PostEra ir biotehnoloģiju un mākslīgā intelekta uzņēmums, kas koncentrējas uz jaunu zāļu atklāšanas procesa uzlabošanu. Tā Proton platforma izmanto mašīnmācīšanos zāļu ķīmijā, palīdzot pētniekiem risināt sarežģītus zāļu izstrādes uzdevumus un paātrināt potenciālo terapiju izstrādi. PostEra, kas dibināta 2020. gadā, sadarbojas ar tādām farmācijas organizācijām kā Pfizer un Amgen, izstrādājot mākslīgajā intelektā balstītas pieejas zāļu izstrādei.
Mašīnmācīšanās pētnieks, aģentiskais zinātnes darbs PostEra (attālināts darbs)
PostEra meklē mašīnmācīšanās pētnieku, kurš veidos aģentiskas sistēmas un adaptīvus modeļus mākslīgā intelekta vadītai biotehnoloģijai. Šajā amatā skaitļošanas metodes tiek izmantotas medicīniskajā ķīmijā un zāļu atklāšanā.
Apraksts
- Veido PostEra aģentisko pētījumu virzienu, automatizējot bioķīmisko un fizioloģisko procesu mehānistisko modelēšanu
- Analizē bioloģiskos datus mērķu validācijai un ar mašīnmācīšanās modeļiem atbalsti lēmumus zāļu atklāšanā
- Izstrādā mašīnmācīšanās metodes, kas pielāgojas jauniem zāļu atklāšanas izaicinājumiem, izmantojot nelielu marķētu datu apjomu
- Izstrādā molekulāro un tabulāro datu konteksta mācīšanās sistēmas un pamata modeļus, izmantojot patentētus multimodālus datus
- Novērtē atbilstošus iepriekšējos piemērus un uzdevumus, mēri, kad pārnese palīdz vai kaitē, un nodrošini uzticamas prognozes sadalījuma nobīdes apstākļos
- Definē uzdevumus, veido datu kopas un novērtēšanas epizodes, nosaki bāzes līmeņus, apmāci un mērogo modeļus, veic stingras ablācijas un pārvērt efektīvas metodes zinātniskās iespējās
- Izstrādā un salīdzini aģentiskas sistēmas kvantitatīvai bioloģisko un fizioloģisko procesu modelēšanai
- Vadi patstāvīgus pētniecības projektus konteksta mācīšanās, aģentisko sistēmu, pielāgošanās no dažiem piemēriem, tabulāro pamata modeļu un molekulārās mašīnmācīšanās jomā
- Izstrādā un apmāci modeļus, kas pielāgojas jauniem testiem, iznākuma rādītājiem, mērķiem un ķīmiskajām sērijām
- Novērtē metodes, salīdzinot tās ar spēcīgiem bāzes līmeņiem, un veido testēšanas gadījumus, kas ņem vērā neobjektivitātes jutību
- Sadarbojies ar zinātniekiem iedarbības modelēšanā, ADME prognozēšanā, selektivitātē, vadošo savienojumu optimizācijā un agrīnu klīnisko pētījumu izstrādē
- Veido efektīvus apmācības un datu apstrādes cauruļvadus, mērogojot modeļus molekulāriem un tabulāru datu uzdevumiem
- Raksti saprotamu, reproducējamu pētniecības kodu, dokumentē eksperimentus un atbalsti koda pārskatīšanu un kopīgu modelēšanas infrastruktūru
- Publicē atklājumus vadošajos mašīnmācīšanās, medicīniskās ķīmijas vai skaitļošanas bioloģijas izdevumos un pārstāvi PostEra zinātniskajā kopienā.
Prasības
- Doktora grāds mašīnmācīšanās jomā vai STEM pētniecības jomā, kas vērsta uz jaunu mašīnmācīšanās metožu izstrādi
- Augstas kvalitātes pētījumu pierādījumi, piemēram, publikācijas, ieguldījums atvērtā koda projektos vai līdzvērtīgs darbs
- Spēcīga pētniecības vai inženierzinātņu pieredze mūsdienu mašīnmācīšanās, dziļās mācīšanās vai statistiskās modelēšanas jomā, kā arī laba algoritmiskās teorijas izpratne
- Ekspertīze vismaz vienā atbilstošā jomā, tostarp aģentiskās zinātniskās darbplūsmās, mašīnmācīšanās bioinformātikas vai klīniskajiem datiem, konteksta mācīšanās, tabulārās mācīšanās vai mācīšanās no dažiem piemēriem jomā
- Praktiska pieredze mašīnmācīšanās modeļu apmācībā, atkļūdošanā un novērtēšanā Python vidē, izmantojot tādas sistēmas kā PyTorch vai JAX
- Spēja neskaidrus zinātniskus vai tehniskus jautājumus pārvērst skaidri definētos mašīnmācīšanās projektos ar datu kopām, uzdevumiem, bāzes līmeņiem, metrikām un validācijas plāniem
- Spēja izstrādāt stingrus eksperimentus, etalonus un ablācijas, kas nošķir patiesus uzlabojumus no neobjektivitātes un identificē modeļu uzlabojumu avotus
- Gatavība strādāt jaunuzņēmumā, kur prioritātes mainās, dati var būt nepilnīgi un pamatots spriedums ir tikpat svarīgs kā modeļa sarežģītība
- Zāļu atklāšanas pieredze nav nepieciešama
- Vēlams: pieredze tabulāro pamata modeļu apmācībā retu, heterogēnu, mazu datu apjomu vai datu ar lielu trūkstošo vērtību īpatsvaru apstākļos
- Vēlams: pieredze molekulāro konteksta mācīšanās sistēmu izstrādē vai vispārējas nozīmes konteksta modeļu pielāgošanā molekulāriem vai zinātniskiem datiem
- Vēlams: pieredze lielu modeļu, tostarp sistēmu ar vairāk nekā 1 miljardu parametru, apmācībā, sadalītajā apmācībā, sadalīšanā, datu un modeļu paralēlismā un liela mēroga datu cauruļvados
- Vēlams: pieredze mākslīgā intelekta zinātnieka asistenta sistēmu izstrādē fizikālām vai bioloģiskām problēmām
- Vēlams: praktiska mašīnmācīšanās pieredze ar bioloģiskiem, bioķīmiskiem vai klīniskiem datiem
- Vēlams: pieredze pētniecības modeļu ieviešanā ražošanas zinātniskajā programmatūrā vai skaitļošanas darbplūsmās
Priekšrocības
- 0,05–0,1% kapitāldaļu piešķīrums
- Atlīdzība tiek proporcionāli koriģēta
- Atzinība organizācijā
- Iespējas nozīmīgai izaugsmei