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.
Penyelidik Pembelajaran Mesin, Sains Agenik di PostEra (Jarak Jauh)
PostEra sedang mencari Penyelidik Pembelajaran Mesin untuk membina sistem agenik dan model adaptif bagi bioteknologi dipacu AI. Peranan ini menggunakan kaedah pengiraan dalam kimia perubatan dan penemuan ubat.
Penerangan
- Membina fungsi penyelidikan agenik PostEra dengan mengautomasikan pemodelan mekanistik proses biokimia dan fisiologi
- Menganalisis data biologi untuk pengesahan sasaran dan memaklumkan keputusan penemuan ubat menggunakan model pembelajaran mesin
- Mencipta kaedah pembelajaran mesin yang menyesuaikan diri dengan cabaran baharu dalam penemuan ubat menggunakan data berlabel terhad
- Membangunkan sistem pembelajaran dalam konteks molekul dan tabular serta model asas menggunakan data multimodal proprietari
- Menilai contoh dan tugas terdahulu yang relevan, mengukur bila pemindahan membantu atau memudaratkan, serta menghasilkan ramalan yang boleh dipercayai di bawah anjakan taburan
- Menentukan tugas, membina set data dan episod penilaian, menetapkan garis dasar, melatih dan menskalakan model, menjalankan ablation yang rapi, serta menerjemahkan kaedah berkesan kepada keupayaan saintifik
- Membangunkan dan menanda aras sistem agenik untuk pemodelan biologi dan fisiologi kuantitatif
- Memimpin projek penyelidikan bebas dalam pembelajaran dalam konteks, sistem agenik, penyesuaian few-shot, model asas tabular, dan pembelajaran mesin molekul
- Mereka bentuk dan melatih model yang menyesuaikan diri dengan ujian, titik akhir, sasaran, dan siri kimia baharu
- Menilai kaedah berbanding garis dasar yang kukuh dan mencipta kes ujian yang mengambil kira kepekaan terhadap bias
- Bekerjasama dengan saintis dalam pemodelan potensi, ramalan ADME, selektiviti, pengoptimuman calon ubat, dan reka bentuk kajian klinikal awal
- Membina saluran latihan dan data yang cekap sambil menskalakan model merentas masalah molekul dan tabular
- Menulis kod penyelidikan yang mudah dibaca dan boleh dihasilkan semula; mendokumentasikan eksperimen; serta menyokong semakan kod dan infrastruktur pemodelan bersama
- Menerbitkan penemuan dalam forum terkemuka pembelajaran mesin, kimia perubatan, atau biologi pengiraan serta mewakili PostEra dalam komuniti saintifik
Keperluan
- PhD dalam pembelajaran mesin atau bidang penyelidikan STEM yang memfokuskan pembangunan kaedah pembelajaran mesin baharu
- Bukti penyelidikan berkualiti tinggi melalui penerbitan, sumbangan sumber terbuka, atau kerja yang setara
- Latar belakang penyelidikan atau kejuruteraan yang kukuh dalam pembelajaran mesin moden, pembelajaran mendalam, atau pemodelan statistik, dengan pemahaman teori algoritma yang baik
- Kepakaran dalam sekurang-kurangnya satu bidang berkaitan, termasuk aliran kerja saintifik agenik, pembelajaran mesin untuk bioinformatik atau data klinikal, pembelajaran dalam konteks, pembelajaran tabular, atau pembelajaran few-shot
- Pengalaman praktikal melatih, menyahpepijat, dan menilai model pembelajaran mesin dalam Python menggunakan rangka kerja seperti PyTorch atau JAX
- Keupayaan menukar soalan saintifik atau teknikal yang samar kepada projek pembelajaran mesin yang ditakrifkan dengan baik, dengan set data, tugas, garis dasar, metrik, dan pelan pengesahan
- Keupayaan mereka bentuk eksperimen, penanda aras, dan ablation yang rapi untuk membezakan peningkatan sebenar daripada bias serta mengenal pasti sumber peningkatan model
- Selesa bekerja dalam syarikat pemula dengan keutamaan yang berubah, data yang mungkin tidak sempurna, dan keperluan membuat pertimbangan yang baik sama pentingnya dengan kerumitan model
- Pengalaman penemuan ubat tidak diperlukan
- Diutamakan: pengalaman melatih model asas tabular untuk tetapan data jarang, heterogen, kecil, atau dengan banyak nilai hilang
- Diutamakan: pengalaman membangunkan sistem pembelajaran dalam konteks molekul atau menyesuaikan model pembelajaran dalam konteks tujuan umum kepada data molekul atau saintifik
- Diutamakan: pengalaman melatih model besar, termasuk sistem dengan lebih 1 bilion parameter, latihan teragih, sharding, selari data dan model, serta saluran data berskala besar
- Diutamakan: pengalaman membangunkan sistem AI ko-saintis untuk masalah fizikal atau biologi
- Diutamakan: pengalaman langsung dalam pembelajaran mesin dengan data biologi, biokimia, atau klinikal
- Diutamakan: pengalaman membawa model penyelidikan ke dalam perisian saintifik produksi atau aliran kerja pengiraan
Faedah
- Peruntukan ekuiti sebanyak 0,05% hingga 0,1%
- Pampasan diselaraskan secara berkadar
- Pengiktirafan dalam organisasi
- Peluang kenaikan pangkat yang bermakna