Bioinformatics PhD - Genomics Specialist

Wir bauen einen großangelegten Benchmark auf, um zu testen, wie gut fortschrittliche KI-Systeme schwierige wissenschaftliche und ingenieurtechnische Probleme lösen können. Als Aufgabendesigner werden Sie herausfordernde rechnerische Probleme erstellen, die überprüfen, ob KI in der Lage ist, echte wissenschaftliche Software für Forschungsarbeiten zu nutzen – Simulationen durchzuführen, Ergebnisse zu interpretieren, Experimente zu entwerfen und verborgene Informationen aus Daten zu entdecken.

Dies ist kein typischer Datenkennzeichnungsjob. Sie werden originale, auf Graduierte zugeschnittene Probleme basierend auf realen wissenschaftlichen Arbeitsabläufen entwerfen, diese gegen modernste KI-Modelle testen und sie so lange verfeinern, bis der Schwierigkeitsgrad genau stimmt.

Was Sie tun werden

• Sie erstellen Probleme, die den geschickten Einsatz spezialisierter wissenschaftlicher Software erfordern.
• Einige werden die KI auffordern, genaue Antworten aus einem vollständig definierten Setup zu berechnen – dabei wird getestet, ob sie komplexe, mehrstufige Arbeitsabläufe korrekt durchführen kann.
• Andere werden schwieriger sein: Die KI muss eine Reihe von Abfragen oder Experimenten planen, um Informationen zu entdecken, die nicht direkt sichtbar sind, was strategisches Denken darüber erfordert, was gemessen werden soll, wie man teilweise Ergebnisse liest und wie man die Möglichkeiten effizient eingrenzt.
• Jedes Problem durchläuft eine Testschleife gegen modernste KI-Modelle, und Sie werden es verfeinern, bis es den Zielschwierigkeitsgrad erreicht.

Bereiche & Werkzeuge, für die wir einstellen

Wir sind besonders an Experten mit tiefgehender, praktischer Erfahrung in Bioinformatik und Einzelzell-Genomik interessiert – Arbeiten mit Werkzeugen wie scanpy, scvelo, squidpy und gudhi für die Analyse von Einzelzell-RNA-seq, Trajektorieninferenz, räumliche Transkriptomik und topologische Datenanalyse. Sie sollten in der Lage sein, Probleme rund um Zelltypannotation, Pseudotime-Ordnung, multi-omische Integration, Identifizierung räumlicher variabler Gene und persistenzbasierte Analyse-Pipelines zu entwerfen. Dies ist unser Bereich mit der höchsten Durchsatzrate und wo wir zuerst skalieren.

Erfahrungen mit anderer spezialisierter Software in diesem Bereich werden ebenfalls berücksichtigt.

Was einen starken Kandidaten ausmacht

• Sie haben eine Ausbildung auf Graduiertenebene (MS oder PhD bevorzugt) im oben genannten Bereich, mit echter praktischer Erfahrung in der Nutzung dieser Werkzeuge – nicht nur theoretisches Wissen.
• Sie haben Code mit diesen Bibliotheken geschrieben, um tatsächliche Forschungsprobleme zu lösen, und verstehen, wo sie versagen, was ihre Randfälle sind und was ein Problem wirklich schwierig macht, anstatt nur kompliziert.
• Über die Fachkenntnisse hinaus denken die besten Kandidaten wie Puzzle-Designer: Sie bauen Probleme, bei denen die Herausforderung aus klugem Denken und nicht aus reiner Berechnung resultiert, wo mehrere Ansätze plausibel erscheinen, aber nur sorgfältige Analyse die richtige Lösung offenbart, und wo oberflächliches Mustererkennen nicht zur Antwort führt.

Anforderungen

• Ausbildung auf Graduiertenebene in einem relevanten MINT-Feld (MS, PhD oder gleichwertige Forschungserfahrung)
• Nachgewiesene Kenntnisse in mindestens einer der aufgeführten wissenschaftlichen Softwarebibliotheken, belegt durch Forschungsarbeiten, Open-Source-Beiträge oder berufliche Tätigkeiten
• Starke Python-Kenntnisse – Sie werden Problemstellungen, Oracle-Funktionen und Lösungsvalidierer schreiben
• Fähigkeit, unabhängig zu arbeiten und Problemdesigns basierend auf Feedback zu verfeinern
• Komfortable Arbeit in einer Linux-/Terminalumgebung mit Remote-Compute-Sandboxen
• Verfügbarkeit für mindestens 15–20 Stunden pro Woche

Schön zu haben

• Erfahrung in mehreren aufgeführten Bereichen oder Werkzeugen
• Vertrautheit mit Benchmark- oder Evaluationsdesign
• Hintergrund in wissenschaftlichem Unterricht oder Prüfungs-/Aufgaben-Design
• Erfahrung mit rechnerischer Reproduzierbarkeit und containerisierten Umgebungen