PostEra je biotechnologická spoločnosť a spoločnosť pôsobiaca v oblasti umelej inteligencie, ktorá sa zameriava na zlepšovanie spôsobu objavovania nových liekov. Jej platforma Proton využíva strojové učenie v medicinálnej chémii, čím pomáha výskumníkom riešiť zložité výzvy pri objavovaní liekov a urýchľovať vývoj potenciálnych terapií. Spoločnosť PostEra bola založená v roku 2020 a spolupracuje s farmaceutickými organizáciami vrátane spoločností Pfizer a Amgen na prístupoch k vývoju liekov založeným na umelej inteligencii.
Výskumník v oblasti strojového učenia pre agentickú vedu v spoločnosti PostEra (práca na diaľku)
PostEra hľadá výskumníka v oblasti strojového učenia na tvorbu agentických systémov a adaptívnych modelov pre biotechnológie riadené umelou inteligenciou. Táto pozícia využíva výpočtové metódy v medicínskej chémii a objavovaní liekov.
Popis
- Vybudovať agentickú výskumnú funkciu spoločnosti PostEra automatizáciou mechanistického modelovania biochemických a fyziologických procesov
- Analyzovať biologické údaje na validáciu cieľov a podporovať rozhodnutia pri objavovaní liekov pomocou modelov strojového učenia
- Vytvárať metódy strojového učenia, ktoré sa prispôsobia novým výzvam pri objavovaní liekov s obmedzeným množstvom označených údajov
- Vyvíjať systémy učenia v kontexte a základné modely pre molekulárne a tabuľkové údaje s využitím vlastných multimodálnych údajov
- Posudzovať relevantné predchádzajúce príklady a úlohy, merať, kedy prenos pomáha alebo škodí, a poskytovať spoľahlivé predikcie pri zmene distribúcie údajov
- Definovať úlohy, vytvárať súbory údajov a epizódy vyhodnocovania, stanovovať základné línie, trénovať a škálovať modely, vykonávať dôkladné ablačné štúdie a prekladať účinné metódy do vedeckých možností
- Vyvíjať a porovnávať agentické systémy na kvantitatívne biologické a fyziologické modelovanie
- Viesť samostatné výskumné projekty v oblasti učenia v kontexte, agentických systémov, adaptácie z niekoľkých príkladov, tabuľkových základných modelov a molekulárneho strojového učenia
- Navrhovať a trénovať modely, ktoré sa prispôsobia novým testom, sledovaným parametrom, cieľom a chemickým sériám
- Vyhodnocovať metódy voči silným základným líniám a vytvárať testovacie prípady zohľadňujúce citlivosť na skreslenie
- Spolupracovať s vedcami na modelovaní účinnosti, predikcii ADME, selektivite, optimalizácii vedúcich zlúčenín a návrhu skorých klinických štúdií
- Budovať efektívne školiace a dátové pipeline a zároveň škálovať modely pre molekulárne a tabuľkové problémy
- Písať čitateľný a reprodukovateľný výskumný kód, dokumentovať experimenty a podporovať kontrolu kódu a zdieľanú modelovaciu infraštruktúru
- Publikovať zistenia v popredných časopisoch a na konferenciách v oblasti strojového učenia, medicínskej chémie alebo výpočtovej biológie a zastupovať PostEra vo vedeckej komunite
Požiadavky
- PhD v oblasti strojového učenia alebo vo výskumnej oblasti STEM zameranej na vývoj nových metód strojového učenia
- Dôkazy o kvalitnom výskume prostredníctvom publikácií, príspevkov k open source alebo porovnateľnej práce
- Silné výskumné alebo inžinierske skúsenosti s moderným strojovým učením, hlbokým učením alebo štatistickým modelovaním a dobré pochopenie algoritmickej teórie
- Odbornosť aspoň v jednej relevantnej oblasti vrátane agentických vedeckých pracovných postupov, strojového učenia pre bioinformatiku alebo klinické údaje, učenia v kontexte, tabuľkového učenia alebo učenia z niekoľkých príkladov
- Praktické skúsenosti s trénovaním, ladením a vyhodnocovaním modelov strojového učenia v Pythone s frameworkmi ako PyTorch alebo JAX
- Schopnosť premeniť nejednoznačné vedecké alebo technické otázky na dobre definované projekty strojového učenia so súbormi údajov, úlohami, základnými líniami, metrikami a plánmi validácie
- Schopnosť navrhovať dôkladné experimenty, benchmarky a ablačné štúdie, ktoré odlíšia skutočné zlepšenia od skreslenia a určia zdroje zlepšenia modelu
- Ochota pracovať v startupe, kde sa priority menia, údaje môžu byť nedokonalé a správny úsudok je rovnako dôležitý ako zložitosť modelu
- Skúsenosti s objavovaním liekov sa nevyžadujú
- Výhodou sú skúsenosti s trénovaním tabuľkových základných modelov pre riedke, heterogénne prostredia, malé súbory údajov alebo vysokú mieru chýbajúcich údajov
- Výhodou sú skúsenosti s vývojom molekulárnych systémov učenia v kontexte alebo s prispôsobovaním všeobecných modelov učenia v kontexte molekulárnym či vedeckým údajom
- Výhodou sú skúsenosti s trénovaním veľkých modelov vrátane systémov s viac ako miliardou parametrov, distribuovaným trénovaním, shardovaním, paralelizáciou údajov a modelov a rozsiahlymi dátovými pipeline
- Výhodou sú skúsenosti s vývojom systémov AI spoluvýskumníkov pre fyzikálne alebo biologické problémy
- Výhodou sú praktické skúsenosti so strojovým učením na biologických, biochemických alebo klinických údajoch
- Výhodou sú skúsenosti s uvádzaním výskumných modelov do produkčného vedeckého softvéru alebo výpočtových pracovných postupov
Benefity
- Pridelenie podielu vo výške 0,05 % až 0,1 %
- Odmena upravená pomerne
- Uznanie v rámci organizácie
- Príležitosti na významný kariérny postup