Computational Chemist

Proxima (ehemals VantAI) verfolgt einen KI-nativen Ansatz zur Arzneimittelentdeckung, indem es Proteininteraktionen programmierbar macht. Unsere Plattform vereint maschinelles Lernen mit Foundation-Modellen, eine skalierbare Datengenerierungsmaschine und eine Partnerschaftsbilanz von über 5 Milliarden US-Dollar in Kooperationen mit führenden Biopharma- und Technologieorganisationen weltweit.

Neo-1 ist unser All-Atom-Grundlagenmodell, das modernste Strukturvorhersage und molekulare Generierung in einem einzigen System kombiniert. Neo-1 ermöglicht die schnelle Erkundung chemischer und struktureller Räume für wertvolle, zuvor unlösbare Ziele und eröffnet insbesondere die Möglichkeit, kleine Moleküle wie molekulare Kleber mit KI zum ersten Mal zu nutzen.

Wir entwickeln parallel eine fortschrittliche strukturelle Interaktomik-Plattform, die auf proprietärer XLMS-Technologie basiert und ein Labor mit Instrumenten der nächsten Generation für die Massenspektrometrie ausgestattet ist. Diese Plattform produziert proteomweite Karten von Proteininteraktionen und hilft dabei, kleine Moleküle zu identifizieren, die die Nähe modulieren. Zusammen mit Neo-1 schafft sie ein integriertes System, das in der Lage ist, Protein-Komplexe gemeinsam zu falten und Kandidaten für kleine Moleküle zu generieren, um diese Interaktionen zu beeinflussen.

Die therapeutischen Ansätze, die auf Nähe basieren, stellen eine der vielversprechendsten Grenzen in der modernen Arzneimittelentdeckung dar, mit dem Potenzial, zuvor unlösbare Krankheiten zu behandeln und 'undruggable' Proteine zu zielen. Unsere Technologie kombiniert proteomweite strukturelle Daten mit modernsten generativen KI-Foundation-Modellen, und zusammen mit unserem talentierten Team von Wissenschaftlern und Ingenieuren sind wir einzigartig positioniert, um eine neue Klasse von Medikamenten zu entdecken und zu entwickeln. Kommen Sie zu uns!

Hauptverantwortlichkeiten:

• Leitung von Projekten zur Entdeckung kleiner Moleküle unter Verwendung interner und externer Werkzeuge für maschinelles Lernen und CADD
• Vorantreiben von Arzneimittelentdeckungsprogrammen durch schnelle Entwicklung skalierbarer Werkzeuge zur Erfüllung spezifischer Projektbedürfnisse
• Unabhängiges Arbeiten und Zusammenarbeit mit Medicinal Chemists zur Priorisierung von Designs kleiner Moleküle, klare Kommunikation der Entscheidungen an interdisziplinäre Zielgruppen
• Zusammenarbeit mit Experten aus anderen Bereichen (z.B. Medicinal Chemistry, Machine Learning, Computational and Structural Biology), um integrierte in-silico Entdeckungsplattformen voranzutreiben
• Entwurf und Durchführung großangelegter virtueller Screening-Kampagnen unter Verwendung sowohl ligand- als auch strukturbasierter Ansätze

Grundqualifikationen:

• MSc/PhD-Abschluss in Chemie, Computational Chemistry, Biochemie, Chemieingenieurwesen oder einem verwandten Fachgebiet
• Mindestens 2 Jahre (PhD) oder 4 Jahre (MSc) Berufserfahrung in der Entdeckung kleiner Moleküle
• Nachweisbare Erfolge bei der Förderung von Arzneimittelentdeckungsprojekten mit in-silico Methoden; starke Kenntnisse im rationalen Arzneimitteldesign
• Fähigkeit, sich gut an ein schnelllebiges Umfeld anzupassen und Dinge zu erledigen, indem Kreativität, Problemlösungsfähigkeiten und eine positive Einstellung kombiniert werden, um Hindernisse zu überwinden
• Umfangreiche Erfahrung im großangelegten virtuellen Screening unter Verwendung struktur- und ligandbasierter Methoden zur Identifizierung und Optimierung von Hits
• Starke Programmierkenntnisse mit mindestens 2 Jahren Erfahrung in Python für Datenanalysen
• Ausgezeichnete schriftliche und mündliche Kommunikationsfähigkeiten sowie ein starkes Verlangen, in funktionsübergreifenden Teams zu arbeiten

Zusätzliche Qualifikationen (3 oder mehr bevorzugt):

• Frühere Erfahrung mit chemisch induzierter Nähe (molekulare Kleber, PROTACs usw.), insbesondere im molekularen Design oder in der Entwicklung von in-silico Methoden
• Erfolgreiche Nachweise im molekularen Design, Zusammenarbeit mit Medicinal und Synthetic Chemists
• Umfangreiche Erfahrung mit Open-Source-Chemoinformatik-Tools wie RDKit, insbesondere bei der Navigation durch ultra-große chemische Räume mittels Ähnlichkeitssuchen, Clustering usw.
• Erfahrung in der Nutzung experimenteller Daten zum Aufbau und/oder zur Verfeinerung komplexer in-silico Screening-Pipelines (z.B. SPR, TSA und zellbasierte Assays, einschließlich phänotypisches Screening)
• Frühere Erfahrung im Design chemischer Screening-Bibliotheken, einschließlich Syntheseüberlegungen
• Ein solides Verständnis von Deep-Learning-basierten Frameworks, die im strukturellen Design angewendet werden (z.B. RoseTTAFold2, DiffDock, DeepDock, GNINA, KDEEP, dMaSIF)
• Erfahrung in der Entwicklung von ML-Tools zur Vorhersage von Protein-Ligand-Posen, Bindungsaffinität/Rangfolge oder zur Generierung zielgerichteter kleiner Moleküle
• Vertrautheit mit häufigen Fallstricken bei der Datensatzkurierung für Methoden des maschinellen Lernens, insbesondere im Kontext von kleinen Molekülen und Proteinen
• Vertrautheit mit bewährten Praktiken der Softwareentwicklung, frühere Erfahrung in der Entwicklung von Python-Paketen, Paketmanagement (pip, mamba, conda), CI/CD und verwandten Themen, die zur Unterstützung hochwertiger Codebasen erforderlich sind
• Beitrag, Entwicklung und Wartung von Open-Source-Paketen, die von der Gemeinschaft der Entdeckung kleiner Moleküle verwendet werden

Vollzeitmitarbeiter bei Proxima genießen folgende Vorteile:

• Hochgradig wettbewerbsfähige Gehälter
• Unternehmensanteilspaket, jeder ist ein Stakeholder!
• 401(k) + Unternehmensbeitrag
• Kranken-, Zahn- und Augenversicherung (PPO mit HSA- und FSA-Optionen)
• 13 bezahlte Feiertage + unbegrenzte PTO & Krankheitszeit
• Mutterschaftsurlaub 18 Wochen voll bezahlt + 6 Wochen für Vaterschaftsurlaub
• Büromittagessen (5 Tage pro Woche)