PostEra正在构建一个以AI为中心的生物技术公司。我们使用Proton，这是我们用于药物化学的AI平台，以加速为患者发现新药物。PostEra正在推进一个专注于女性健康和生育的内部管道，并已经使用Proton提名了多个临床候选药物，涉及PMOS和生育领域。PostEra还通过与制药公司的合作推进小分子项目。我们已与Pfizer和Amgen等公司签署了超过10亿美元的AI合作伙伴关系，包括4份多年协议。PostEra还领导了一个用于大流行准备的抗病毒药物发现中心，该中心的资金来源是历史上NIH最大的一项拨款。PostEra的组织结构我们认为在组织中花费时间来导航复杂的等级制度，不如将其投资于追求新技术和科学发现。因此，我们的组织结构是故意简约的。我们提倡一种文化，个人成就通过相应的报酬和内部认可得到庆祝，包括有意义的晋升。最终，我们的共同目标是为患者提供治疗，这需要大量跨学科的合作，因此我们调整了组织结构以服务于这一目标。角色概述在这个角色中，你将发展PostEra的代理研究领域，使用代理系统自动化生物化学和生理过程机制模型的开发，并分析生物数据以进行目标验证。你将与化学家和生物学家密切互动，利用这些模型推动药物发现决策。你还将开发能够快速适应有限标记数据的新药物发现问题的机器学习方法。重点是分子和表格的上下文学习以及基于PostEra专有多模态数据构建基础模型。你将构建有效利用药物发现上下文的模型，确定哪些先前的示例和任务是相关的，量化迁移何时是有帮助或有害的，并在分布转移下提供可靠的预测。你将帮助推动完整的研究环路：定义任务，构建数据集和评估集，开发强基准，训练和扩展模型，执行严格的消融实验，并将成功的方法转化为PostEra科学家使用的能力。 prior drug discovery experience is not required, but you should be motivated to learn the domain and work closely with medicinal chemists, computational chemists, and other scientists. 主要职责- 化学和生物学的代理研究：开发和基准测试代理系统，以自动化开发定量模型以模拟生物和生理过程，以及生物数据的分析。 - 研究方向和执行：独立识别、制定和领导涉及上下文学习、代理系统、少样本适应、表格基础模型和分子机器学习的研究项目。 - 分子上下文学习：设计和训练模型，利用有限的标记上下文和异构历史数据适应新的测试、结局、目标或化学系列。 - 基准测试：严格将新方法与强基准进行比较，策划不同偏见来源影响的测试案例。 - 跨职能合作：与科学家合作，将建模目标和评估指标与药效建模、ADME预测、选择性、先导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，在适当的情况下，扩大模型在大量分子和表格任务中的应用。 - 研究工程：生成可读、可重复的研究代码；维护良好追踪的实验；并通过代码审查、文档和共享建模基础设施进行贡献。 - 科学传播：在顶尖的机器学习、药物化学或计算生物学场所发布结果。你将在科学界担任PostEra的大使。主要要求- 拥有机器学习或涉及开发新型机器学习方法的STEM研究的博士学位 - 具有高质量研究的良好记录，例如发表文章和开源贡献 - 在现代机器学习、深度学习或统计建模方面具有强大的研究或工程经验，并且理解机器学习算法背后的理论 - 至少在一项相关领域展现出专业知识：科学的代理工作流、机器学习方法在生物信息学和临床数据建模中的应用、上下文学习、表格学习、少样本学习 - 在Python中使用PyTorch或JAX等框架进行训练、调试和评估机器学习模型的实践经验 - 有能力独立转化模糊的科学或技术问题