PostEra (YC W20) 正在聘请人工智能研究人员进行药物发现

PostEra 正在打造人工智能优先的生物技术。我们使用 Proton（我们的药物化学人工智能平台）来加速为患者发现新药。 PostEra 正在推进专注于女性健康和生育的内部管道，并使用 Proton 提名多个 PMOS 和生育的临床候选人。 PostEra 还通过与制药公司合作推进小分子项目。我们已经完成了超过 10 亿美元的人工智能合作伙伴关系，其中包括与辉瑞 (Pfizer) 和安进 (Amgen) 的 4 项多年协议。 PostEra 还领导了一个抗病毒药物发现中心，以应对大流行病，该中心由 NIH 历史上最大的拨款之一资助。 PostEra 的组织结构角色概述 在此角色中，您将在 PostEra 开发代理研究垂直领域，使用代理系统自动开发生化和生理过程的机械模型，并分析生物数据以进行目标验证。您将与化学家和生物学家密切互动，使用这些模型来推动药物发现决策。您还将开发机器学习方法，可以根据有限的标记数据快速适应新药发现问题。特别关注的是分子和表格上下文学习以及从 PostEra 专有的多模态数据构建基础模型。您将构建有效利用药物发现背景的模型，确定哪些先前的示例和任务是相关的，量化转移何时有益或有害，并在分布转移下提供可靠的预测。您将帮助推动整个研究循环：定义任务、构建数据集和评估片段、开发强大的基线、训练和扩展模型、执行严格的消融，以及将成功的方法转化为 PostEra 科学家使用的能力。先前的药物发现经验不是必需的，但您应该有动力学习该领域并与药物化学家、计算化学家和其他科学家密切合作。主要职责化学和生物学代理研究：开发代理系统并对其进行基准测试，以自动开发模拟生物和生理过程的定量模型以及生物数据分析。研究方向和执行：独立识别、制定和领导涉及情境学习、代理系统、小样本适应、表格基础模型和分子机器学习的研究项目。分子的上下文学习：使用有限的标记上下文和异构历史数据设计和训练适应新测定、终点、目标或化学系列的模型。基准测试：将新方法与强大的基线进行严格比较，策划测试用例来消除不同偏见来源的影响。跨职能合作：与科学家合作，将建模目标和评估指标与效力建模、ADME 预测、选择性、先导化合物优化和早期临床研究设计中的实际决策联系起来。模型训练和扩展：开发高效的训练和数据管道，并在适当的情况下跨大量分子和表格任务扩展模型。研究工程：生成可读、可重复的研究代码；保持良好跟踪的实验；并通过代码审查、文档和共享建模基础设施做出贡献。科学传播：在领先的机器学习、药物化学或计算生物学场所发布结果。您将成为 PostEra 的科学界大使。关键要求 机器学习博士学位，或涉及开发新型机器学习方法的 STEM 研究 高质量研究的跟踪记录，例如出版物和开源贡献 在现代机器学习、深度学习或统计建模方面拥有丰富的研究或工程经验，并以对机器学习算法背后的理论的理解为后盾 展示至少一个相关领域的专业知识：科学代理工作流程、生物信息学和临床数据建模的机器学习方法、上下文学习、表格学习、小样本学习 实践经验使用 PyTorch 或 JAX 等框架在 Python 中训练、调试和评估 ML 模型 能够独立地将不明确的科学或技术问题转化为明确定义的 ML 项目，包括数据集、任务定义、基线、指标和验证方案 能够设计仔细的实验、基准测试和消融，以区分改进和偏差，并了解模型的哪些方面导致了改进 在优先级不断变化、数据不完善和高质量判断与原始模型复杂性一样重要的初创公司环境中工作舒适如果候选人还具有以下一项或多项经验，那么他们更有可能在该职位上取得成功： 培训表格