Principal ML tudós – prediktív toxikológia

Stack

Feladatok

• ▹A prediktív toxikológiára és a kvantitatív biológiára való terjeszkedés vezetése az ADME-n túl (például multi-omikai technológiák, képalapú szűrés, nagy áteresztőképességű szűrés és vegyületszűrési kaszkádok)
• ▹Tudományos stratégia kialakítása: hogyan állnak össze az in silico toxikológiai és kvantitatív biológiai munkafolyamatok a hálózatokon belül, és mely végpontok, assay-k és modellezési megközelítések hoznak értéket a gyógyszerkutatási döntésekben
• ▹Annak eldöntése, hogyan használhatók fel a legjobban a releváns adatok tudományos és kereskedelmi szempontból
• ▹A biztonságosság és a hatékonyság szempontjából fontos mérések és végpontok átfogása, a szerkezetalapú off-target kockázattól az útvonalszintű, mechanisztikus értelmezésig és az in vivo farmakokinetikáig; ezen munkafolyamatok integrálása a platformba
• ▹Federált tanulás alkalmazása a partnerek adatain olyan modellekhez, amelyeket egyetlen szervezet sem tudna egyedül elérni, és szoros együttműködés az ipari partnerekkel a valódi gyógyszerkutatási folyamatokba való beágyazásban
• ▹A tudományos párbeszéd vezetése ügyfelekkel és partnerekkel: a hatókör, az értékelés, a szállítás és az elfogadás irányítása élő gyógyszerfejlesztési programokban, miközben az ütemterv a valós tudományos és üzleti igényekhez igazodik

Elvárások

• ▹Erős deep learning alapok molekuláris AI-hoz, például a molekulatulajdonság-modellezésben gyakori architektúrák ismerete (gráf neurális hálók, üzenetátadó és transformer-alapú modellek)
• ▹A gyógyszerkutatási toxicitásértékelést meghatározó szempontok érthető ismerete, bármely toxicitási végponton szerzett tapasztalattal (például DILI, citotoxicitás, mikronukleusz/genotoxicitási képalkotó mérések)
• ▹Kézzelfogható tapasztalat prediktív modellek építésében és a toxicitási modellek elfogadtatásában valódi gyógyszerkutatási programokban vagy ipari K+F folyamatokban
• ▹Működő ismeret arról, hogyan használják a gyógyszeriparban az RNS-szekvenálást, a toxicitási szűréseket és a képalapú szűréseket a rutin HTS és vegyületszűrés részeként
• ▹Tudományos vezetői kiválóság: víziót alkot, önállóan viszi a tudományos irányt, és vezeti a műszaki és ügyfélbeszélgetéseket
• ▹Kézközelben marad a modellezéssel, miközben tudományos irányt szab és másokat mentorál; ez elsősorban tudományos vezetői szerep, idővel csapatépítési lehetőséggel
• ▹PhD vagy azzal egyenértékű tapasztalat releváns területen (számítási biológia, kemoinformatika, toxikológia, ML vagy hasonló), plusz 6+ év ML alkalmazása gyógyszerkutatási vagy élettudományi problémákra

Előny

• ▹Tapasztalat federált tanulással, adatvédelmet megőrző ML-lel vagy más többszereplős tanítási környezettel
• ▹Prediktív toxicitási modellek prospektív validálása és használata a vegyülettervezési, rangsorolási vagy előrehaladási döntések befolyásolására élő programokban
• ▹Éles, produkciós minőségű modellszállítás szabályozott, vállalati, gyógyszeripari vagy biotechnológiai környezetben, és/vagy publikációk a számítási biológia, toxikológia vagy ML területén
• ▹Multi-omikai és nagy tartalmú képalkotási tapasztalat (például cell painting)
• ▹Nyilvános toxikológiai és bioaktivitási adatforrások (például Tox21, ToxCast, LINCS/L1000) és mechanisztikus keretek, például adverse outcome pathway ismerete

Soft skillek

Amit kínálunk

• ▹Iparági szinten versenyképes javadalmazás, korai fázisú virtuális részvényopciókkal
• ▹Remote-first munkavégzés, ahol a legjobban tudsz dolgozni
• ▹Wellbeing-keret, mentálhigiénés támogatás, home office-keret, coworking-támogatás és tanulási keret
• ▹Bőséges szabadság
• ▹Évi 3 irodai nap a berlini központban vagy más európai helyszínen
• ▹Kiemelkedően képzett, eredményorientált csapat vezető szervezeteknél szerzett tapasztalattal

A munkáltatóról

Az Apheris az élettudományi területen működtet federált adathálózatokat, amelyeken a biopharma szervezetek közösen tanítanak jobb gépi tanulási modelleket a saját adataik megosztása nélkül. A federált számítási infrastruktúra beépített governance- és adatvédelmi kontrollokkal biztosítja, hogy az adatok tulajdonjoga az adatgazdáknál maradjon.