PostEra to firma biotechnologiczna wykorzystująca sztuczną inteligencję do usprawniania procesu odkrywania nowych leków. Jej platforma Proton stosuje uczenie maszynowe w chemii medycznej, pomagając badaczom rozwiązywać złożone problemy związane z odkrywaniem leków i przyspieszać rozwój potencjalnych terapii. Założona w 2020 roku firma PostEra współpracuje z organizacjami farmaceutycznymi, w tym Pfizer i Amgen, nad wykorzystaniem sztucznej inteligencji w opracowywaniu leków.
Badacz uczenia maszynowego, nauka agentowa w PostEra (praca zdalna)
PostEra poszukuje badacza uczenia maszynowego do tworzenia systemów agentowych i modeli adaptacyjnych dla biotechnologii opartej na AI. Rola obejmuje zastosowanie metod obliczeniowych w chemii medycznej i odkrywaniu leków.
Opis
- Budowanie funkcji badań agentowych PostEra poprzez automatyzację mechanistycznego modelowania procesów biochemicznych i fizjologicznych
- Analizowanie danych biologicznych na potrzeby walidacji celów i wspierania decyzji dotyczących odkrywania leków za pomocą modeli uczenia maszynowego
- Tworzenie metod uczenia maszynowego dostosowujących się do nowych wyzwań związanych z odkrywaniem leków przy ograniczonej liczbie oznaczonych danych
- Opracowywanie systemów uczenia kontekstowego i modeli fundamentalnych dla danych molekularnych i tabelarycznych z wykorzystaniem własnych danych multimodalnych
- Ocenianie odpowiednich wcześniejszych przykładów i zadań, mierzenie, kiedy transfer pomaga lub szkodzi, oraz dostarczanie wiarygodnych prognoz przy przesunięciu rozkładu danych
- Definiowanie zadań, budowanie zbiorów danych i epizodów ewaluacyjnych, ustalanie bazowych wyników, trenowanie i skalowanie modeli, przeprowadzanie rygorystycznych ablacji oraz przekładanie skutecznych metod na możliwości naukowe
- Opracowywanie i testowanie systemów agentowych do ilościowego modelowania biologicznego i fizjologicznego
- Prowadzenie niezależnych projektów badawczych w zakresie uczenia kontekstowego, systemów agentowych, adaptacji few-shot, tabelarycznych modeli fundamentalnych i molekularnego uczenia maszynowego
- Projektowanie i trenowanie modeli dostosowujących się do nowych testów, punktów końcowych, celów i serii chemicznych
- Ocenianie metod względem silnych modeli bazowych oraz tworzenie przypadków testowych uwzględniających wrażliwość na uprzedzenia
- Współpraca z naukowcami przy modelowaniu siły działania, prognozowaniu ADME, selektywności, optymalizacji związków wiodących i projektowaniu wczesnych badań klinicznych
- Budowanie wydajnych potoków trenowania i danych oraz skalowanie modeli dla problemów molekularnych i tabelarycznych
- Pisanie czytelnego, odtwarzalnego kodu badawczego, dokumentowanie eksperymentów, wspieranie przeglądów kodu i wspólnej infrastruktury modelowania
- Publikowanie wyników w wiodących czasopismach i na konferencjach z zakresu uczenia maszynowego, chemii medycznej lub biologii obliczeniowej oraz reprezentowanie PostEra w środowisku naukowym.
Wymagania
- Doktorat z uczenia maszynowego lub w dziedzinie STEM związanej z opracowywaniem nowych metod uczenia maszynowego
- Udokumentowane wysokiej jakości badania poprzez publikacje, wkład w projekty open source lub porównywalne osiągnięcia
- Silne doświadczenie badawcze lub inżynieryjne we współczesnym uczeniu maszynowym, głębokim uczeniu lub modelowaniu statystycznym oraz solidna znajomość teorii algorytmów
- Ekspertyza w co najmniej jednym istotnym obszarze, obejmującym agentowe przepływy pracy naukowej, uczenie maszynowe dla bioinformatyki lub danych klinicznych, uczenie kontekstowe, uczenie tabelaryczne lub few-shot learning
- Praktyczne doświadczenie w trenowaniu, debugowaniu i ocenie modeli uczenia maszynowego w Pythonie z użyciem frameworków takich jak PyTorch lub JAX
- Umiejętność przekształcania niejednoznacznych pytań naukowych lub technicznych w dobrze zdefiniowane projekty uczenia maszynowego z danymi, zadaniami, modelami bazowymi, metrykami i planami walidacji
- Umiejętność projektowania rygorystycznych eksperymentów, benchmarków i ablacji, które oddzielają rzeczywiste zyski od uprzedzeń i identyfikują źródła poprawy modeli
- Gotowość do pracy w startupie, w którym priorytety się zmieniają, dane mogą być niedoskonałe, a trafny osąd jest równie ważny jak złożoność modelu
- Doświadczenie w odkrywaniu leków nie jest wymagane
- Mile widziane: doświadczenie w trenowaniu tabelarycznych modeli fundamentalnych dla danych rzadkich, heterogenicznych, małych lub z dużą liczbą braków
- Mile widziane: doświadczenie w opracowywaniu molekularnych systemów uczenia kontekstowego lub dostosowywaniu ogólnych modeli kontekstowych do danych molekularnych albo naukowych
- Mile widziane: doświadczenie w trenowaniu dużych modeli, w tym systemów z ponad 1 mld parametrów, trenowaniu rozproszonym, shardingu, równoległości danych i modeli oraz wielkoskalowych potokach danych
- Mile widziane: doświadczenie w opracowywaniu systemów AI współpracujących z naukowcami przy problemach fizycznych lub biologicznych
- Mile widziane: praktyczne doświadczenie w uczeniu maszynowym z danymi biologicznymi, biochemicznymi lub klinicznymi
- Mile widziane: doświadczenie w przenoszeniu modeli badawczych do produkcyjnego oprogramowania naukowego lub przepływów obliczeniowych
Benefity
- Udział kapitałowy w wysokości 0,05–0,1%
- Wynagrodzenie dostosowywane proporcjonalnie
- Uznanie w organizacji
- Możliwości znaczącego awansu