotechnologijai. Šiame darbe skaičiavimo metodai taikomi medicininei chemijai ir vaistų atradimui.
Aprašymas
- Kurk PostEra agentinių tyrimų kryptį automatizuodamas biocheminių ir fiziologinių procesų mechanistinį modeliavimą
- Analizuok biologinius duomenis taikinių validavimui ir mašininio mokymosi modeliais pagrįsk sprendimus dėl vaistų atradimo
- Kurk mašininio mokymosi metodus, kurie prisitaiko prie naujų vaistų atradimo iššūkių, kai pažymėtų duomenų yra nedaug
- Kurk molekulinių ir lentelinių duomenų kontekstinio mokymosi sistemas bei bazinius modelius naudodamas nuosavus daugiarūšius duomenis
- Vertink tinkamus ankstesnius pavyzdžius ir užduotis, matuok, kada perkėlimas padeda ar kenkia, ir užtikrink patikimas prognozes esant pasiskirstymo poslinkiui
- Apibrėžk užduotis, kurk duomenų rinkinius ir vertinimo epizodus, nustatyk bazinius rezultatus, mokyk ir plėsk modelius, atlik griežtas abliacijas bei veiksmingus metodus paversk mokslinėmis galimybėmis
- Kurk ir vertink agentines sistemas kiekybiniam biologiniam ir fiziologiniam modeliavimui
- Vadovauk savarankiškiems tyrimų projektams kontekstinio mokymosi, agentinių sistemų, mokymosi iš kelių pavyzdžių, lentelinių duomenų bazinių modelių ir molekulinio mašininio mokymosi srityse
- Projektuok ir mokyk modelius, kurie prisitaiko prie naujų tyrimų, baigčių, taikinių ir cheminių serijų
- Vertink metodus, lygindamas juos su stipriais baziniais metodais, ir kurk bandymų atvejus, atsižvelgiančius į šališkumo jautrumą
- Dirbk su mokslininkais potencijos modeliavimo, ADME prognozavimo, selektyvumo, pagrindinių junginių optimizavimo ir ankstyvųjų klinikinių tyrimų projektavimo srityse
- Kurk efektyvius mokymo ir duomenų apdorojimo procesus bei plėsk modelius sprendžiant molekulines ir lentelinių duomenų užduotis
- Rašyk aiškų, atkuriamą tyrimų kodą, dokumentuok eksperimentus, prisidėk prie kodo peržiūros ir bendros modeliavimo infrastruktūros
- Skelbk rezultatus pirmaujančiuose mašininio mokymosi, medicininės chemijos ar skaičiuojamosios biologijos leidiniuose ir atstovauk PostEra mokslo bendruomenėje.
Reikalavimai
- Mašininio mokymosi arba STEM srities, orientuotos į naujų mašininio mokymosi metodų kūrimą, daktaro laipsnis
- Aukštos kokybės tyrimų įrodymai: publikacijos, indėlis į atvirąjį kodą ar lygiavertis darbas
- Tvirtas tyrimų arba inžinerinis pagrindas šiuolaikinio mašininio mokymosi, giliojo mokymosi ar statistinio modeliavimo srityje ir geras algoritmų teorijos išmanymas
- Bent vienos susijusios srities kompetencija, įskaitant agentines mokslines darbo eigas, mašininį mokymąsi bioinformatikos ar klinikiniams duomenims, kontekstinį mokymąsi, mokymąsi iš lentelinių duomenų ar kelių pavyzdžių mokymąsi
- Praktinė mašininio mokymosi modelių mokymo, derinimo ir vertinimo naudojant Python bei tokias sistemas kaip PyTorch ar JAX patirtis
- Gebėjimas neaiškius mokslinius ar techninius klausimus paversti aiškiai apibrėžtais mašininio mokymosi projektais su duomenų rinkiniais, užduotimis, baziniais metodais, metrikomis ir validavimo planais
- Gebėjimas kurti griežtus eksperimentus, etaloninius vertinimus ir abliacijas, atskiriančias tikrą naudą nuo šališkumo ir nustatančias modelių pagerėjimo šaltinius
- Gebėjimas dirbti startuolyje, kuriame prioritetai keičiasi, duomenys gali būti netobuli, o pagrįstas sprendimas toks pat svarbus kaip modelio sudėtingumas
- Vaistų atradimo patirtis nebūtina
- Privalumas: patirtis mokant lentelinių duomenų bazinius modelius retų, heterogeniškų, mažos apimties arba su daug trūkstamų reikšmių duomenų sąlygomis
- Privalumas: patirtis kuriant molekulines kontekstinio mokymosi sistemas arba pritaikant bendros paskirties kontekstinius modelius molekuliniams ar moksliniams duomenims
- Privalumas: patirtis mokant didelius modelius, įskaitant sistemas su daugiau nei 1 mlrd. parametrų, naudojant paskirstytą mokymą, skaidymą, duomenų ir modelio lygiagretinimą bei didelės apimties duomenų apdorojimo procesus
- Privalumas: patirtis kuriant dirbtinio intelekto mokslininko asistento sistemas fizikinėms ar biologinėms problemoms
- Privalumas: praktinė mašininio mokymosi su biologiniais, biocheminiais ar klinikiniais duomenimis patirtis
- Privalumas: patirtis perkeliant tyrimų modelius į gamybinę mokslinę programinę įrangą ar skaičiavimo darbo eigas
Privalumai
- 0,05–0,1 % akcijų dalis
- Kompensacija koreguojama proporcingai
- Pripažinimas organizacijoje
- Galimybės prasmingai siekti karjeros