Machine Learning Researcher | Protein Design | Diffusion Modelling | Flow Matching | Zurich, Switzerland in Zürich

Ein innovatives, wachstumsstarkes, KI-gesteuertes Biotechnologieunternehmen sucht einen erfahrenen Machine Learning Researcher, der sich auf die Modellierung von Proteinstrukturen spezialisiert hat, um fortschrittliche maschinelle Lernsysteme für die Entdeckung, das Engineering und die Optimierung von Proteinen zu entwickeln.

Das Unternehmen baut eine Plattform für maschinelles Lernen auf, die computergestützte Modellierung mit experimenteller Validierung kombiniert und Anwendungen in verschiedenen Branchen unterstützt, darunter Biopharma, Landwirtschaft, Lebensmittel und industrielle Biotechnologie.

In dieser Rolle werden Sie zu den strukturellen Modellierungsfähigkeiten beitragen, die sowohl das Proteinengineering als auch das de novo Protein Design untermauern. Wichtige Forschungsbereiche umfassen:

• Struktur- und Komplexvorhersage: Training und Feinabstimmung von Modellen zur Vorhersage von Proteinstrukturen und Co-Folding.
• Strukturbedingte Eigenschaftsvorhersage: Entwicklung von Modellen, die vorhergesagte und experimentelle Strukturen nutzen, um mehrere Eigenschaften von Proteinen vorherzusagen.
• Strukturrepräsentationslernen: Arbeiten mit äquivarianten Architekturen und strukturellen Encodern.
• Aktives Lernen: Entwerfen und Implementieren von Strategien für aktives Lernen, um den Design-Build-Test-Lernzyklus zu optimieren und den Wert experimenteller Daten zu maximieren.

Sie werden erwartet, die Grenzen der Forschung im Bereich maschinelles Lernen im Proteinengineering und de novo Design zu erweitern. In enger Zusammenarbeit mit Forschungswissenschaftlern und Ingenieuren werden Sie neuartige Ansätze von der ersten Forschung bis hin zu robusten, produktionsbereiten Implementierungen verfolgen, wobei ein starker Fokus auf Skalierbarkeit und Software-Engineering-Standards gelegt wird.

Ein wesentlicher Vorteil ist der Zugang zu einem eigenen Labor, das eine schnelle experimentelle Validierung von Protein-Designs und Forschungshypothesen ermöglicht. Kurze experimentelle Durchlaufzeiten und Hochdurchsatzfähigkeiten ermöglichen es Forschern, Ideen schnell zu testen und wertvolle proprietäre Datensätze zu generieren. Dies schafft eine direkte Rückkopplungsschleife zwischen computergestützter Forschung und experimenteller Biologie, die es Ihnen ermöglicht, die reale Leistung Ihrer Modelle zu bewerten und kontinuierlich zu verbessern.

Anforderungen

Wesentliche technische Erfahrungen:

• PhD in Informatik, Mathematik, Physik, Strukturbiologie, Computational Biology oder einem verwandten Fachgebiet.
• Praktische Erfahrung im Aufbau und Training von Proteinstrukturmodellen, anstatt einfach bestehende Werkzeuge zu verwenden. Relevante Erfahrungen umfassen Struktur- oder Komplexvorhersage, Co-Folding, Backbone-Generierung, inverse Faltung und strukturbedingte Eigenschaftsvorhersage.
• Starkes Wissen über geometrisches Deep Learning für Moleküle, einschließlich äquivarianten Architekturen, frame- oder koordinatenbasierte Repräsentationen und Aufmerksamkeitsmechanismen über 3D-Strukturen.
• Erfahrung mit modernen generativen Modellierungstechniken, wie Diffusionsmodellen, Flow Matching und Masked Language Modeling.
• Starke statistische und angewandte mathematische Fähigkeiten, insbesondere bei der Auswertung von Ergebnissen aus kleinen, verrauschten oder konfundierten Datensätzen.
• Vertrautheit mit PyTorch oder JAX.

Wesentliche persönliche Eigenschaften:

• Selbstständig: Komfortabel beim eigenständigen Bearbeiten abstrakter Forschungsprobleme, Strukturierung Ihrer Arbeit und Lieferung von Ergebnissen ohne ständige Aufsicht.
• Wachstumsorientiert: Motiviert durch herausfordernde technische Probleme, kontinuierliche Entwicklung und Arbeiten in einem sich schnell bewegenden Umfeld.
• Starker Kommunikator: Fähigkeit, effektiv über Disziplinen hinweg zu kommunizieren, insbesondere an der Schnittstelle von Biologie und Softwareengineering.
• Kollaborativ: Ein freundlicher, unterstützender Teamplayer, der zu einer positiven und konstruktiven Arbeitsumgebung beiträgt.

Dies ist eine Gelegenheit, an der Schnittstelle von maschineller Lernforschung, computergestütztem Protein Design und experimenteller Biologie zu arbeiten, neuartige Modelle mit einem direkten Weg zur experimentellen Validierung zu entwickeln. Sie haben die Möglichkeit, die Forschungsrichtung zu gestalten, an technisch herausfordernden Problemen zu arbeiten und dabei zu helfen, modernste Methoden des maschinellen Lernens in praktische Anwendungen des Proteinengineerings zu übersetzen.