PostEra — биотехнологическая компания, специализирующаяся на искусственном интеллекте и совершенствовании методов поиска новых лекарственных препаратов. Платформа Proton использует машинное обучение в медицинской химии, помогая исследователям решать сложные задачи разработки лекарств и ускорять создание потенциальных терапий. Основанная в 2020 году, PostEra сотрудничает с фармацевтическими организациями, включая Pfizer и Amgen, применяя технологии искусственного интеллекта для разработки лекарственных препаратов.
Исследователь в области машинного обучения, агентная наука в PostEra (удалённо)
PostEra ищет исследователя в области машинного обучения для создания агентных систем и адаптивных моделей для биотехнологии на основе ИИ. Роль предполагает применение вычислительных методов в медицинской химии и открытии лекарственных препаратов.
Описание
- Создавать исследовательское направление PostEra в области агентных систем, автоматизируя механистическое моделирование биохимических и физиологических процессов
- Анализировать биологические данные для валидации мишеней и принимать решения об открытии лекарственных препаратов с помощью моделей машинного обучения
- Разрабатывать методы машинного обучения, адаптирующиеся к новым задачам открытия лекарственных препаратов при ограниченном количестве размеченных данных
- Разрабатывать системы контекстного обучения и фундаментальные модели для молекулярных и табличных данных с использованием собственных мультимодальных данных
- Оценивать релевантные предыдущие примеры и задачи, измерять пользу или вред переноса и обеспечивать надёжные предсказания при сдвиге распределения данных
- Определять задачи, создавать наборы данных и эпизоды оценки, устанавливать базовые линии, обучать и масштабировать модели, проводить строгие абляционные исследования и внедрять эффективные методы в научные возможности
- Разрабатывать и тестировать агентные системы для количественного биологического и физиологического моделирования
- Руководить независимыми исследовательскими проектами в области контекстного обучения, агентных систем, адаптации по небольшому числу примеров, табличных фундаментальных моделей и молекулярного машинного обучения
- Проектировать и обучать модели, адаптирующиеся к новым анализам, конечным точкам, мишеням и химическим сериям
- Оценивать методы относительно сильных базовых решений и создавать тестовые случаи с учётом чувствительности к смещениям
- Работать с учёными над моделированием активности, прогнозированием ADME, селективностью, оптимизацией лидов и проектированием ранних клинических исследований
- Создавать эффективные конвейеры обучения и обработки данных, масштабируя модели для молекулярных и табличных задач
- Писать понятный воспроизводимый исследовательский код, документировать эксперименты, участвовать в проверке кода и поддерживать общую инфраструктуру моделирования
- Публиковать результаты на ведущих площадках по машинному обучению, медицинской химии или вычислительной биологии и представлять PostEra в научном сообществе.
Требования
- Докторская степень в области машинного обучения или в научно-технической сфере с исследовательской работой над новыми методами машинного обучения
- Подтверждённый опыт качественных исследований в виде публикаций, вкладов в проекты с открытым исходным кодом или сопоставимых результатов
- Сильная исследовательская или инженерная база в современном машинном обучении, глубоком обучении или статистическом моделировании и хорошее понимание алгоритмической теории
- Экспертиза хотя бы в одной релевантной области, включая агентные научные рабочие процессы, машинное обучение для биоинформатики или клинических данных, контекстное обучение, обучение на табличных данных или обучение по небольшому числу примеров
- Практический опыт обучения, отладки и оценки моделей машинного обучения на Python с такими фреймворками, как PyTorch или JAX
- Умение превращать неоднозначные научные или технические вопросы в чётко определённые проекты машинного обучения с наборами данных, задачами, базовыми линиями, метриками и планами валидации
- Умение проектировать строгие эксперименты, бенчмарки и абляционные исследования, отделяющие реальные улучшения от смещений и выявляющие источники улучшений моделей
- Готовность работать в стартапе, где приоритеты меняются, данные могут быть несовершенными, а обоснованное суждение столь же важно, как и сложность модели
- Опыт в открытии лекарственных препаратов не требуется
- Желательно: опыт обучения табличных фундаментальных моделей для разреженных, неоднородных наборов данных, малых выборок или данных с большим количеством пропусков
- Желательно: опыт разработки молекулярных систем контекстного обучения или адаптации универсальных контекстных моделей к молекулярным или научным данным
- Желательно: опыт обучения больших моделей, включая системы с более чем 1 млрд параметров, распределённое обучение, шардинг, параллелизм данных и моделей, а также крупномасштабные конвейеры данных
- Желательно: опыт разработки систем ИИ-соучёных для физических или биологических задач
- Желательно: практический опыт машинного обучения с биологическими, биохимическими или клиническими данными
- Желательно: опыт внедрения исследовательских моделей в производственное научное программное обеспечение или вычислительные рабочие процессы
Преимущества
- Доля в капитале в размере 0,05–0,1%
- Компенсация корректируется пропорционально
- Признание внутри организации
- Возможности для значимого продвижения