PostEra er et bioteknologi- og kunstig intelligens-selskap som fokuserer på å forbedre hvordan nye legemidler oppdages. Proton-plattformen bruker maskinlæring innen medisinsk kjemi og hjelper forskere med å håndtere komplekse utfordringer i legemiddelutvikling, samtidig som utviklingen av potensielle behandlinger kan gå raskere. PostEra ble grunnlagt i 2020 og samarbeider med legemiddelselskaper, blant annet Pfizer og Amgen, om AI-baserte metoder for utvikling av legemidler.
Maskinlæringsforsker, agentisk vitenskap hos PostEra (fjernarbeid)
PostEra søker en maskinlæringsforsker som skal bygge agentiske systemer og adaptive modeller for AI-drevet bioteknologi. Rollen anvender beregningsmetoder innen legemiddelkjemi og legemiddelutvikling.
USA200 000 $ – 300 000 $ / år
FjernarbeidHeltidMellomnivåSeniorPåkrevd Språk: engelskAI-forskerMaskinlæringsingeniørBeskrivelse
- Bygg opp PostEras agentiske forskningsfunksjon ved å automatisere mekanistisk modellering av biokjemiske og fysiologiske prosesser
- Analyser biologiske data for målvalidering og informer beslutninger innen legemiddelutvikling med maskinlæringsmodeller
- Utvikle maskinlæringsmetoder som tilpasser seg nye utfordringer innen legemiddelutvikling med begrensede mengder merkede data
- Utvikle molekylære og tabulære systemer for in-context learning samt grunnmodeller ved hjelp av proprietære multimodale data
- Vurder relevante tidligere eksempler og oppgaver, mål når overføring hjelper eller skader, og lever pålitelige prediksjoner under distribusjonsskifte
- Definer oppgaver, bygg datasett og evalueringsforløp, etabler baseliner, tren og skaler modeller, gjennomfør grundige ablasjoner og omsett effektive metoder til vitenskapelige funksjoner
- Utvikle og benchmark agentiske systemer for kvantitativ biologisk og fysiologisk modellering
- Led selvstendige forskningsprosjekter innen in-context learning, agentiske systemer, few-shot-tilpasning, tabulære grunnmodeller og molekylær maskinlæring
- Design og tren modeller som tilpasser seg nye analyser, endepunkter, mål og kjemiske serier
- Evaluer metoder mot sterke baseliner og lag testtilfeller som tar hensyn til skjevhetsfølsomhet
- Samarbeid med forskere om potensmodellering, ADME-prediksjon, selektivitet, lead-optimalisering og utforming av tidlige kliniske studier
- Bygg effektive trenings- og datapipelines samtidig som modeller skaleres på tvers av molekylære og tabulære problemstillinger
- Skriv lesbar og reproduserbar forskningskode, dokumenter eksperimenter og støtt kodegjennomgang samt felles modelleringsinfrastruktur
- Publiser funn i ledende tidsskrifter og konferanser innen maskinlæring, legemiddelkjemi eller beregningsbiologi, og representer PostEra i forskningsmiljøet
Krav
- Doktorgrad i maskinlæring eller innen et STEM-forskningsfelt med fokus på utvikling av nye maskinlæringsmetoder
- Dokumenterte forskningsresultater av høy kvalitet gjennom publikasjoner, bidrag til åpen kildekode eller tilsvarende arbeid
- Solid forsknings- eller ingeniørbakgrunn innen moderne maskinlæring, dyp læring eller statistisk modellering, med god forståelse av algoritmisk teori
- Ekspertise innen minst ett relevant område, inkludert agentiske vitenskapelige arbeidsflyter, maskinlæring for bioinformatikk eller kliniske data, in-context learning, tabulær læring eller few-shot learning
- Praktisk erfaring med å trene, feilsøke og evaluere maskinlæringsmodeller i Python med rammeverk som PyTorch eller JAX
- Evne til å gjøre uklare vitenskapelige eller tekniske spørsmål om til veldefinerte maskinlæringsprosjekter med datasett, oppgaver, baseliner, målemetoder og valideringsplaner
- Evne til å utforme grundige eksperimenter, benchmarker og ablasjoner som skiller reelle forbedringer fra skjevheter og identifiserer kildene til modellforbedringer
- Komfortabel med å jobbe i en startup der prioriteringer endres, data kan være ufullstendige, og godt skjønn er like viktig som modellkompleksitet
- Erfaring med legemiddelutvikling er ikke nødvendig
- Foretrukket: erfaring med å trene tabulære grunnmodeller for spredte, heterogene eller små datasett eller innstillinger med mye manglende data
- Foretrukket: erfaring med å utvikle molekylære systemer for in-context learning eller tilpasse generelle in-context-modeller til molekylære eller vitenskapelige data
- Foretrukket: erfaring med å trene store modeller, inkludert systemer med over 1 milliard parametere, distribuert trening, sharding, data- og modellparallellitet samt datapipelines i stor skala
- Foretrukket: erfaring med å utvikle AI-systemer som fungerer som medforskere for fysiske eller biologiske problemer
- Foretrukket: praktisk erfaring med maskinlæring på biologiske, biokjemiske eller kliniske data
- Foretrukket: erfaring med å ta forskningsmodeller over i produksjonsprogramvare for vitenskapelige formål eller beregningsmessige arbeidsflyter
Fordeler
- Aksjetildeling på 0,05 % til 0,1 %
- Kompensasjonen justeres proporsjonalt
- Anerkjennelse i organisasjonen
- Muligheter for meningsfull forfremmelse