Roche — глобальна медична компанія, що поєднує фармацевтичні дослідження та розробки з діагностичним тестуванням і цифровою медициною. Її діяльність спрямована на покращення результатів лікування завдяки більш ранньому виявленню захворювань, таргетній терапії та науково обґрунтованим інноваціям, зокрема інструментам на основі штучного інтелекту. Компанія розробляє рішення для складних захворювань, таких як онкологічні та неврологічні хвороби, співпрацюючи із системами охорони здоров’я, дослідницькими партнерами та іншими зацікавленими сторонами в усьому світі.
Старший науковий фахівець із машинного навчання: планування та оптимізація синтезу
Розробляйте моделі машинного навчання для синтез-орієнтованого дизайну, планування, генерації та оптимізації молекул. Створюйте автоматизовані процеси синтезу для досліджень Roche у сфері розробки ліків із використанням ШІ.
Опис
- Удосконалювати методи машинного навчання для синтез-орієнтованого молекулярного дизайну, зокрема ретросинтетичного аналізу, планування синтезу, генерації молекул і пошуку в просторах хімічних сполук, придатних для синтезу.
- Поєднувати власні дані про реакції та біохімічні дані для створення синтез-орієнтованих моделей і робочих процесів пошуку та оптимізації хітів.
- Розробляти надійні масштабовані конвеєри активного навчання, інтегровані з автоматизованими платформами синтезу та платформами високопродуктивного синтезу.
- Створювати алгоритми пакетного планування синтезу, які розширюють охоплення хімічного простору, підвищують приріст інформації та ефективність експериментів.
- Сприяти науковому прогресу через публікації, проєкти з відкритим кодом і виступи на конференціях.
- Співпрацювати з обчислювальними та експериментальними науковцями Roche, а також із зовнішніми академічними партнерами.
- Розробляти методи машинного навчання для генерації молекул, придатних для синтезу, і поєднання генеративного дизайну з автоматизованим синтезом.
Вимоги
- Поглиблена експертиза в галузі машинного навчання, підкріплена знаннями лінійної алгебри, теорії ймовірностей та оптимізації.
- Практичний досвід роботи з графовими нейронними мережами, послідовнісними або мовними моделями та навчанням із підкріпленням.
- Робоче знання хімічних концепцій, що використовуються у плануванні синтезу та оптимізації молекул.
- Досвід роботи з наборами даних малих молекул і використання хемінформатичних інструментів, таких як RDKit або OpenEye.
- Вільне володіння Python.
- Досвід роботи із сучасними фреймворками машинного навчання, зокрема PyTorch або JAX.
- Досвід розроблення наукового програмного забезпечення.
- Ступінь PhD або зіставний дослідницький досвід у галузі машинного навчання, обчислювальної хімії, хімічної інженерії, фізики, статистики чи спорідненої кількісної дисципліни.
- До двох років дослідницького досвіду в індустрії для рівня Scientist або понад два роки для рівня Senior Scientist.
- Підтверджені наукові здобутки у вигляді публікацій у журналах чи матеріалах конференцій або публічного портфоліо релевантних робіт.
- Бажано: досвід розроблення моделей ретросинтетичного аналізу або планування синтезу.
- Бажано: досвід роботи з автоматизованим або високопродуктивним синтезом.
Переваги
- Щорічний бонус на розсуд компанії може надаватися залежно від індивідуальних результатів і результатів компанії.
- Інформацію про пільги наведено за вказаним посиланням.