Roche, ilaç araştırma ve geliştirmeyi tanı testleri ve dijital sağlıkla birleştiren küresel bir sağlık şirketidir. Şirketin çalışmaları, yapay zekâ destekli araçlar da dâhil olmak üzere daha erken teşhis, daha hedefli tedaviler ve bilime dayalı yenilikler yoluyla hasta sonuçlarını iyileştirmeye odaklanır. Roche, dünya genelinde sağlık sistemleri, araştırma ortakları ve diğer paydaşlarla iş birliği yaparak kanser ve nörolojik hastalıklar gibi karmaşık hastalıklara yönelik çözümler geliştirir.
Kıdemli Makine Öğrenimi Bilim İnsanı, Sentez Planlama ve Optimizasyon
Sentez farkındalığına sahip moleküler tasarım, planlama, üretim ve optimizasyon için makine öğrenimi modelleri geliştirin. Roche’un yapay zekâ odaklı ilaç keşfi araştırmalarını destekleyen otomatik sentez iş akışları oluşturun.
Açıklama
- Retrosentez, sentez planlama, moleküler üretim ve sentezlenebilir kimyasal uzaylarda arama dâhil olmak üzere sentez farkındalığına sahip moleküler tasarım için makine öğrenimi yöntemlerini geliştirin.
- Tescilli reaksiyon ve biyokimyasal verileri birleştirerek isabet keşfi ve optimizasyonu için sentez farkındalığına sahip modeller ve iş akışları oluşturun.
- Otomatikleştirilmiş ve yüksek verimli sentez platformlarına bağlanan güvenilir, ölçeklenebilir aktif öğrenme işlem hatları geliştirin.
- Kimyasal uzay kapsamını, bilgi kazanımını ve deneysel verimliliği artıran toplu sentez planlama algoritmaları oluşturun.
- Yayınlar, açık kaynak projeleri ve konferans sunumları aracılığıyla bilimsel ilerlemeye katkıda bulunun.
- Roche’taki hesaplamalı ve deneysel bilim insanlarıyla ve dış akademik iş birlikçileriyle ortak çalışın.
- Sentezlenebilir moleküller üreten ve üretken tasarımı otomatik sentezle ilişkilendiren makine öğrenimi yaklaşımları geliştirin.
Gereksinimler
- Lineer cebir, olasılık ve optimizasyona dayanan ileri düzey makine öğrenimi uzmanlığı.
- Graf sinir ağları, dizi veya dil modelleri ve pekiştirmeli öğrenme konusunda uygulamalı deneyim.
- Sentez planlama ve moleküler optimizasyonda kullanılan kimya kavramlarına ilişkin çalışma bilgisi.
- Küçük molekül veri kümelerini işleme ve RDKit veya OpenEye gibi kemoinformatik araçlarını kullanma deneyimi.
- Python’da yetkinlik.
- PyTorch veya JAX dâhil çağdaş makine öğrenimi çerçeveleriyle deneyim.
- Bilimsel yazılım geliştirme geçmişi.
- Makine öğrenimi, hesaplamalı kimya, kimya mühendisliği, fizik, istatistik veya ilgili nicel bir disiplinde doktora ya da eşdeğer araştırma deneyimi.
- Bilim insanı seviyesi için iki yıla kadar, kıdemli bilim insanı seviyesi için iki yıldan fazla sektör araştırması deneyimi.
- Dergi veya konferans yayınları ya da ilgili çalışmaların kamuya açık portföyü aracılığıyla kanıtlanmış bilimsel üstünlük.
- Tercihen: Retrosentez veya sentez planlama modelleri geliştirme deneyimi.
- Tercihen: Otomatikleştirilmiş veya yüksek verimli sentez deneyimi.
Yan Haklar
- Bireysel ve Şirket performansına bağlı olarak takdire bağlı yıllık bonus sunulabilir.
- Yan haklar, sağlanan bağlantıda açıklanmıştır.