Roche ir globāls veselības aprūpes uzņēmums, kas apvieno farmācijas pētniecību un izstrādi ar diagnostikas testēšanu un digitālo veselības aprūpi. Tā darbība ir vērsta uz pacientu ārstēšanas rezultātu uzlabošanu, veicinot agrīnāku slimību atklāšanu, mērķētāku ārstēšanu un zinātnē balstītas inovācijas, tostarp mākslīgā intelekta rīkus. Uzņēmums izstrādā risinājumus sarežģītām slimībām, piemēram, vēzim un neiroloģiskām slimībām, kā arī sadarbojas ar veselības aprūpes sistēmām, pētniecības partneriem un citām ieinteresētajām pusēm visā pasaulē.
Vecākais mašīnmācīšanās zinātnieks, sintēzes plānošana un optimizācija
Izstrādā mašīnmācīšanās modeļus sintēzei pielāgotai molekulārajai izstrādei, plānošanai, ģenerēšanai un optimizācijai. Veido automatizētas sintēzes darbplūsmas Roche mākslīgā intelekta vadītiem zāļu atklāšanas pētījumiem.
Apraksts
- Attīsti mašīnmācīšanās metodes sintēzei pielāgotai molekulārajai izstrādei, tostarp retrosintēzei, sintēzes plānošanai, molekulu ģenerēšanai un meklēšanai sintezējamā ķīmiskajā telpā.
- Apvieno patentētus reakciju un bioķīmiskos datus, lai izveidotu sintēzei pielāgotus modeļus un darbplūsmas aktīvo savienojumu atklāšanai un optimizācijai.
- Izstrādā uzticamus un mērogojamus aktīvās mācīšanās konveijerus, kas savienojas ar automatizētām un augstas caurlaidības sintēzes platformām.
- Izveido sērijveida sintēzes plānošanas algoritmus, kas uzlabo ķīmiskās telpas pārklājumu, informācijas ieguvumu un eksperimentu efektivitāti.
- Veicini zinātnes attīstību ar publikācijām, atvērtā pirmkoda projektiem un konferenču prezentācijām.
- Sadarbojies ar Roche skaitļošanas un eksperimentu zinātniekiem, kā arī ārējiem akadēmiskajiem partneriem.
- Izstrādā mašīnmācīšanās metodes, kas ģenerē sintezējamas molekulas un sasaista ģeneratīvo izstrādi ar automatizētu sintēzi.
Prasības
- Padziļinātas mašīnmācīšanās zināšanas, kas balstītas lineārajā algebrā, varbūtību teorijā un optimizācijā.
- Praktiska pieredze ar grafu neironu tīkliem, secību vai valodas modeļiem un pastiprināto mācīšanos.
- Darba zināšanas ķīmijas jēdzienos, ko izmanto sintēzes plānošanā un molekulu optimizācijā.
- Pieredze darbā ar mazu molekulu datu kopām un ķīmijinformātikas rīkiem, piemēram, RDKit vai OpenEye.
- Labas Python programmēšanas prasmes.
- Pieredze ar mūsdienīgiem mašīnmācīšanās ietvariem, tostarp PyTorch vai JAX.
- Pieredze zinātniskās programmatūras izstrādē.
- Doktora grāds vai līdzvērtīga pētniecības pieredze mašīnmācīšanās, skaitļošanas ķīmijas, ķīmijas inženierzinātņu, fizikas, statistikas vai saistītā kvantitatīvā jomā.
- Līdz diviem gadiem rūpnieciskās pētniecības pieredzes zinātnieka līmenim vai vairāk nekā divi gadi vecākā zinātnieka līmenim.
- Zinātniskās izcilības apliecinājums ar publikācijām žurnālos vai konferencēs vai publisku atbilstošu darbu portfeli.
- Par priekšrocību uzskatāma pieredze retrosintēzes vai sintēzes plānošanas modeļu izstrādē.
- Par priekšrocību uzskatāma pieredze automatizētā vai augstas caurlaidības sintēzē.
Priekšrocības
- Atkarībā no individuālajiem un uzņēmuma rezultātiem var tikt piešķirta diskrecionāra ikgadēja prēmija.
- Pabalsti ir aprakstīti norādītajā saitē.