machine learning engineer for drug discovery

HireHi; United States; Remote; USD 107,000 - 129,000; Full time

Job summary

HireHi привлекает специалистов в области машинного обучения для разработки инфраструктуры, которая позволяет проводить совместное обучение на проприетарных фармацевтических данных без перемещения данных из источника. Основной фокус — федеративные сети, ко‑фолдинг и предиктивные модели для ADMET, позволяющие командам обучать на комбинированных наборах, сохраняя контроль над данными и защиту IP.

Задачи включают улучшение моделей для ко‑фолдинга и предсказания связывания, разработку строгих методов

Qualifications

• Практический опыт обучения, донастройки или расширения моделей DL на данных белков или молекул.
• Требуется Python и PyTorch.
• Опыт распределенного обучения на нескольких GPU.
• Знания структурной биологии и форматов белок‑лиганд, качество моделей.
• Сильные навыки оценки, включая тестирование на неизведанных скелетах.
• Докторантура или магистратура в смежной области.

Responsibilities

• Разрабатывать и улучшать ML-модели для ко‑скелирования, предсказания связывания и ADMET.
• Разрабатывать стратегии отбора и оценки, проверять выводы на наборах федеративных партнеров.
• Диагностировать и устранять проблемы качества данных и пайплайна.
• Следить за последними публикациями и применять их в живых проектах.
• Сотрудничать с заказчиками и внешними коллегами для перевода задач в требования к моделям.

Skills

Глубокое обучение на белковых/малых-мя

Distributed training

Средовый анализ моделей

Опыт в Python

PyTorch

Education

PhD или MSc в ML / вычислительной биологии / биоинформатике

Tools

Python

PyTorch

Job description

Описание

The company develops infrastructure for collaborative machine learning across proprietary pharmaceutical datasets without moving data from its source. Its federated networks support co-folding, ADMET prediction, and antibody developability, allowing pharmaceutical teams to train on combined industry datasets while retaining data control and IP protection. Its models are used in live drug discovery pipelines at major pharmaceutical organisations.

Задачи

• Develop and improve ML models for co-folding, binding affinity prediction, and ADMET modelling
• Design rigorous benchmarking and evaluation strategies, define what constitutes sufficient evidence for a drug design claim, and validate it across federated partner datasets
• Diagnose and resolve data quality and pipeline issues affecting model performance across heterogeneous molecular datasets
• Track research literature and identify state-of-the‑art approaches relevant to live projects
• Collaborate with customers, partner-facing engineers, and external scientific collaborators to translate drug design use cases into model requirements

Требования

• Hands‑on experience training, fine‑tuning, or extending deep learning models on protein or small‑molecule data
• Python and PyTorch
• Experience with multi‑GPU and distributed training
• Knowledge of structural biology, protein-ligand data formats, quality metrics, and related tooling
• Strong evaluation skills, including assessing model performance on unseen scaffolds
• PhD or MSc in ML, computational biology, bioinformatics, chemistry, physics, or a closely related field
• Будет плюсом: federated learning, privacy‑preserving ML or secure model training, ML modelling in pharmaceutical or biotech environments, publications at NeurIPS, ICML, ICLR, Nature Methods, or JCIM, open‑source contributions in the field, familiarity with co‑folding models such as AlphaFold Multimer and RFdiffusion, GNNs for molecular graphs, equivariant neural networks

Условия

€95-115K Remote-first; Berlin HQ