Machine Learning Data Scientist in München

Bei Differential Bio ist es unsere Mission, das Potenzial der Bioökonomie zu erschließen, indem wir die Art und Weise verbessern, wie biologische F&E und Skalierung durchgeführt werden. Wir suchen einen Machine Learning Data Scientist, der unserem wachsenden, innovativen Modellierungsteam beitritt. Sie werden neuartige maschinelle Lernalgorithmen und mechanistische Modelle von Bioprozesssystemen entwickeln und diese von der Forschung bis zur produktionsreifen kommerziellen Nutzung vorantreiben.

Diese Rolle konzentriert sich auf die Forschung, einschließlich der Erstellung hybrider Modelle, die mechanistische und maschinelle Lernansätze kombinieren, um vorherzusagen, wie mikrobiologische Fermentationen ablaufen, und die weiterhin funktionieren, wenn wir zu einem neuen Organismus, einem neuen Sensor oder einem größeren Reaktor wechseln. Sie werden eine entscheidende Rolle bei zwei bestehenden Förderprojekten spielen und mit führenden akademischen Gruppen und Industriepartnern an Pilot- und Produktionsdaten arbeiten. Darüber hinaus werden Sie neue Forschungsprojekte entwickeln und diese bis zur Umsetzung und Anwendung in Kundenprojekten vorantreiben.

Wir interessieren uns für Forscher, die möchten, dass ihre Arbeit in echten Bioreaktoren endet, und die begeistert sind, in einem frühen Startup-Umfeld zu arbeiten. Sie sollten sich wohlfühlen, schwierige, offene Probleme zu übernehmen, bei denen noch niemand die Antwort hat, evidenzbasierte Entscheidungen unter Unsicherheit zu treffen und echte Lösungen zu liefern.

Wie Sie arbeiten

• Sie werden mit technischen Leitern und externen akademischen/industriellen Partnern zusammenarbeiten, um Forschung zu entwerfen und durchzuführen, die unseren Verpflichtungen in Konsortien entspricht und unsere eigene Plattform stärkt.
• Sie werden Ihre Forschungsprojekte von der Planung bis zur Lieferung eigenverantwortlich leiten, mit Unterstützung von unserem Modellierungsleiter, aber mit Autonomie und Unabhängigkeit.
• Sie werden eng mit unseren Teams im Wet Lab, Dry Lab und Software zusammenarbeiten und identifizieren, welche Daten Sie aus unserem Robotiklabor generieren müssen.
• Sie können remote arbeiten, vorausgesetzt, Sie befinden sich innerhalb von ±2 Stunden der Mitteleuropäischen Zeit (MEZ), mit gelegentlichen Reisen.

Hauptverantwortlichkeiten

• Hybrides Bioprozessmodellierung: Entwicklung hybrider mechanistischer/ML-Zellreaktionsmodelle, die Fermentationsergebnisse (Wachstum, Titer, Ausbeute, Produktivität) aus Prozess- und Sensordaten vorhersagen.
• Übertragung zwischen Organismen und Skalen: Entwurf von Modellen, die vom Labor- zum Pilot- und Produktionsmaßstab übertragbar sind und verschiedene Mikroben, einschließlich Bakterien und Hefen, abdecken.
• Echtzeit-Modellprädiktive Steuerung: Aufbau der KI/ML-Schicht für nichtlineare modellprädiktive Steuerung (NMPC) und verstärkungslernenbasierte Fütterungsstrategien zur dynamischen Optimierung von Titer, Rate und Ausbeute.

Qualifikationen

• PhD in Maschinenlernen, Bioengineering, computergestützter Biologie oder einem verwandten Bereich oder Master-Abschluss mit mehr als 3 Jahren relevanter Branchenerfahrung.
• Starke Forschungsunabhängigkeit; Fähigkeit, neuartige wissenschaftliche Arbeiten von Anfang bis Ende zu planen und durchzuführen.
• Nachweisbare Forschungsbeiträge, einschließlich (aber nicht beschränkt auf): peer-reviewed Zeitschriften- oder Konferenzartikel, Konferenzteilnahmen, Open-Source-Beiträge.
• Starke Python- und moderne ML-Tools (z.B. PyTorch/JAX, scikit-learn).
• Praktische Erfahrung beim Aufbau von Modellen dynamischer Systeme oder Zeitreihendaten, idealerweise unter Kombination mechanistischer und datengestützter Ansätze.

Nice-to-have:

• Erfahrung mit Bioprozess- oder Fermentationsdaten, idealerweise aus Bioreaktoren in mehr als einer Skala.
• Erfahrung mit Raman, NIR oder anderen spektroskopischen Daten und Chemometrie (z.B. PLS).
• Hintergrund in modellprädiktiver Steuerung, verstärkendem Lernen oder optimaler Steuerung.
• Erfahrung mit Transferlernen, Domänenanpassung oder Repräsentationslernen auf biologischen Daten.
• Vertrautheit mit genomweiten Stoffwechselmodellen oder kinetischer Modellierung.

Vorteile:

• Wettbewerbsfähige Vergütung durch Gehalt + Aktienoptionen; wir möchten ein kleines, aber leistungsstarkes Team aufbauen und denken über die Vergütung in diesem Sinne nach.
• Aufbau Ihres Forschungsprofils: Arbeiten Sie an offenen Problemen mit führenden europäischen akademischen und industriellen Partnern, mit der Absicht, Ihre Arbeit zu präsentieren und zu veröffentlichen.
• Ein schönes Büro im Herzen von München oder die Möglichkeit zur Remote-Arbeit mit gelegentlichen Reisen.
• eGym WellPass-Mitgliedschaft.