Veri Bilimcisi, Laboratuvar ve Protein Verileri

Adaptyv, yapay zeka ajanlarının biyoloji deneyleri yürütmesine olanak tanıyan otomatik bir laboratuvar inşa ediyor.
Yapay zeka modellerinin artık yeni proteinler tasarlayabildiği, hipotezler önerebildiği ve deneysel sonuçları yineleyebildiği ajan bilimi çağına giriyoruz. Ancak deneyleri kendileri yürütemezler; bu hala manuel olarak yapılan ve aylarca süren bir süreçtir. Yapay zeka ajanlarının fiziksel dünyaya erişmesini sağlayacak altyapıyı inşa ediyoruz.
Önde gelen biyofarmasötiklerin, öncü yapay zeka laboratuvarlarının ve alanı ileriye taşıyan teknoloji biyo şirketlerinin güvendiği, en hızlı büyüyen biyoteknoloji şirketlerinden biriyiz. Bu, günümüzde biyoteknolojide gerçekleşen en önemli çalışmalardan bazılarının ilerlemesine yardımcı olmak için nadir bir şanstır.
Otomatik laboratuvarımız, derin bir yazılım + donanım yığınıyla desteklenmektedir: API tarafından kontrol edilebilen donanıma ters mühendislik uygulanmış milyonlarca ABD doları değerindeki laboratuvar cihazları, karmaşık iş akışları aracılığıyla düzenlenen düzinelerce cihaz, laboratuvarda olup biten her şeyde tam gözlemlenebilirlik, karmaşık fiziksel dünya verileri için işlem hatları ve üretim sonuçlarındaki sorunları gideren ve test geliştirmeyi hızlandıran yapay zeka sistemleri.
Hızla büyüyoruz ve AI odaklı ıslak laboratuvar deneylerine yönelik büyük talebi ölçeklendirmek ve desteklemek için yetenekli kişileri işe alıyoruz.
Rol Hakkında
Adaptyv'in dökümhanesinin veri bilimi katmanını oluşturacaksınız; bu, on binlerce ham, karmaşık deneysel okumayı müşterilerimizin, modellerimizin ve kendi bilim adamlarımızın güvenebileceği temiz, güvenilir, yapılandırılmış verilere dönüştüren çalışmadır. Bağlanma (BLI/SPR), geliştirilebilirlik, biyofiziksel ve fonksiyonel analizlerin tümü geniş ölçekte veri üretir; Göreviniz bu verileri doğru, karşılaştırılabilir ve kullanışlı hale getirmektir.
Bu, üç şeyin kesiştiği noktada yer alır: veri kalitesi (bu sayı gerçek mi, yoksa yapay bir şey mi?), biyoinformatik (deneysel sonuçları diziye, yapıya ve protein tasarımına bağlamak) ve veri kümesi oluşturma (dökümhane çıktısını, öncü yapay zeka laboratuvarlarının gerçekten istediği türden yüksek kaliteli, karşılaştırılabilir verilere dönüştürmek). Testleri yürüten laboratuvar bilim adamlarıyla, üretim hatlarına sahip olan yazılım ekibiyle ve ürettiğimiz ürünler konusunda modelleri eğiten müşterilerle omuz omuza çalışacaksınız. Bu uygulamalı bir yapı rolüdür, yönetim rolü değil.
Ne yapacaksın

• Dökümhane genelinde veri kalitesinin bilimsel mantığına sahip olun: her test türü için "iyi verinin" neye benzediğini tanımlayın (beklenen sinyal aralıkları, kontrol eşikleri, arıza modları, uç durumlar) ve bunu otomatik kontrollere dönüştürün.

• Gözün kaçırabileceği kötü verileri yakalayan anormallik algılama ve QC modelleri oluşturun: analiz sapması, cihaz değişkenliği, plaka etkileri, yanlış geçişler ve yanlış başarısızlıklar — ve gerçek sinyali gürültüden istatistiksel olarak ayırt edin.

• Neyin işaretleneceğine, otomatik olarak reddedileceğine veya insan incelemesine yönlendirileceğine ilişkin kesin gereklilikleri geri bildirerek, cihaz çıktılarını işleyen otomatik veri hatlarını belirlemek, incelemek ve iyileştirmek için yazılım ve ML ekipleriyle birlikte çalışın.

• Deney sonuçlarını tekrar protein tarafına (dizi, yapı ve tasarım) bağlayın, böylece ıslak laboratuvar verileri ve hesaplamalı modeller birbirini güçlendirir.

• Dökümhane çıktılarını müşterilerimiz için ve protein tasarım modellerinin eğitimi ve değerlendirilmesi için gerçek bir varlık olan yapılandırılmış, belgelenmiş, karşılaştırma düzeyindeki veri kümelerine dönüştürün.

• Çok koşullu verilere geniş ölçekte (yüzlerce eş zamanlı deneyde binlerce örnek) gerçek istatistiksel titizlik uygulayın ve sonuçların çalışmalar arasında yorumlanabilir ve karşılaştırılabilir olmasını sağlayın.

Aradığımız şey

• Güçlü veri bilimi / biyoenformatik geçmişi — Python'da (pandalar, numpy, bilimsel yığın) akıcısınız ve karmaşık, gerçek dünyadaki deneysel verilere uçtan uca sahip olma konusunda rahatsınız.

• Gerçek biyoloji temelleri — proteinleri, tahlilleri ve dizi/yapı/işlevleri, yalnızca verilerin nasıl işleneceğini değil, ne anlama geldiğini bilecek kadar iyi anlarsınız. Uzman bilim insanı olmanıza gerek yok ama biyoloji körü de olamazsınız.

• İstatistiksel olgunluk — süreç kontrolü, anormallik tespiti, değişkenliğin ve toplu etkilerin ele alınması; gürültüden sapmayı anlayabilir ve çağrıyı savunabilirsiniz.

• Üretken bir inşaatçı, bunu kanıtlayacak makbuzlara sahip. Pek çok işlem hattı, araç, model, veri kümesi gönderdiniz ve bir not defterinde ölen prototiplere değil, uçtan uca oluşturduğunuz ve gerçek kullanıma koyduğunuz somut şeylere işaret edebilirsiniz. Hızlı hareket ediyorsunuz, neyin işe yaradığını sistematik hale getiriyorsunuz ve sabit bir kontrol paneline bakıcılık yapacak sabrınız yok.

• Yapay zekaya özgü oluşturucu. Yıl 2026; varsayılan olarak Claude Code gibi kodlama aracılarıyla derleme yapıyorsunuz ve bunların ne ürettiği konusunda keskin muhakeme gücünüz var.

• İçgüdüsel olarak disiplinlerarası. Laboratuvar tezgahında, yazılımda ve makine öğreniminde çalışırken enerji kazanırsınız ve otomasyon ile veri altyapısını işinizin bir parçası olarak ele alırsınız.

• Bonus: protein/dizi yapısı verileri (biyoinformatik araçlar, yapısal veriler), deneysel veriler üzerinde makine öğrenimi veya model eğitimi ve kıyaslama için veri kümeleri oluşturma deneyimi.

Ayrıntılar

• Yer: Lozan, İsviçre (tesis bünyesinde)

• Tür: Tam zamanlı

• Başlangıç tarihi: En kısa sürede

Son başvuru tarihi
Başvuru sahiplerini sürekli olarak inceliyoruz.
Arbeitnow'da İsviçre'de İş Bulun

Kaynak: Arbeitnow (https://www.arbeitnow.ch/jobs/companies/adaptyv/data-scientist-lab-protein-data-lausanne-377956)