Postdoctoral Position in AI-Driven Drug Design

Universität Basel; Basel; Vor Ort; CHF 90.000 - 120.000; Vollzeit

Benefits dieser Stelle

Interdisziplinäres Umfeld

Internationale Kooperationen

Sofort verfügbar

Zusammenfassung

Universität Basel sucht eine/n Postdoktorand/in in der Computational Pharmacy Gruppe, um eine DMTA-Plattform zu entwickeln, die generative KI, physik-informierte Repräsentationen und Off-Target-Vorhersagen verbindet.

Sie arbeiten eng mit internationalen Projektpartnern zusammen, entwickeln ML-Methoden und validieren diese prospektiv an Serinprotease-Inhibitoren, um die Wirkstoffforschung voranzutreiben.

Qualifikationen

• Promotion in Computational Chemistry, Cheminformatics, Informatik, Physik oder verwandtem Fachgebiet.
• Fundierte Kenntnisse im maschinellen Lernen und Deep Learning.
• Starke Programmierkenntnisse, insbesondere in Python.
• Erfahrung in molekularer generativer KI, Cheminformatik oder Protein-Ligand-Modellierung.
• Publikationsnachweis in internationalen Fachzeitschriften erforderlich.
• Gute Englischkenntnisse in Wort und Schrift.
• Motivierte, selbstständige und kooperative Forscherin bzw. Forscher.

Aufgaben

• Entwicklung und Anpassung von ML-Verfahren für strukturbasiertes und generatives molekulares Design.
• Integration physikochemischer Informationen in generative KI-Workflows.
• Entwicklung rechnerischer DMTA-Zyklen inklusive experimentellem Feedback.
• Anwendung der Methoden in prospektiver Wirkstoffforschung und Optimierung von Serinprotease-Inhibitoren.
• Zusammenarbeit mit internationalen Industriepartnern und Projektkonsortien.
• Mitwirkung an Publikationen, Präsentationen und Berichten.

Kenntnisse

ML & DL

Python

Generative KI

Protein-Ligand Modellierung

Cheminformatik

Struktur-basiertes Design

Molekulare Repräsentationen

Physikochemische Prinzipien

Publikationsnachweis

Englischkenntnisse

Ausbildung

Promotion in Computational Chemistry, Cheminformatics, Informatik, Physik

Tools

Python

PyTorch

RDKit

Jobbeschreibung

Künstliche Intelligenz transformiert rasch das molekulare Design und die Wirkstoffforschung. Die Identifikation erfolgreicher Wirkstoffkandidaten erfordert jedoch mehr als nur die Generierung von Molekülen mit hoher vorhergesagter Affinität: Selektivität, physikochemische Eigenschaften, potenzielle Nebenwirkungen, synthetische Zugänglichkeit und experimentelles Feedback müssen gleichzeitig berücksichtigt werden.

Unsere Forschung in der Computational Pharmacy Gruppe der Universität Basel konzentriert sich auf die Entwicklung von KI-Ansätzen der nächsten Generation für das Wirkstoffdesign, indem modernste maschinelle Lernverfahren mit physikochemischem Wissen und molekularem Modellieren kombiniert werden.

Repräsentative Publikationen unserer Gruppe umfassen:
https://doi.org/10.1038/s41467-025-63947-5
https://doi.org/10.1021/acs.jcim.2c01436

https://doi.org/10.1021/acs.jcim.1c01438
https://doi.org/10.1038/s42004-020-0261-x

Ihre Position

In der Computational Pharmacy Gruppe der Universität Basel ist im Rahmen eines internationalen Innosuisse-Forschungsprojekts zur KI-gesteuerten Closed-Loop-Wirkstoffforschung eine voll finanzierte Postdoktorandenstelle zu besetzen.

Ziel des Projekts ist der Aufbau einer integrierten Design-Make-Test-Analyse (DMTA)-Plattform, die generative KI, ultra-grosse synthetisch zugängliche chemische Räume, physik-informierte molekulare Repräsentationen, Off-Target-Vorhersagen und experimentelles Feedback kombiniert. Die entwickelten Methoden werden in iterativen prospektiven Wirkstoffforschungszyklen angewandt, wobei eine Serinprotease aus dem Komplementsystem als realweltliche Leitoptimierungsstudie dient.

Die erfolgreiche Kandidatin bzw. der erfolgreiche Kandidat wird eine zentrale Rolle in den rechnerischen und KI-Komponenten des Projekts übernehmen und eng mit unseren internationalen und industriellen Projektpartnern zusammenarbeiten.

• Entwicklung und Anpassung von maschinellen Lernverfahren für struktur-basiertes und generatives molekulares Design.
• Integration physikochemischer Informationen, einschließlich Protein-Ligand-Interaktionsmerkmale, in generative KI-Workflows.
• Entwicklung rechnerischer Workflows für Closed-Loop-DMTA-Zyklen, in denen experimentelle Affinitäts-, Selektivitäts- und Moleküleigenschaftsdaten kontinuierlich zur Verbesserung der nächsten Molekülgeneration genutzt werden.
• Anwendung und Validierung der entwickelten Ansätze prospektiv im Design und der Optimierung von Serinprotease-Inhibitoren.
• Enge Zusammenarbeit mit Computational Scientists, Chemikern und Biologen innerhalb des internationalen Projektkonsortiums.
• Mitwirkung an wissenschaftlichen Publikationen, Präsentationen und Projektberichten.

Ihr Profil

• Promotion in Computational Chemistry, Cheminformatics, Informatik, Physik oder einem verwandten Fachgebiet.
• Fundierte Kenntnisse im maschinellen Lernen und Deep Learning.
• Starke Programmierkenntnisse, insbesondere in Python.
• Erfahrung in mindestens einem der folgenden Bereiche:
• molekulare generative KI,
• Cheminformatik und molekulare Repräsentationen,
• struktur-basiertes Wirkstoffdesign und Protein-Ligand-Modellierung,
• Erfahrung mit molekularem Modellieren und ein gutes Verständnis der physikochemischen Prinzipien der molekularen Erkennung sind sehr wünschenswert.
• Ein starker Publikationsnachweis in international anerkannten, hochwertigen Fachzeitschriften ist erforderlich, z. B. führende Journale der Computational Chemistry (z. B. JCTC, Journal of Chemical Physics) oder erstklassige maschinelle Lernkonferenzen (z. B. ICLR, ICML, NeurIPS), entsprechend dem Forschungshintergrund der Kandidatin bzw. des Kandidaten.
• Flüssige mündliche und schriftliche Englischkenntnisse.
• Hoch motivierte, selbstständige und kooperative Forscherin bzw. Forscher mit Interesse an der Arbeit an der Schnittstelle zwischen methodischer Entwicklung und prospektiver Wirkstoffforschung.

Wir bieten Ihnen

• Eine Postdoktorandenstelle in einem interdisziplinären Forschungsprojekt an der Schnittstelle von künstlicher Intelligenz und Wirkstoffforschung.
• Die Möglichkeit, neue rechnerische Methoden zu entwickeln und diese direkt in prospektiven Design-Make-Test-Zyklen zu erproben.
• Enge Zusammenarbeit mit experimentellen Wirkstoffforschern sowie industriellen und internationalen Projektpartnern.
• Ein internationales und kooperatives Forschungsumfeld an der Universität Basel.

Die Stelle ist sofort verfügbar.

Weitere Informationen zu unserer Forschung finden Sie unter: https://pharma.unibas.ch/de/research/research-groups/computational-pharmacy-2155/

Universität Basel
4000 Basel