PostEra, yeni ilaçların keşfedilme biçimini iyileştirmeye odaklanan bir biyoteknoloji ve yapay zekâ şirketidir. Proton platformu, makine öğrenimini tıbbi kimyaya uygulayarak araştırmacıların ilaç keşfindeki karmaşık sorunları ele almasına ve potansiyel tedavilerin geliştirilmesini hızlandırmasına yardımcı olur. 2020 yılında kurulan PostEra, ilaç geliştirmeye yönelik yapay zekâ destekli yaklaşımlar üzerinde Pfizer ve Amgen gibi ilaç şirketleriyle birlikte çalışır.
PostEra'da Makine Öğrenimi Araştırmacısı, Ajan Bilimi (Uzaktan)
PostEra, yapay zekâ destekli biyoteknoloji için ajan sistemleri ve uyarlanabilir modeller geliştirecek bir Makine Öğrenimi Araştırmacısı arıyor. Bu rol, hesaplamalı yöntemleri tıbbi kimya ve ilaç keşfine uygular.
Açıklama
- Biyokimyasal ve fizyolojik süreçlerin mekanistik modellenmesini otomatikleştirerek PostEra'nın ajan tabanlı araştırma işlevini geliştirmek
- Hedef doğrulama için biyolojik verileri analiz etmek ve makine öğrenimi modelleriyle ilaç keşfi kararlarını desteklemek
- Sınırlı etiketli verilerle yeni ilaç keşfi zorluklarına uyum sağlayan makine öğrenimi yöntemleri oluşturmak
- Özel çok modlu verileri kullanarak moleküler ve tablo tabanlı bağlam içi öğrenme sistemleri ile temel modeller geliştirmek
- İlgili önceki örnekleri ve görevleri değerlendirmek, aktarımın ne zaman fayda veya zarar sağladığını ölçmek ve dağılım kayması altında güvenilir tahminler sunmak
- Görevleri tanımlamak, veri kümeleri ve değerlendirme bölümleri oluşturmak, temel ölçütler belirlemek, modelleri eğitip ölçeklendirmek, titiz ablasyonlar yürütmek ve etkili yöntemleri bilimsel yetkinliklere dönüştürmek
- Nicel biyolojik ve fizyolojik modelleme için ajan sistemleri geliştirmek ve kıyaslamak
- Bağlam içi öğrenme, ajan sistemleri, az örnekli uyarlama, tablo tabanlı temel modeller ve moleküler makine öğrenimi alanlarında bağımsız araştırma projelerine liderlik etmek
- Yeni deneylere, sonlanım noktalarına, hedeflere ve kimyasal serilere uyum sağlayan modeller tasarlamak ve eğitmek
- Yöntemleri güçlü temel ölçütlere göre değerlendirmek ve yanlılığa duyarlılığı dikkate alan test senaryoları oluşturmak
- Bilim insanlarıyla güç modelleme, ADME tahmini, seçicilik, öncü bileşik optimizasyonu ve erken klinik çalışma tasarımı konularında çalışmak
- Moleküler ve tablo tabanlı problemler genelinde modelleri ölçeklendirirken verimli eğitim ve veri işlem hatları oluşturmak
- Okunabilir ve yeniden üretilebilir araştırma kodu yazmak; deneyleri belgelemek; kod incelemesini ve ortak modelleme altyapısını desteklemek
- Bulguları önde gelen makine öğrenimi, tıbbi kimya veya hesaplamalı biyoloji platformlarında yayımlamak ve bilim camiasında PostEra'yı temsil etmek
Gereksinimler
- Makine öğrenimi veya yeni makine öğrenimi yöntemleri geliştirmeye odaklanan bir STEM araştırma alanında doktora
- Yayınlar, açık kaynak katkıları veya benzer çalışmalar yoluyla yüksek kaliteli araştırma kanıtı
- Modern makine öğrenimi, derin öğrenme veya istatistiksel modelleme alanında güçlü araştırma ya da mühendislik geçmişi ve algoritmik teoriye sağlam hâkimiyet
- Ajan tabanlı bilimsel iş akışları, biyoinformatik veya klinik veriler için makine öğrenimi, bağlam içi öğrenme, tablo öğrenmesi ya da az örnekli öğrenme gibi en az bir ilgili alanda uzmanlık
- Python'da PyTorch veya JAX gibi çerçevelerle makine öğrenimi modellerini eğitme, hatalarını ayıklama ve değerlendirme konusunda pratik deneyim
- Belirsiz bilimsel veya teknik soruları veri kümeleri, görevler, temel ölçütler, metrikler ve doğrulama planları olan iyi tanımlanmış makine öğrenimi projelerine dönüştürebilme
- Gerçek kazanımları yanlılıktan ayıran ve model iyileştirmelerinin kaynaklarını belirleyen titiz deneyler, kıyaslamalar ve ablasyonlar tasarlayabilme
- Önceliklerin değiştiği, verilerin kusurlu olabileceği ve sağduyulu muhakemenin model karmaşıklığı kadar önemli olduğu bir girişimde çalışmaya yatkınlık
- İlaç keşfi deneyimi gerekli değildir
- Tercihen: seyrek, heterojen, küçük veri hacimli veya yüksek eksiklik oranına sahip ortamlarda tablo tabanlı temel modeller eğitme deneyimi
- Tercihen: moleküler bağlam içi öğrenme sistemleri geliştirme veya genel amaçlı bağlam içi modelleri moleküler ya da bilimsel verilere uyarlama deneyimi
- Tercihen: 1 milyardan fazla parametreli sistemler dâhil büyük modelleri eğitme, dağıtık eğitim, parçalama, veri ve model paralelliği ile büyük ölçekli veri işlem hatları deneyimi
- Tercihen: fiziksel veya biyolojik problemler için yapay zekâ yardımcı bilim insanı sistemleri geliştirme deneyimi
- Tercihen: biyolojik, biyokimyasal veya klinik verilerle uygulamalı makine öğrenimi deneyimi
- Tercihen: araştırma modellerini üretim amaçlı bilimsel yazılımlara veya hesaplamalı iş akışlarına taşıma deneyimi
Yan Haklar
- %0,05 ila %0,1 oranında hisse tahsisi
- Ücretin orantılı olarak ayarlanması
- Kurum içinde tanınma
- Anlamlı terfi fırsatları