Remote Federated ML Engineer – Drug Discovery

HireHi; United States; Remote; USD 107.000 - 129.000; Vollzeit

Zusammenfassung

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

Qualifikationen

• 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.

Aufgaben

• 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.

Kenntnisse

Глубокое обучение на белковых/малых-мя

Distributed training

Средовый анализ моделей

Опыт в Python

PyTorch

Ausbildung

PhD или MSc в ML / вычислительной биологии / биоинформатике

Tools

Python

PyTorch

Jobbeschreibung

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