Poste de Data Scientist en Machine Learning

Résumé du rôle :
Chez Differential Bio, notre mission est de libérer le potentiel de la bioéconomie en modifiant la manière dont la R&D et la mise à l’échelle biologiques sont effectuées.
Nous recherchons un Machine Learning Data Scientist pour rejoindre notre équipe de modélisation de pointe en pleine croissance. Vous développerez de nouveaux algorithmes d'apprentissage automatique et des modèles mécanistiques de systèmes de bioprocédés et les pousserez de la preuve de concept de recherche à une utilisation commerciale prête pour la production.
Ce rôle est axé sur la recherche, notamment la création de modèles hybrides combinant des approches mécanistiques et d'apprentissage automatique pour prédire le comportement des fermentations microbiennes, et qui continuent de fonctionner lorsque nous passons à un nouvel organisme, un nouveau capteur ou un réacteur plus grand. Vous jouerez un rôle déterminant dans le cadre de deux subventions existantes et travaillerez avec des groupes universitaires et des partenaires industriels de premier plan sur des données à l’échelle pilote et de production. De plus, vous développerez de nouveaux projets de recherche et les mènerez à leur terme et à leur application sur des projets clients.
Nous sommes intéressés par les chercheurs qui souhaitent que leurs travaux aboutissent dans de véritables bioréacteurs et qui sont enthousiastes à l’idée de travailler dans une start-up en phase de démarrage. Vous devriez être à l’aise face à des problèmes difficiles et ouverts pour lesquels personne n’a encore la réponse, prendre des décisions fondées sur des preuves dans un contexte d’incertitude et proposer de vraies solutions.
Comment vous travaillerez

• Vous collaborerez avec des responsables techniques et des partenaires externes universitaires/industriels pour concevoir et exécuter des recherches qui répondent à nos engagements dans les deux consortiums et renforcent notre propre plateforme.

• Vous serez propriétaire de vos projets de recherche, de la définition de la portée à la livraison, avec le soutien de notre responsable de la modélisation, mais avec autonomie et indépendance.

• Vous travaillerez en étroite collaboration avec nos équipes de laboratoire humide, de laboratoire sec et de logiciels, et identifierez les données que vous devez générer à partir de notre laboratoire robotique.

Principales responsabilités :
Modélisation des bioprocédés hybrides

• Développer des modèles hybrides de réponse cellulaire mécaniste/ML qui prédisent les résultats de la fermentation (croissance, titre, rendement, productivité) à partir des données de processus et de capteurs.

• Fusionnez les signaux de séries chronologiques issus de la technologie d'analyse des procédés (Raman, NIR, spectroscopie diélectrique, oxygène dissous, dégagements gazeux) avec des analyses hors ligne.

• Construire des structures mécanistiques (par exemple, des modèles cinétiques/ODE, des modèles métaboliques à l'échelle du génome) qui limitent l'apprentissage et génèrent des données d'entraînement synthétiques.

• Développer des modèles de substitution d'apprentissage automatique pour des simulations mécanistiques coûteuses en termes de calcul.

• Quantifier l'incertitude afin que les modèles puissent être fiables dans des contextes de production à enjeux élevés.

Transfert à travers les organismes et les échelles

• Concevoir des modèles qui passent de la paillasse à l'échelle pilote et de production, et à divers microbes, notamment les bactéries et les levures.

• Utiliser l'apprentissage par transfert et l'apprentissage par représentation pour faire de bonnes prédictions concernant de nouvelles souches et de nouveaux processus avec peu de données.

• Développer des caractérisations de réacteurs transférables à grande échelle et des modèles prédictifs de KPI pour une mise à l'échelle.

Contrôle prédictif du modèle en temps réel

• Créez la couche AI/ML pour le contrôle prédictif de modèle non linéaire (NMPC) et les stratégies d'alimentation basées sur l'apprentissage par renforcement afin d'optimiser le titre, le débit et le rendement de manière dynamique.

• Fusionner les données en temps réel de la technologie d'analyse des processus (PAT) et des capteurs logiciels (par exemple, Raman, NIR) dans des estimateurs d'état dynamiques pour piloter les actionneurs de bioréacteur en boucle fermée (alimentation, air, agitation).

• Prototyper des étapes plus simples et déployables en cours de route, telles que la détection des écarts et les alertes des opérateurs.

• Concevoir des cadres de contrôle pour résoudre de manière proactive les goulots d'étranglement métaboliques et tenir compte de manière robuste de l'incertitude du modèle, de la variabilité d'un lot à l'autre et de la stochasticité inhérente aux bioprocédés.

Qualifications:

• Doctorat en apprentissage automatique, bio-ingénierie, biologie computationnelle ou dans un domaine connexe, ou maîtrise avec plus de 3 ans d'expérience pertinente dans l'industrie.

• Forte indépendance de recherche ; capacité à définir et à exécuter de nouveaux travaux scientifiques du début à la fin.

• Preuve démontrée de contributions à la recherche, y compris (mais sans s'y limiter) : articles de revues ou de conférences évalués par des pairs, participation à des conférences, contributions open source.

• Python puissant et outils ML modernes (par exemple, PyTorch/JAX, scikit-learn).

• Expérience pratique dans la création de modèles de systèmes dynamiques ou de données de séries chronologiques, combinant idéalement des approches mécanistes et basées sur les données.

• Expérience de travail avec des modèles de codage frontalier, y compris l'orchestration multi-agents.

• Communication écrite et verbale claire, y compris avec les partenaires non-ML.

Agréable à avoir :

• Expérience avec les données de bioprocédés ou de fermentation, idéalement provenant de bioréacteurs à plusieurs échelles

• Expérience avec Raman, NIR ou d'autres données spectroscopiques et chimiométriques (par exemple, PLS)

• Expérience en contrôle prédictif de modèle, apprentissage par renforcement ou contrôle optimal

• Expérience en apprentissage par transfert, adaptation de domaine ou apprentissage de représentation sur des données biologiques

• Familiarité avec les modèles métaboliques à l'échelle du génome ou la modélisation cinétique

• Expérience avec les méthodes bayésiennes, la quantification de l'incertitude ou la conception d'expériences

• Expérience dans des projets de recherche collaboratifs ou financés par des fonds publics (par exemple Horizon Europe, Eurostars)

Avantages :

• Rémunération compétitive via salaire + options d'achat d'actions ; nous cherchons à constituer une équipe petite mais puissante et réfléchissons à une rémunération dans ce sens ;

• Construisez votre profil de recherche : travaillez sur des problèmes ouverts avec des partenaires académiques et industriels européens de premier plan, avec l'intention de présenter et de publier vos travaux ;

• Un beau bureau au cœur de Munich, ou une option de travail à distance avec déplacements occasionnels

• l'adhésion à l'eGym WellPass

Trouvez un emploi en Allemagne sur Arbeitnow

Source : Arbeitnow (https://www.arbeitnow.com/jobs/companies/différentialbio/machine-learning-data-scientist-posting-munich-468450)