Senior ML Engineer – ADMET & Toxicity Networks in Berlin

Über Apheris

Bei Apheris bauen wir die Zukunft, wie KI in der pharmazeutischen F&E angewendet wird. Wir ermöglichen führenden Pharma-Teams, Medikamente schneller zu entdecken und zu entwickeln. Wir hosten die größten föderierten Datennetzwerke der Branche für KI in der Arzneimittelentdeckung, die Co-Folding, ADMET und Antikörper-Entwicklungsfähigkeit umfassen. In diesen Netzwerken werden Modelle auf proprietären Branchendatensätzen trainiert, um eine höhere Leistung und breitere Anwendbarkeit zu erreichen, während die Datenkontrolle und das geistige Eigentum geschützt bleiben. Wir liefern diese überlegenen Modelle durch Anwendungen zur Arzneimittelentdeckung, die es Teams ermöglichen, sie in großem Maßstab auszuführen, weiter anzupassen und in bestehende F&E-Workflows zu integrieren.

AI Structural Biology (AISB) Netzwerk: Pharmaunternehmen arbeiten im Bereich Co-Folding, strukturbasierte Bindungsaffinitätsvorhersagen und Antikörperdesign zusammen.

ADMET Netzwerk: Pharma- und Biotech-Unternehmen arbeiten zusammen, um die Vorhersage von Eigenschaften kleiner Moleküle zu verbessern und auf weitere Arzneimittelmodalitäten auszudehnen.

Antikörper-Entwicklungsfähigkeitsnetzwerk: Pharma-Partner arbeiten zusammen, um historische und speziell entwickelte Datensätze zur Antikörper-Entwicklungsfähigkeit für sicheres ML-Training zu föderieren, ohne dass Daten die Umgebung jedes Partners verlassen.

Über die Rolle

Wir suchen einen Senior ML Engineer, der die Trainings- und Evaluierungs-Pipelines hinter unseren ADMET- und Toxizitätsnetzwerken verantwortet - die Maschinen, die Partnerdaten in trainierte, benchmarked, veröffentlichte Modelle umwandeln, Lauf für Lauf. Dies ist eine praktische Ingenieursrolle an der Schnittstelle zwischen molekularer ML und Föderation. Ihr Code läuft in den Umgebungen der Partner, mit Daten, die Sie nicht sehen können, neben Wissenschaftlern in einigen der größten Pharmaunternehmen der Welt.

Sie arbeiten eng mit dem wissenschaftlichen Leiter für Toxizität zusammen: Er ist verantwortlich dafür, was wir modellieren und warum, Sie sind verantwortlich dafür, wie es gebaut, validiert, bewertet und zuverlässig ausgeliefert wird, sodass ein Partner ein Arzneimittelprogramm auf das Ergebnis setzen kann. Das ADMET-Netzwerk ist aktiv und erweitert sich in den Bereich Toxizität. Sie werden die Pipelines aufbauen, auf denen diese Expansion basiert.

Was Sie tun werden

• Besitzen Sie die Modellpipelines von Anfang bis Ende. Nehmen Sie Partnerdaten von der Landung bis zu veröffentlichten, benchmarked Modellgewichten - Datenvorbereitung, Training, Bewertung, Veröffentlichung - für ADMET- und Toxizitätsendpunkte.
• Erstellen Sie die Validierung, die Partner parallel zu uns durchführen. Schemata und Datenverträge, Validatoren, die umsetzbare Fehler zurückgeben, und QC-/Profiling-Berichte, die ein Partner ohne unsere Sicht auf ihre Rohdaten nutzen kann.
• Mach federierte Läufe reproduzierbar und prüfbar. Versionierte Konfigurationen, festgelegte Datenschnappschüsse, Herkunft für jedes veröffentlichte Modell - damit wir genau sagen können, was einen bestimmten Satz von Gewichten produziert hat.
• Erstellen Sie Bewertungen, die einer Prüfung standhalten. Leakage-sichere Aufteilung, zurückgehaltene Benchmarks und ehrliche Leistungsberichte, sodass die Zahlen, die wir den Partnern vorlegen, Bestand haben.
• Härten Sie Forschung in Produkte um. Wandeln Sie Prototypen und Forschungs-Code in getestete, modulare Systeme um und übergeben Sie sie sauber an die Technik zur Skalierung in Foundry.
• Arbeiten Sie über die Grenze hinweg. Übersetzen Sie wissenschaftliche Anforderungen in Pipeline-Verhalten mit dem Wissenschaftsteam und heben Sie Daten- oder Modellierungsrisiken frühzeitig für Partner und intern hervor.

Was wir von Ihnen erwarten

• 5+ Jahre Erfahrung im Aufbau von ML-Systemen in Python, mit echtem Software-Engineering-Disziplin: Versionskontrolle, getesteter modularer Code, Code-Überprüfung und Schnittstellen, die andere verwenden können.
• Praktische Erfahrung in molekularer ML oder Chemoinformatik - RDKit, Fingerabdrücke und Deskriptoren oder Graph-/Transformator-Modelle - angewendet auf Eigenschafts-, Aktivitäts- oder Toxizitätsvorhersage.
• Sie haben Trainings- und Evaluierungs-Pipelines erstellt, die andere ausführen, nicht einmalige Notebooks.
• Sie verstehen, wie molekulare ML schiefgehen kann: Datenleck, Split-Design, Anwendbarkeitsbereich, Datensatzverschiebung und überoptimistische Benchmarks - und Sie entwerfen standardmäßig gegen diese.
• Sie können Validatoren und Datenverträge schreiben, die unter teilweiser Sichtbarkeit standhalten, wo Sie die Daten selbst nicht inspizieren können.
• Komfortabel mit PyTorch oder einem gleichwertigen modernen ML-Stack.
• Sie arbeiten gut mit Wissenschaftlern zusammen: Sie können eine mehrdeutige wissenschaftliche Anforderung nehmen und in definiertes, testbares Pipeline-Verhalten umsetzen.

Schön zu haben

• Föderiertes Lernen, datenschutzfreundliche ML oder andere Multi-Party-Trainingsumgebungen.
• ML Ops oder ML-Infrastruktur-Erfahrung, insbesondere Kubernetes-basierte Trainings-, Bewertungs- oder Bereitstellungs-Workflows.
• Produktionsgerechte Modellauslieferung in regulierten, unternehmerischen, pharmazeutischen oder biotechnologischen Umgebungen.
• Vertrautheit mit öffentlichen ADMET-, Toxizitäts- und Bioaktivitätsdatenressourcen (ChEMBL, Tox21, ToxCast) und den Herausforderungen in jedem.
• Open-Source-Beiträge oder eine Publikationshistorie in Chemoinformatik, molekularer ML oder angewandtem maschinellen Lernen.

Was wir Ihnen bieten

• Branchenübliche Vergütung, einschließlich virtueller Aktienoptionen in der Frühphase.
• Remote-first-Arbeit - arbeiten Sie dort, wo Sie am besten arbeiten.
• Wohlfühlbudget, Unterstützung für psychische Gesundheit, Budget für das Arbeiten von zu Hause, Co-Working-Stipendium und Lernbudget.
• Großzügiger Urlaubsanspruch.
• Bürotage in unserem Berliner Hauptsitz oder an einem anderen europäischen Standort (3x pro Jahr).
• Ein hochqualifiziertes, umsetzungsorientiertes Team mit Erfahrung aus führenden Organisationen.