Roche ialah sebuah syarikat penjagaan kesihatan global yang menggabungkan penyelidikan dan pembangunan farmaseutikal dengan ujian diagnostik serta kesihatan digital. Usahanya memberi tumpuan kepada peningkatan hasil rawatan pesakit melalui pengesanan lebih awal, rawatan yang lebih disasarkan dan inovasi berteraskan sains, termasuk alat yang didayakan oleh kecerdasan buatan. Syarikat ini membangunkan penyelesaian untuk penyakit kompleks seperti kanser dan keadaan neurologi, sambil bekerjasama dengan sistem penjagaan kesihatan, rakan penyelidikan dan pihak berkepentingan lain di seluruh dunia.
Saintis Kanan Pembelajaran Mesin, Perancangan dan Pengoptimuman Sintesis
Membangunkan model pembelajaran mesin untuk reka bentuk molekul yang mengambil kira sintesis, perancangan, penjanaan dan pengoptimuman. Membina aliran kerja sintesis automatik bagi menyokong penyelidikan penemuan ubat berasaskan AI di Roche.
Penerangan
- Memajukan kaedah pembelajaran mesin untuk reka bentuk molekul yang mengambil kira sintesis, termasuk retrosintesis, perancangan sintesis, penjanaan molekul dan carian merentasi ruang kimia yang boleh disintesis.
- Menggabungkan data tindak balas dan biokimia proprietari untuk menghasilkan model serta aliran kerja yang mengambil kira sintesis bagi penemuan dan pengoptimuman molekul hit.
- Membangunkan saluran paip pembelajaran aktif yang boleh dipercayai dan diskalakan, serta bersambung dengan platform sintesis automatik dan sintesis berkeupayaan tinggi.
- Mencipta algoritma perancangan sintesis kelompok yang meningkatkan liputan ruang kimia, perolehan maklumat dan kecekapan eksperimen.
- Menyumbang kepada kemajuan saintifik melalui penerbitan, projek sumber terbuka dan pembentangan persidangan.
- Bekerjasama dengan saintis pengkomputeran dan eksperimen di Roche serta rakan usaha sama akademik luar.
- Membangunkan pendekatan pembelajaran mesin yang menjana molekul yang boleh disintesis dan menghubungkan reka bentuk generatif dengan sintesis automatik.
Keperluan
- Kepakaran lanjutan dalam pembelajaran mesin yang berasaskan algebra linear, kebarangkalian dan pengoptimuman.
- Pengalaman praktikal dengan rangkaian neural graf, model jujukan atau bahasa, serta pembelajaran pengukuhan.
- Pengetahuan kerja tentang konsep kimia yang digunakan dalam perancangan sintesis dan pengoptimuman molekul.
- Pengalaman mengendalikan set data molekul kecil dan menggunakan alat kemoinformatik seperti RDKit atau OpenEye.
- Mahir menggunakan Python.
- Pengalaman dengan rangka kerja pembelajaran mesin semasa, termasuk PyTorch atau JAX.
- Latar belakang dalam pembangunan perisian saintifik.
- Ijazah PhD atau pengalaman penyelidikan yang setara dalam pembelajaran mesin, kimia pengkomputeran, kejuruteraan kimia, fizik, statistik atau disiplin kuantitatif berkaitan.
- Pengalaman penyelidikan industri sehingga dua tahun untuk peringkat Saintis, atau lebih daripada dua tahun untuk peringkat Saintis Kanan.
- Bukti kecemerlangan saintifik melalui penerbitan jurnal atau persidangan, atau portfolio awam hasil kerja yang berkaitan.
- Diutamakan: Pengalaman membangunkan model retrosintesis atau perancangan sintesis.
- Diutamakan: Pengalaman dengan sintesis automatik atau berkeupayaan tinggi.
Faedah
- Bonus tahunan mengikut budi bicara mungkin ditawarkan berdasarkan prestasi individu dan Syarikat.
- Faedah diterangkan pada pautan yang disediakan.