Technical Lead - Structural Biology Networks

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 zur 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 zu erweitern.

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 technischen Leiter, der die Lieferung unserer KI-Modelle im Bereich strukturelle Biologie verantwortet. Dies ist eine praktische Führungsrolle an der Schnittstelle von Fundamentalmustern, struktureller Biologie und föderiertem Lernen. Sie werden ehrgeizige wissenschaftliche Ziele in zuverlässige Modellsysteme umsetzen, die bewertet, veröffentlicht und in realen Arbeitsabläufen zur Arzneimittelentdeckung verwendet werden können. Sie setzen technische Richtungen, treiben die Ausführung voran, hinterfragen Modellierungsentscheidungen und verwandeln Unklarheiten in umsetzbare Pläne, während Sie Risiken und Abhängigkeiten managen, erfahrene Ingenieure und ML-Wissenschaftler betreuen und bei Bedarf in technische Details eintauchen.

Was Sie tun werden

• Leiten Sie die Teams, die föderierte Co-Folding-Modelle aufbauen und liefern, und bleiben Sie dabei praktisch in den Bereichen Modellierung, Architektur, Bewertung und technische Ausführung tätig.
• Bauen und implementieren Sie ML-Anwendungen in der strukturellen Biologie, insbesondere im Hinblick auf Feinabstimmung und Erweiterung grundlegender Modelle wie OpenFold, Boltz-2 und ESMFold.
• Verantworten Sie die Lieferung dieser Modelle gemäß festgelegten Meilensteinen und stellen Sie sicher, dass qualitativ hochwertige Modellveröffentlichungen pünktlich versendet werden.
• Übersetzen Sie mehrdeutige wissenschaftliche und technische Ziele in klare Pläne, Prioritäten, Arbeitsströme und Entscheidungen.
• Leiten Sie Bewertungsentscheidungen und bauen Sie darauf auf, um Ergebnis-Pakete an externe Stakeholder zu liefern.
• Identifizieren Sie frühzeitig Risiken, Blockaden, Fehler, Zeitplanänderungen und technische Kompromisse mit klaren Empfehlungen.
• Stimmen Sie die Konsortialmitglieder auf Ziele, Bewertungskriterien, Datenanforderungen, Zeitpläne und Erwartungen an die Lieferung ab.
• Arbeiten Sie mit Produkt-, Ingenieur-, Forschungs- und Führungsteams zusammen, um sicherzustellen, dass die Anwendungsanforderungen den Modellfahrplan prägen.

Was wir von Ihnen erwarten

Sie sollten sich bewerben, wenn:

• Sie einen PhD, MSc oder gleichwertige Erfahrung in einem relevanten Bereich haben, plus 5+ Jahre Erfahrung in der Anwendung von ML auf komplexe wissenschaftliche oder biologische Probleme, idealerweise in der strukturellen Biologie, Proteinmodellierung, Co-Folding oder Bindungsvorhersage.
• Sie praktische Erfahrung mit modernen ML-Systemen in Python und PyTorch haben und mit oder an großangelegten Modellen wie OpenFold, AlphaFold, Boltz, ESM oder ähnlichem gearbeitet haben.
• Sie Erfahrung mit MLOps oder ML-Infrastruktur haben, insbesondere mit Kubernetes-basierten Trainings-, Bewertungs- oder Bereitstellungs-Workflows.
• Sie Erfolgskriterien definieren, die Modellqualität validieren und sicherstellen können, dass ML-Veröffentlichungen robust genug für den Einsatz in der realen Welt sind.
• Sie die Lieferung komplexer ML-Projekte geleitet haben, einschließlich der Festlegung technischer Richtungen, des Managements von Risiken und Abhängigkeiten sowie der Steuerung von Teams zu hochwertigen Veröffentlichungen.
• Sie sich wohlfühlen, als Spieler-Coach zu agieren: Ingenieure und ML-Wissenschaftler zu betreuen, während Sie direkt zur Modellierung, Experimentierung oder Architektur beitragen, wenn dies erforderlich ist.
• Sie effektiv mit Produkt-, Forschungs-, Führungs-, Kunden- und wissenschaftlichen Stakeholdern zusammenarbeiten können, um mehrdeutige Anforderungen in klare technische Pläne umzuwandeln.

Bonuspunkte, wenn:

• Sie Erfahrung mit föderiertem Lernen, datenschutzfreundlichem ML, verteiltem Training oder anderen Multi-Party-Trainingsumgebungen haben.
• Sie Erfahrung mit Go oder anderen Systemprogrammiersprachen haben.
• Sie an der Lieferung produktionsreifer Modelle in regulierten, unternehmerischen, pharmazeutischen, biotechnologischen oder anderen hochvertrauenswürdigen Umgebungen gearbeitet haben.
• Sie eine Veröffentlichungshistorie in erstklassigen ML-, computergestützten Biologie- oder strukturellen Biologie-Veranstaltungen wie NeurIPS, ICML, ICLR, ISMB, RECOMB oder ähnlichem haben.

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.
• 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 (3× pro Jahr).
• Ein hochqualifiziertes, leistungsorientiertes Team mit Erfahrung aus führenden Organisationen.