(Senior) ML Researcher – Molecular Privacy

Über Apheris

Apheris betreibt föderierte Datennetzwerke in den Lebenswissenschaften und adressiert die kritische Herausforderung, auf proprietäre Daten zuzugreifen, die aufgrund von IP- und Datenschutzbedenken in Silos eingeschlossen sind. Öffentlich verfügbare Datensätze sind unzureichend, um qualitativ hochwertige ML-Modelle zu trainieren, die den Anforderungen der Branche entsprechen. Unser Produkt ermöglicht es Organisationen im Bereich Lebenswissenschaften, gemeinsam qualitativ hochwertigere Modelle auf komplementären Daten mehrerer Parteien zu trainieren. Wir konzentrieren uns nun auf zwei Schlüsselbereiche: strukturelle Biologie und ADMET.

Was wir von Ihnen erwarten

• Bis Monat 3: Entwickeln Sie ein funktionierendes Verständnis für das Produkt von Apheris, das föderierte Trainingssetup und wichtige Modellierungsanwendungsfälle in den Lebenswissenschaften. Reproduzieren und erweitern Sie mindestens eine bestehende Modellierungspipeline, um eine Basislinie für die Bewertung von Datenschutz und Angriffsflächen zu etablieren. Tragen Sie zur Datenschutzanalyse für eines oder mehrere aktive Programme zur föderierten Arzneimittelentdeckung bei, während sie von der Einrichtung in den Live-Betrieb übergehen.
• Bis Monat 6: Entwerfen und führen Sie praktische Datenschutzexperimente in aktiven föderierten Modellierungsabläufen durch (z.B. Co-Folding, Binding, Screening, ADMET), mit Fokus auf realistische Leckage- und Angriffsszenarien. Generieren Sie quantitative und qualitative Beweise und fassen Sie diese in klaren Berichten und Präsentationen für externe und interne Stakeholder zusammen. Agieren Sie als technisch glaubwürdiger Datenschutzpartner in aktiven Programmdiskussionen über wissenschaftliche, technische und Governance-Publikationen.
• Bis Monat 12: Übernehmen Sie die Verantwortung für die Bewertung von Datenschutzrisiken und die Generierung von Beweisen in mehreren Fällen von föderierten Netzwerken zur Arzneimittelentdeckung, während sich die Programme skalieren und weiterentwickeln. Identifizieren und bewerten Sie Datenschutzrisiken, die nur unter realen Betriebsbedingungen auftreten, und schlagen Sie fundierte Minderungsstrategien vor. Gestalten Sie organisatorische Standards für Datenschutzexperimente, -interpretation und -kommunikation in langfristigen Netzwerken zur Arzneimittelentdeckung.

Sie sollten sich bewerben, wenn

• Sie über umfassende praktische Erfahrung im Aufbau und der Modifikation von Machine-Learning-Modellen in der Arzneimittelentdeckung verfügen, insbesondere in der struktur-basierten Modellierung und Co-Folding, mit Kenntnissen in angrenzenden Bereichen wie ADMET.
• Sie praktische Erfahrungen mit Datenschutz für maschinelles Lernen und/oder föderiertes Lernen haben, einschließlich der Auseinandersetzung mit Datenschutzrisiken, Modellverhalten und Governance in verteilten oder Multi-Party-Umgebungen.
• Sie in der Lage sind, empirische Datenschutzexperimente zu entwerfen und aus quantitativen und qualitativen Beweisen schlüssige Schlussfolgerungen zu ziehen.
• Sie komplexe technische Risiken klar und glaubwürdig an hochrangige wissenschaftliche, technische und Führungskräfte kommunizieren können.
• Sie bereit sind, mehrdeutige, bereichsübergreifende Probleme von Anfang bis Ende zu übernehmen und sowohl die Richtung festzulegen als auch auszuführen.

Was wir Ihnen bieten

• Wettbewerbsfähige Vergütung in der Branche, einschließlich virtueller Aktienoptionen in der Frühphase.
• Remote-first-Arbeit – arbeiten Sie dort, wo Sie am besten arbeiten, sei es von zu Hause oder einem nahegelegenen Coworking-Space.
• Eine großartige Palette von Vorteilen, einschließlich eines Wohlfühlbudgets, psychischer Gesundheitsleistungen, eines Budgets für die Arbeit von zu Hause aus, eines Coworking-Stipendiums und eines Budgets für Lernen und Entwicklung.
• Regelmäßige Team-Mittagessen und soziale Veranstaltungen.
• Großzügiger Urlaubsanspruch.
• Vierteljährliches All-Hands-Meeting in unserem Berliner Hauptsitz oder an einem anderen europäischen Standort.
• Ein lustiges, diverses Team von mission-driven Individuen mit dem Antrieb, KI und ML zum Guten zu nutzen.
• Viel Raum für persönliches und berufliches Wachstum und die Möglichkeit, Ihre eigene Rolle zu gestalten.

Über die Rolle

Bei Apheris betreiben wir föderierte Datennetzwerke in den Lebenswissenschaften, um das Datenengpassproblem beim Training hochleistungsfähiger Machine-Learning-Modelle zu lösen. Öffentlich verfügbare molekulare Datensätze sind unzureichend, um Modelle zu trainieren, die den tatsächlichen Anforderungen der Branche entsprechen. Unser Produkt ermöglicht es Biopharma-Organisationen, qualitativ hochwertigere Modelle auf ihren kombinierten Daten zu trainieren, während sichergestellt wird, dass Datenbesitz, IP und Governance bei den ursprünglichen Verwahrern bleiben. Unsere föderierte Computerinfrastruktur ist so konzipiert, dass Datenschutz und Kontrolle als erstklassige Anliegen behandelt werden. Während wir uns auf strukturelle Biologie und ADMET als Kernbereiche unserer Arzneimittelentdeckungsarbeit konzentrieren, suchen wir einen datenschutzorientierten Senior ML Engineer, der die technische Verantwortung für die Bewertung und Minderung von Datenschutzrisiken innerhalb unserer föderierten Modellierungsinitiativen übernimmt. Dies ist eine praktische, wirkungsvolle Rolle, die sich darauf konzentriert, zu verstehen, wie reale Modelle zur Arzneimittelentdeckung in der Praxis funktionieren, wo Datenschutzrisiken entstehen und empirische Beweise zu generieren, um diese Risiken zu bewerten und zu mindern.

Sie werden innerhalb unseres AI Applications Engineering-Teams arbeiten und als technische Autorität für Datenschutz im maschinellen Lernen in der Arzneimittelentdeckung fungieren. Ein wichtiger Teil der Rolle besteht darin, die Nutzung von Modellen in der realen Welt mit konkreten Bedrohungsmodellen und experimentellen Designs zu verknüpfen und die daraus resultierenden Beweise und Schlussfolgerungen klar an externe Partner, Konsortialstakeholder und interne Führungskräfte zu kommunizieren.

Sie sollten über umfangreiche praktische Erfahrung mit Machine-Learning-Modellen in der Arzneimittelentdeckung verfügen – insbesondere in der struktur-basierten und Protein-Ligand-Modellierung, mit Kenntnissen in angrenzenden Bereichen wie ADMET. Sie sollten sich wohlfühlen, direkt mit Modellierungspipelines, Unsicherheitsabschätzungen und Modellausgaben zu arbeiten, um über Datenschutzrisiken nachzudenken, anstatt Datenschutz als theoretisches oder politikgetriebenes Anliegen zu behandeln.

Wenn Sie Teil eines mission-driven Teams sein möchten, das föderierte KI-Systeme für die Lebenswissenschaften aufbaut, und Sie motiviert sind, komplexes Modellverhalten in klare, schlüssige Datenschutzschlüsse für hochriskante Kooperationen umzuwandeln, dann ist diese Rolle genau das Richtige für Sie.

Schön zu haben

• Sie haben bedeutende technische Arbeiten im Bereich maschinelles Lernen oder computergestützte Biologie veröffentlicht oder geleitet, mit Beiträgen in Foren wie NeurIPS, ICML, ICLR, Nature Methods, Bioinformatics oder gleichwertigen Forschungsoutputs der Industrie.
• Sie haben in Industrie-Konsortien oder Multi-Organisations-Kooperationen gearbeitet und verstehen die technischen, politischen und Governance-Dynamiken, die sie auferlegen.
• Sie haben dazu beigetragen, Datenschutz- oder Risikopositionen in kunden-, partner- oder regulatorischen Kontexten zu definieren, zu verteidigen oder zu standardisieren.
• Sie haben als technische Autorität agiert und Standards, Rahmenbedingungen oder langfristige Richtungen geprägt, anstatt ausschließlich gegen ein vordefiniertes Briefing zu arbeiten.

Logistik

Unser Interviewprozess ist in drei Phasen unterteilt:

• Erste Sichtung: Wenn Ihre Bewerbung unseren Anforderungen entspricht, laden wir Sie zu einem ersten Videoanruf ein, um die Passung zu erkunden. In diesem 30-minütigen Interview lernen Sie uns und die Rolle kennen. Der Interviewer wird an Ihren relevanten Erfahrungen und Fähigkeiten interessiert sein sowie alle Fragen zum Unternehmen und zur Rolle beantworten, die Sie möglicherweise haben.
• Take-home-Übung: Sie werden gebeten, eine kurze, offline Programmierbewertung durchzuführen und eine Fallstudie vorzubereiten, die in der nächsten Phase präsentiert werden soll.
• Präsentation & Deep Dive: In dieser Phase bitten wir Sie, eine kurze Präsentation zu Ihrem Fallstudienthema zu halten. Fachexperten aus unserem Team werden Ihre Fähigkeiten und Kenntnisse, die für die Rolle erforderlich sind, bewerten, indem sie Sie nach bedeutenden Erfahrungen oder Ihren Lösungen für spezifische Szenarien im Einklang mit der Rolle, die wir besetzen, fragen.
• Abschlussinterview: Schließlich laden wir Sie ein, unsere Gründer zu treffen, über unsere Kultur zu sprechen und zukünftige Kollegen vor Ort kennenzulernen.

Über Sie

Unsere Missionserklärung

Was Sie tun werden

• Praktische Datenschutzrisikexperimente an realen Modellen zur Arzneimittelentdeckung entwerfen und durchführen, theoretische Bedrohungen mit realistischen Angriffsflächen verknüpfen.
• Praktisch mit molekularen und strukturellen ML-Pipelines (z.B. Protein-Ligand-Modelle, Co-Folding-Architekturen, ADMET / QSAR-Daten) arbeiten, um zu identifizieren, wie Modellierungsentscheidungen, Darstellungen und Unsicherheitsuntersuchungen sensible Signale offenlegen können.
• Experimentelle Werkzeuge für die Datenschutzanalyse aufbauen und anpassen, einschließlich Unsicherheitsproben, generativen Rekonstruktionstests und Verteilungsl Leakage-Experimenten.
• Technisch glaubwürdige Datenschutzbeweise durch praktische Modellierung und Experimente generieren und diese Beweise in klare, informative Berichte und Präsentationen für Konsortiums- und Kundenentscheidungsträger umwandeln.
• Empirische Ergebnisse in klare, technisch glaubwürdige Datenschutznarrative für Kunden, interne Stakeholder und Partnerorganisationen übersetzen.
• Eng mit ML-Ingenieuren, wissenschaftlichen Teams und anderen Datenschutzstakeholdern zusammenarbeiten, um Minderungsstrategien zu entwerfen, die auf dem tatsächlichen Modellverhalten und den Implementierungsbeschränkungen basieren.