PostEra är ett bioteknik- och artificiell intelligensföretag som fokuserar på att förbättra hur nya läkemedel upptäcks. Plattformen Proton använder maskininlärning inom läkemedelskemi och hjälper forskare att hantera komplexa utmaningar inom läkemedelsutveckling samt påskynda utvecklingen av potentiella behandlingar. PostEra grundades 2020 och samarbetar med läkemedelsföretag, däribland Pfizer och Amgen, kring AI-baserade metoder för läkemedelsutveckling.
Maskininlärningsforskare, agentisk vetenskap på PostEra (distans)
PostEra söker en maskininlärningsforskare som ska bygga agentiska system och adaptiva modeller för AI-driven bioteknik. Rollen tillämpar beräkningsmetoder på läkemedelskemi och läkemedelsupptäckt.
USA200 000 $ – 300 000 $ / år
DistansHeltidMellannivåSeniorObligatoriskt Språk: engelskaAI-forskningsvetareMaskininlärningsingenjörBeskrivning
- Bygg upp PostEras agentiska forskningsfunktion genom att automatisera mekanistisk modellering av biokemiska och fysiologiska processer
- Analysera biologiska data för målvalidering och stöd beslut inom läkemedelsupptäckt med maskininlärningsmodeller
- Skapa maskininlärningsmetoder som anpassar sig till nya utmaningar inom läkemedelsupptäckt med begränsad mängd märkt data
- Utveckla system för in-context learning och grundmodeller för molekylära och tabulära data med hjälp av egenutvecklade multimodala data
- Bedöm relevanta tidigare exempel och uppgifter, mät när överföring hjälper eller skadar och leverera tillförlitliga förutsägelser under distributionsskifte
- Definiera uppgifter, bygg dataset och utvärderingsepisoder, etablera baslinjer, träna och skala modeller, genomför rigorösa ablationer och omsätt effektiva metoder till vetenskapliga funktioner
- Utveckla och jämför agentiska system för kvantitativ biologisk och fysiologisk modellering
- Leda självständiga forskningsprojekt inom in-context learning, agentiska system, few-shot-anpassning, tabulära grundmodeller och molekylär maskininlärning
- Utforma och träna modeller som anpassar sig till nya analyser, utfallsmått, mål och kemiska serier
- Utvärdera metoder mot starka baslinjer och skapa testfall som tar hänsyn till känslighet för bias
- Samarbeta med forskare kring potensmodellering, ADME-prediktion, selektivitet, lead-optimering och utformning av tidiga kliniska studier
- Bygg effektiva tränings- och datapipelines samtidigt som modeller skalas för molekylära och tabulära problem
- Skriv läsbar och reproducerbar forskningskod, dokumentera experiment och stöd kodgranskning samt gemensam modelleringsinfrastruktur
- Publicera resultat inom ledande forum för maskininlärning, läkemedelskemi eller beräkningsbiologi och representera PostEra i forskarsamhället
Krav
- Doktorsexamen i maskininlärning eller inom ett STEM-forskningsområde med fokus på att utveckla nya maskininlärningsmetoder
- Dokumenterade högkvalitativa forskningsresultat genom publikationer, bidrag till öppen källkod eller jämförbart arbete
- Stark forsknings- eller ingenjörsbakgrund inom modern maskininlärning, djupinlärning eller statistisk modellering, med god förståelse för algoritmisk teori
- Expertis inom minst ett relevant område, exempelvis agentiska vetenskapliga arbetsflöden, maskininlärning för bioinformatik eller kliniska data, in-context learning, tabulär inlärning eller few-shot learning
- Praktisk erfarenhet av att träna, felsöka och utvärdera maskininlärningsmodeller i Python med ramverk som PyTorch eller JAX
- Förmåga att omvandla otydliga vetenskapliga eller tekniska frågor till väldefinierade maskininlärningsprojekt med dataset, uppgifter, baslinjer, mätvärden och valideringsplaner
- Förmåga att utforma rigorösa experiment, benchmarktester och ablationer som skiljer verkliga förbättringar från bias och identifierar orsakerna till modellförbättringar
- Bekväm med att arbeta i en startup där prioriteringar förändras, data kan vara ofullständiga och gott omdöme är lika viktigt som modellkomplexitet
- Erfarenhet av läkemedelsupptäckt krävs inte
- Meriterande: erfarenhet av att träna tabulära grundmodeller för glesa, heterogena miljöer, små datamängder eller data med hög andel saknade värden
- Meriterande: erfarenhet av att utveckla molekylära system för in-context learning eller anpassa generella in-context-modeller till molekylära eller vetenskapliga data
- Meriterande: erfarenhet av att träna stora modeller, inklusive system med över 1 miljard parametrar, distribuerad träning, sharding, data- och modellparallellism samt storskaliga datapipelines
- Meriterande: erfarenhet av att utveckla AI-system som fungerar som medforskare för fysikaliska eller biologiska problem
- Meriterande: praktisk erfarenhet av maskininlärning med biologiska, biokemiska eller kliniska data
- Meriterande: erfarenhet av att föra forskningsmodeller till produktionsmjukvara för vetenskapliga ändamål eller beräkningsarbetsflöden
Förmåner
- Aktietilldelning på 0,05 % till 0,1 %
- Ersättning justeras proportionellt
- Erkännande inom organisationen
- Möjligheter till meningsfull befordran