О Apheris
В Apheris мы создаем будущее применения ИИ в фармацевтических исследованиях и разработках.
Мы помогаем ведущим фармацевтическим командам быстрее находить и разрабатывать лекарства. Мы управляем крупнейшими в отрасли федеративными сетями данных для ИИ в области разработки лекарств, охватывающими ко-фолдинг, ADMET и пригодность антител к разработке.
В рамках этих сетей модели обучаются на проприетарных отраслевых наборах данных для достижения более высокой производительности и широкой применимости, при этом сохраняя контроль над данными и защищая интеллектуальную собственность. Мы поставляем эти превосходные модели через приложения для разработки лекарств, которые позволяют командам использовать их в масштабе, настраивать их далее и интегрировать в существующие рабочие процессы НИОКР.
- Сеть AI Structural Biology (AISB): Фармацевтические компании сотрудничают в области ко-фолдинга, предсказания силы связывания на основе структуры и дизайна антител.
- Сеть ADMET: Фармацевтические и биотехнологические компании сотрудничают для улучшения предсказания свойств малых молекул и расширения на другие виды лекарственных препаратов.
- Сеть Antibody Developability: Фармацевтические партнеры сотрудничают для федерализации исторических и специально разработанных наборов данных о пригодности антител к разработке для безопасного обучения ML, без передачи данных из окружения каждого партнера.
О роли
Мы ищем старшего ML-инженера, который будет отвечать за конвейеры обучения и оценки, лежащие в основе наших сетей ADMET и токсичности — механизма, который превращает данные партнеров в обученные, проверенные, выпущенные модели, запуск за запуском.
Это практическая инженерная роль на стыке молекулярного ML и федерации. Ваш код будет выполняться внутри окружения партнеров, на данных, которые вы не можете видеть, бок о бок с учеными из крупнейших фармацевтических компаний мира.
Вы будете тесно сотрудничать с научным руководителем по токсичности: он определяет, что мы моделируем и почему, а вы отвечаете за то, как это будет построено, валидировано, оценено и выпущено — настолько надежно, что партнер сможет поставить на результат программу разработки лекарства.
Сеть ADMET запущена и расширяется в область токсичности. Вы будете создавать конвейеры, на которых будет работать это расширение.
Что вы будете делать
- Полностью отвечать за конвейеры моделей. Принимать данные партнера от загрузки до выпущенных, проверенных весов модели — подготовка данных, обучение, оценка, выпуск — для конечных точек ADMET и токсичности.
- Создавать валидацию, которую партнеры запускают вместе с нами. Контракты на схемы и данные, валидаторы, возвращающие действенные ошибки, и отчеты по контролю качества/профилированию, на которые партнер может реагировать, не показывая нам свои необработанные данные.
- Делать федеративные запуски воспроизводимыми и аудируемыми. Версионированные конфигурации, закрепленные снимки данных, происхождение каждой выпущенной модели — чтобы мы могли точно сказать, что произвело данный набор весов.
- Создавать оценку, которая выдерживает проверку. Безопасные от утечек разделения, выделенные эталонные тесты и честная отчетность о производительности, чтобы цифры, которые мы предоставляем партнерам, выдерживали критику.
- Превращать исследования в продукт. Преобразовывать прототипы и исследовательский код в протестированные, модульные системы и чисто передавать их инжинирингу для масштабирования в Foundry.
- Работать на границе. Переводить научные требования в поведение конвейера с командой ученых и рано выявлять риски, связанные с данными или моделированием, для партнеров и внутри компании.
Что мы ожидаем от вас
- 5+ лет опыта создания ML-систем на Python с настоящей дисциплиной разработки ПО: контроль версий, тестируемый модульный код, ревью кода и интерфейсы, которыми могут пользоваться другие люди.
- Практический опыт в молекулярном ML или хемоинформатике — RDKit, отпечатки пальцев и дескрипторы, или графовые/трансформерные модели — применительно к предсказанию свойств, активности или токсичности.
- Вы создавали конвейеры обучения и оценки, которые запускают другие люди, а не одноразовые ноутбуки.
- Вы понимаете, как молекулярный ML может идти не так: утечка данных, дизайн разделения, область применимости, сдвиг наборов данных и чрезмерно оптимистичные эталонные тесты — и вы по умолчанию разрабатываете меры против них.
- Вы можете писать валидаторы и контракты данных, которые выдерживают частичную видимость, когда вы не можете сами проверить данные.
- Уверенное владение PyTorch или эквивалентным современным стеком ML.
- Вы хорошо работаете с учеными: вы можете взять неоднозначное научное требование и превратить его в определенное, тестируемое поведение конвейера.
Желательно
- Федеративное обучение, ML с сохранением конфиденциальности или другие среды многостороннего обучения.
- Опыт работы с ML Ops или ML-инфраструктурой, особенно с рабочими процессами обучения, оценки или развертывания на основе Kubernetes.
- Поставка моделей производственного качества в регулируемых, корпоративных, фармацевтических или биотехнологических средах.
- Знакомство с общедоступными ресурсами данных ADMET, токсичности и биоактивности (ChEMBL, Tox21, ToxCast) и подводными камнями каждого из них.
- Вклад в open-source или послужной список публикаций в области хемоинформатики, молекулярного ML или прикладного машинного обучения.
Что мы вам предлагаем
- Конкурентоспособная заработная плата, включая опционы на акции на ранней стадии.
- Remote-first работа — работайте там, где вам лучше всего.
- Бюджет на благополучие, поддержка психического здоровья, бюджет на домашний офис, стипендия на коворкинг и бюджет на обучение.
- Щедрое количество выходных дней.
- Рабочие дни в нашем берлинском штабе или в другом европейском месте (3 раза в год).
- Высококлассная, ориентированная на результат команда с опытом работы в ведущих организациях.
Логистика
Наша миссия
