Roche yra pasaulinė sveikatos priežiūros įmonė, jungianti farmacijos mokslinius tyrimus ir plėtrą su diagnostiniais tyrimais bei skaitmenine sveikatos priežiūra. Jos veikla orientuota į pacientų gydymo rezultatų gerinimą pasitelkiant ankstesnį ligų nustatymą, tikslingesnį gydymą ir mokslu grindžiamas inovacijas, įskaitant dirbtiniu intelektu pagrįstus įrankius. Įmonė kuria sprendimus sudėtingoms ligoms, tokioms kaip vėžys ir neurologinės ligos, taip pat bendradarbiauja su sveikatos priežiūros sistemomis, mokslinių tyrimų partneriais ir kitomis suinteresuotosiomis šalimis visame pasaulyje.
Vyresnysis mašininio mokymosi mokslininkas, sintezės planavimas ir optimizavimas
Kurk mašininio mokymosi modelius sintezei pritaikytam molekuliniam projektavimui, planavimui, generavimui ir optimizavimui. Kurk automatizuotus sintezės procesus, padedančius Roche dirbtiniu intelektu grindžiamiems vaistų atradimo tyrimams.
Aprašymas
- Tobulink mašininio mokymosi metodus sintezei pritaikytam molekuliniam projektavimui, įskaitant retrosintezę, sintezės planavimą, molekulių generavimą ir paiešką sintetinamoje cheminėje erdvėje.
- Derink patentuotus reakcijų ir biocheminius duomenis, kad sukurtum sintezei pritaikytus modelius ir procesus aktyviųjų junginių paieškai bei optimizavimui.
- Kurk patikimus ir keičiamo masto aktyviojo mokymosi procesus, susiejančius automatizuotas ir didelio našumo sintezės platformas.
- Kurk paketinio sintezės planavimo algoritmus, gerinančius cheminės erdvės aprėptį, informacijos naudą ir eksperimentų efektyvumą.
- Prisidėk prie mokslo pažangos publikacijomis, atvirojo kodo projektais ir pranešimais konferencijose.
- Bendradarbiauk su Roche skaičiavimo ir eksperimentų mokslininkais bei išorės akademiniais partneriais.
- Kurk mašininio mokymosi metodus, generuojančius sintetinamas molekules ir susiejančius generatyvinį projektavimą su automatizuota sinteze.
Reikalavimai
- Pažangios mašininio mokymosi žinios, pagrįstos tiesine algebra, tikimybių teorija ir optimizavimu.
- Praktinė grafinių neuroninių tinklų, sekų ar kalbos modelių ir pastiprinamojo mokymosi patirtis.
- Darbinės chemijos, naudojamos sintezės planavimui ir molekulių optimizavimui, žinios.
- Patirtis dirbant su mažų molekulių duomenų rinkiniais ir naudojant chemoinformatikos priemones, tokias kaip RDKit ar OpenEye.
- Geri Python programavimo įgūdžiai.
- Patirtis dirbant su šiuolaikinėmis mašininio mokymosi sistemomis, įskaitant PyTorch ar JAX.
- Mokslinės programinės įrangos kūrimo patirtis.
- Daktaro laipsnis arba lygiavertė mokslinių tyrimų patirtis mašininio mokymosi, skaičiavimo chemijos, chemijos inžinerijos, fizikos, statistikos ar susijusio kiekybinio mokslo srityje.
- Iki dvejų metų pramoninių mokslinių tyrimų patirties mokslininko lygiui arba daugiau nei dvejų metų vyresniojo mokslininko lygiui.
- Mokslinės kompetencijos įrodymai: publikacijos žurnaluose ar konferencijose arba viešas susijusių darbų portfelis.
- Privalumu laikoma retrosintezės arba sintezės planavimo modelių kūrimo patirtis.
- Privalumu laikoma automatizuotos arba didelio našumo sintezės patirtis.
Privalumai
- Atsižvelgiant į individualius ir bendrovės rezultatus, gali būti skiriama metinė premija darbdavio nuožiūra.
- Išmokos aprašytos pateiktoje nuorodoje.