PostEra — біотехнологічна компанія, що спеціалізується на штучному інтелекті та вдосконаленні підходів до пошуку нових лікарських засобів. Її платформа Proton застосовує машинне навчання у медичній хімії, допомагаючи дослідникам розв’язувати складні завдання у відкритті ліків і прискорювати розробку потенційних методів лікування. Заснована у 2020 році, PostEra співпрацює з фармацевтичними організаціями, зокрема Pfizer і Amgen, над використанням штучного інтелекту в розробці лікарських засобів.
Дослідник машинного навчання, агентна наука в PostEra (віддалено)
PostEra шукає дослідника машинного навчання для створення агентних систем і адаптивних моделей для біотехнологій на основі ШІ. Роль передбачає застосування обчислювальних методів у медичній хімії та відкритті лікарських засобів.
Опис
- Розвивати дослідницький напрям PostEra у сфері агентних систем, автоматизуючи механістичне моделювання біохімічних і фізіологічних процесів
- Аналізувати біологічні дані для валідації мішеней і підтримувати рішення щодо відкриття лікарських засобів за допомогою моделей машинного навчання
- Створювати методи машинного навчання, що адаптуються до нових викликів відкриття лікарських засобів за обмеженої кількості розмічених даних
- Розробляти системи контекстного навчання та фундаментальні моделі для молекулярних і табличних даних із використанням власних мультимодальних даних
- Оцінювати релевантні попередні приклади й завдання, вимірювати, коли перенесення допомагає або шкодить, і забезпечувати надійні прогнози за зміщення розподілу даних
- Визначати завдання, створювати набори даних та епізоди оцінювання, встановлювати базові лінії, навчати й масштабувати моделі, проводити строгі абляційні дослідження та перетворювати ефективні методи на наукові можливості
- Розробляти й тестувати агентні системи для кількісного біологічного та фізіологічного моделювання
- Керувати незалежними дослідницькими проєктами у сфері контекстного навчання, агентних систем, адаптації за малою кількістю прикладів, табличних фундаментальних моделей і молекулярного машинного навчання
- Проєктувати й навчати моделі, що адаптуються до нових аналізів, кінцевих точок, мішеней і хімічних серій
- Оцінювати методи порівняно із сильними базовими рішеннями та створювати тестові випадки з урахуванням чутливості до упереджень
- Працювати з науковцями над моделюванням активності, прогнозуванням ADME, селективністю, оптимізацією лідерів і проєктуванням ранніх клінічних досліджень
- Створювати ефективні конвеєри навчання та обробки даних, масштабуючи моделі для молекулярних і табличних задач
- Писати зрозумілий відтворюваний дослідницький код, документувати експерименти, підтримувати перевірку коду та спільну інфраструктуру моделювання
- Публікувати результати на провідних майданчиках із машинного навчання, медичної хімії або обчислювальної біології та представляти PostEra в науковій спільноті.
Вимоги
- Докторський ступінь у галузі машинного навчання або в науково-технічній дослідницькій сфері, зосередженій на розробленні нових методів машинного навчання
- Підтвердження якісної дослідницької роботи через публікації, внески у проєкти з відкритим кодом або порівнювані результати
- Сильний дослідницький або інженерний досвід у сучасному машинному навчанні, глибокому навчанні чи статистичному моделюванні та ґрунтовне розуміння алгоритмічної теорії
- Експертиза щонайменше в одній релевантній галузі, зокрема агентних наукових робочих процесах, машинному навчанні для біоінформатики або клінічних даних, контекстному навчанні, табличному навчанні чи навчанні за малою кількістю прикладів
- Практичний досвід навчання, налагодження та оцінювання моделей машинного навчання на Python із фреймворками на кшталт PyTorch або JAX
- Здатність перетворювати неоднозначні наукові чи технічні питання на чітко визначені проєкти машинного навчання з наборами даних, завданнями, базовими лініями, метриками та планами валідації
- Здатність проєктувати строгі експерименти, бенчмарки й абляційні дослідження, які відокремлюють справжні покращення від упереджень і визначають джерела покращення моделей
- Готовність працювати у стартапі, де пріоритети змінюються, дані можуть бути недосконалими, а обґрунтоване судження таке саме важливе, як і складність моделі
- Досвід у відкритті лікарських засобів не потрібен
- Бажано: досвід навчання табличних фундаментальних моделей для розріджених, неоднорідних, малих наборів даних або даних із великою кількістю пропусків
- Бажано: досвід розроблення молекулярних систем контекстного навчання або адаптації універсальних контекстних моделей до молекулярних чи наукових даних
- Бажано: досвід навчання великих моделей, зокрема систем із понад 1 млрд параметрів, розподіленого навчання, шардингу, паралелізму даних і моделей та великомасштабних конвеєрів даних
- Бажано: досвід розроблення систем ШІ-співдослідників для фізичних або біологічних задач
- Бажано: практичний досвід машинного навчання з біологічними, біохімічними або клінічними даними
- Бажано: досвід перенесення дослідницьких моделей у виробниче наукове програмне забезпечення або обчислювальні робочі процеси
Переваги
- Частка в капіталі розміром 0,05–0,1%
- Компенсація коригується пропорційно
- Визнання всередині організації
- Можливості для суттєвого кар’єрного просування