Data Scientist, Lab & Protein Data

Adaptyv baut ein automatisiertes Labor auf, das es KI-Agenten ermöglicht, biologische Experimente durchzuführen. Wir betreten die Ära der agentischen Wissenschaft, in der KI-Modelle nun neuartige Proteine entwerfen, Hypothesen vorschlagen und experimentelle Ergebnisse iterieren können. Aber sie können die Experimente nicht selbst durchführen - das ist immer noch ein manueller, monatelanger Prozess. Wir bauen die Infrastruktur, die es KI-Agenten ermöglicht, auf die physische Welt zuzugreifen. Wir sind eines der am schnellsten wachsenden Biotech-Unternehmen, das von führenden Biopharmaunternehmen, fortschrittlichen KI-Labors und Techbio-Unternehmen, die das Feld vorantreiben, vertraut wird. Dies ist eine seltene Gelegenheit, einige der wichtigsten Arbeiten im Biotech-Bereich voranzutreiben.

Unser automatisiertes Labor wird von einem tiefen Software- und Hardware-Stack unterstützt: Laboreinrichtungen im Wert von Millionen USD, die in API-kontrollierbare Hardware umgekehrt wurden, Dutzende von Geräten, die durch komplexe Workflows orchestriert werden, vollständige Beobachtbarkeit von allem, was im Labor passiert, Verarbeitungs-Pipelines für unordentliche Daten aus der physischen Welt und KI-Systeme, die Produktionsresultate überprüfen und die Entwicklung von Assays beschleunigen. Wir wachsen schnell und stellen talentierte Personen ein, um die massive Nachfrage nach KI-gesteuerten Experimenten im Feuchtlabor zu skalieren und zu unterstützen.

Über die Rolle

Sie werden die Datenscience-Schicht von Adaptyvs Foundry aufbauen - die Arbeit, die zehntausende von rohen, unordentlichen experimentellen Ausgaben in saubere, vertrauenswürdige, strukturierte Daten verwandelt, auf die unsere Kunden, unsere Modelle und unsere eigenen Wissenschaftler sich verlassen können. Binding (BLI/SPR), Entwickelbarkeit, biophysikalische und funktionale Assays produzieren alle Daten im großen Maßstab; Ihre Aufgabe ist es, diese Daten korrekt, vergleichbar und nützlich zu machen. Dies liegt an der Schnittstelle von drei Dingen: Datenqualität (ist diese Zahl real oder ein Artefakt?), Bioinformatik (Verknüpfung experimenteller Ergebnisse mit Sequenz, Struktur und Proteindesign) und Datensatzaufbau (Umwandlung der Foundry-Ausgabe in hochwertige, benchmarkfähige Daten, die fortschrittliche KI-Labore tatsächlich wollen). Sie arbeiten Schulter an Schulter mit den Laborscientists, die die Assays durchführen, dem Softwareteam, das die Pipelines besitzt, und den Kunden, die Modelle auf dem trainieren, was wir produzieren. Dies ist eine praktische Aufbau-Rolle, keine Management-Rolle.

Was Sie tun werden

• Besitzen Sie die wissenschaftliche Logik der Datenqualität über die Foundry: Definieren Sie, wie „gute Daten“ für jeden Assay-Typ aussehen - erwartete Signalbereiche, Kontrollschwellen, Fehlermodi, Grenzfälle - und verwandeln Sie dies in automatisierte Prüfungen.
• Bauen Sie Anomalieerkennungs- und QC-Modelle, die schlechte Daten erfassen, die das Auge übersehen würde: Assay-Abdrift, Instrumentenvariabilität, Platteneffekte, falsche Positiv- und Negativwerte - und unterscheiden Sie statistisch zwischen echtem Signal und Rauschen.
• Arbeiten Sie mit den Software- und ML-Teams zusammen, um die automatisierten Datenpipelines zu spezifizieren, zu überprüfen und zu verbessern, die die Instrumentenausgaben verarbeiten, und geben Sie präzise Anforderungen zurück, was markiert, automatisch abgelehnt oder zur menschlichen Überprüfung weitergeleitet werden soll.
• Verknüpfen Sie experimentelle Ergebnisse mit der Proteinseite - Sequenz, Struktur und Design - damit die Daten aus dem Feuchtlabor und die computergestützten Modelle sich gegenseitig verstärken.
• Verwandeln Sie die Foundry-Ausgabe in strukturierte, dokumentierte, benchmarkfähige Datensätze, die ein echtes Asset für unsere Kunden und für das Training und die Bewertung von Proteindesignmodellen darstellen.
• Wenden Sie echte statistische Strenge auf Multibedingungsdaten im großen Maßstab an - Tausende von Proben über Hunderte von gleichzeitigen Experimenten - und machen Sie die Ergebnisse interpretierbar und vergleichbar über verschiedene Durchläufe.

Was wir suchen

• Starker Hintergrund in Datenwissenschaft/Bioinformatik - Sie sind fließend in Python (pandas, numpy, der wissenschaftlichen Stack) und fühlen sich wohl dabei, unordentliche, reale experimentelle Daten von Anfang bis Ende zu besitzen.
• Echtes biologisches Fundament - Sie verstehen Proteine, Assays und Sequenz/Struktur/Funktion gut genug, um zu wissen, was die Daten bedeuten, nicht nur, wie man sie verarbeitet. Sie müssen kein Bench-Wissenschaftler sein, aber Sie dürfen nicht biologisch blind sein.
• Statistische Reife - Prozesskontrolle, Anomalieerkennung, Umgang mit Variabilität und Batch-Effekten; Sie können Drift von Rauschen unterscheiden und die Entscheidung verteidigen.
• Prolific Builder mit den Beweisen, um es zu beweisen. Sie haben viel ausgeliefert - Pipelines, Tools, Modelle, Datensätze - und können auf konkrete Dinge verweisen, die Sie von Anfang bis Ende gebaut und in der Praxis eingesetzt haben, nicht Prototypen, die in einem Notizbuch gestorben sind.
• Sie bewegen sich schnell, systematisieren, was funktioniert, und haben keine Geduld für die Betreuung eines festen Dashboards.
• AI-native Builder. Es ist 2026 - Sie bauen standardmäßig mit Codierungsagenten wie Claude Code und haben ein scharfes Urteilsvermögen darüber, was sie produzieren.
• Interdisziplinär aus Instinkt. Sie sind motiviert, über die Laborbank, Software und ML hinweg zu arbeiten, und betrachten Automatisierung und Dateninfrastruktur als Teil Ihrer Arbeit.
• Bonus: Erfahrung mit Protein-/Sequenzstruktur-Daten (Bioinformatik-Tools, strukturelle Daten), ML auf experimentellen Daten oder dem Aufbau von Datensätzen für das Training und die Benchmarking von Modellen.

Details

• Standort: Lausanne, Schweiz (vor Ort)
• Typ: Vollzeit
• Startdatum: ASAP
• Bewerbungsfrist: Wir prüfen Bewerbungen fortlaufend.