PostEra je biotehnološko podjetje in podjetje, osredotočeno na umetno inteligenco, ki si prizadeva izboljšati način odkrivanja novih zdravil. Njegova platforma Proton uporablja strojno učenje na področju medicinske kemije ter raziskovalcem pomaga reševati zapletene izzive pri odkrivanju zdravil in pospeševati razvoj potencialnih terapij. Podjetje PostEra, ustanovljeno leta 2020, sodeluje s farmacevtskimi organizacijami, vključno s podjetjema Pfizer in Amgen, pri pristopih k razvoju zdravil, ki temeljijo na umetni inteligenci.
Raziskovalec strojnega učenja za agentsko znanost pri podjetju PostEra (delo na daljavo)
PostEra išče raziskovalca strojnega učenja za razvoj agentskih sistemov in prilagodljivih modelov za biotehnologijo, ki jo poganja umetna inteligenca. Vloga uporablja računske metode na področju medicinske kemije in odkrivanja zdravil.
Opis
- Vzpostaviti agentsko raziskovalno funkcijo podjetja PostEra z avtomatizacijo mehanističnega modeliranja biokemijskih in fizioloških procesov
- Analizirati biološke podatke za validacijo tarč in podpreti odločitve pri odkrivanju zdravil z modeli strojnega učenja
- Ustvarjati metode strojnega učenja, ki se prilagajajo novim izzivom pri odkrivanju zdravil z omejeno količino označenih podatkov
- Razvijati sisteme učenja v kontekstu in temeljne modele za molekularne in tabelarične podatke z uporabo lastniških multimodalnih podatkov
- Ocenjevati relevantne pretekle primere in naloge, meriti, kdaj prenos pomaga ali škodi, ter zagotavljati zanesljive napovedi ob premiku porazdelitve podatkov
- Opredeljevati naloge, graditi nabore podatkov in epizode vrednotenja, vzpostavljati osnovne modele, usposabljati in širiti modele, izvajati stroge ablacije ter učinkovite metode pretvarjati v znanstvene zmogljivosti
- Razvijati in primerjati agentske sisteme za kvantitativno biološko in fiziološko modeliranje
- Voditi samostojne raziskovalne projekte na področju učenja v kontekstu, agentskih sistemov, prilagajanja z nekaj primeri, tabelaričnih temeljnih modelov in molekularnega strojnega učenja
- Načrtovati in usposabljati modele, ki se prilagajajo novim testom, končnim izidom, tarčam in kemijskim serijam
- Vrednotiti metode glede na močne osnovne modele in ustvarjati testne primere, ki upoštevajo občutljivost na pristranskost
- Sodelovati z znanstveniki pri modeliranju potentnosti, napovedovanju ADME, selektivnosti, optimizaciji vodilnih spojin in načrtovanju zgodnjih kliničnih študij
- Graditi učinkovite cevovode za usposabljanje in podatke ter širiti modele za molekularne in tabelarične probleme
- Pisati berljivo in reproducibilno raziskovalno kodo, dokumentirati poskuse ter podpirati pregledovanje kode in skupno infrastrukturo za modeliranje
- Objavljati ugotovitve v vodilnih revijah in na konferencah s področij strojnega učenja, medicinske kemije ali računalniške biologije ter zastopati PostEra v znanstveni skupnosti
Zahteve
- Doktorat iz strojnega učenja ali raziskovalnega področja STEM, osredotočenega na razvoj novih metod strojnega učenja
- Dokazi o kakovostnem raziskovalnem delu prek publikacij, prispevkov k odprtokodnim projektom ali primerljivega dela
- Močno raziskovalno ali inženirsko ozadje na področju sodobnega strojnega učenja, globokega učenja ali statističnega modeliranja z dobrim razumevanjem algoritmične teorije
- Strokovno znanje vsaj na enem relevantnem področju, vključno z agentskimi znanstvenimi delovnimi tokovi, strojnim učenjem za bioinformatiko ali klinične podatke, učenjem v kontekstu, tabelaričnim učenjem ali učenjem z nekaj primeri
- Praktične izkušnje z usposabljanjem, razhroščevanjem in vrednotenjem modelov strojnega učenja v Pythonu z ogrodji, kot sta PyTorch ali JAX
- Sposobnost pretvoriti nejasna znanstvena ali tehnična vprašanja v dobro opredeljene projekte strojnega učenja z nabori podatkov, nalogami, osnovnimi modeli, metrikami in načrti validacije
- Sposobnost načrtovanja strogih poskusov, primerjalnih testov in ablacijski analiz, ki ločijo resnične izboljšave od pristranskosti ter prepoznajo vire izboljšav modela
- Pripravljenost na delo v zagonskem podjetju, kjer se prednostne naloge spreminjajo, podatki so lahko nepopolni, dobra presoja pa je enako pomembna kot zapletenost modela
- Izkušnje z odkrivanjem zdravil niso zahtevane
- Prednost so izkušnje z usposabljanjem tabelaričnih temeljnih modelov za redke, heterogene ali majhne nabore podatkov oziroma okolja z veliko manjkajočimi podatki
- Prednost so izkušnje z razvojem molekularnih sistemov učenja v kontekstu ali prilagajanjem splošnih modelov učenja v kontekstu molekularnim ali znanstvenim podatkom
- Prednost so izkušnje z usposabljanjem velikih modelov, vključno s sistemi z več kot milijardo parametrov, porazdeljenim usposabljanjem, razdeljevanjem, paralelizacijo podatkov in modelov ter obsežnimi podatkovnimi cevovodi
- Prednost so izkušnje z razvojem sistemov umetne inteligence kot soustvarjalcev znanstvenih rešitev za fizikalne ali biološke probleme
- Prednost so praktične izkušnje s strojnim učenjem na bioloških, biokemijskih ali kliničnih podatkih
- Prednost so izkušnje s prenosom raziskovalnih modelov v produkcijsko znanstveno programsko opremo ali računske delovne tokove
Ugodnosti
- Dodelitev lastniškega deleža v višini od 0,05 % do 0,1 %
- Sorazmerno prilagojeno plačilo
- Priznanje znotraj organizacije
- Priložnosti za pomembno napredovanje