Machine Learning - Research Internship

Sobre Aqemia

Aqemia es una empresa de farmacotecnia pionera que está revolucionando el panorama del descubrimiento de fármacos con una de las pipelines de crecimiento más rápido del mundo. Nuestra misión es diseñar rápidamente candidatos a fármacos innovadores para numerosas enfermedades críticas. Lo que nos diferencia es nuestra combinación única de algoritmos de mecánica cuántica y estadística, aprovechados por inteligencia artificial generativa para diseñar nuevos candidatos a fármacos. Nuestra plataforma tecnológica de vanguardia ofrece una velocidad y precisión incomparables, lo que nos permite escalar proyectos de descubrimiento de fármacos de manera similar a las empresas tecnológicas. Nuestros esfuerzos están respaldados por socios eminentes de firmas farmacéuticas líderes, el ecosistema de FrenchTech y prestigiosos fondos de inversión.

Sobre el Equipo

Como pasante de investigación en aprendizaje automático, formarás parte de un equipo élite de ingenieros e investigadores que desarrollan algoritmos para mejorar y acelerar nuestra pipeline interna de descubrimiento de fármacos. Específicamente, te integrarás en el equipo de expansión en serie, compuesto por 3 ingenieros de ML, y colaborarás estrechamente con Victor Saillant.

Tu Rol

Tu enfoque se centrará en profundizar en la generación molecular, incluyendo la revisión de literatura, la implementación y el entrenamiento/evaluación de modelos en datos tanto públicos como propietarios. La duración de la pasantía es flexible, y abarca entre 4 y 6 meses, con posibles fechas de inicio tan pronto como en 2024.

El objetivo de la pasantía es abordar el desafío de la generación de moléculas condicionadas a una proteína, posiblemente dentro de un espacio químico restringido y con propiedades físico-químicas adicionales. El enfoque implica el uso de modelos de difusión en gráficos (ver referencias [1][2]). También puede explorar métodos alternativos, como modelos auto-regresivos, en una fase posterior (ver referencias [3][4]).

• Estudiante de maestría o doctorado en Ciencias de la Computación, Matemáticas Aplicadas, Bioinformática o un campo relacionado.
• Fuerte interés en el aprendizaje automático, con inclinación a mantenerse actualizado en los avances actuales.
• Sólida comprensión de matemáticas y estadísticas para evaluar críticamente artículos de investigación.
• Experiencia en programación en Python y experticia práctica con frameworks de aprendizaje profundo como PyTorch/Jax/TensorFlow.
• Curiosidad y entusiasmo por aprender nuevos temas de diversos expertos, con la creencia en el papel fundamental del aprendizaje automático en el descubrimiento de fármacos.

Requisitos Deseados

• Experiencia en aprendizaje de representaciones y modelado generativo.
• Interés en trabajar con datos estructurados complejos como gráficos, nubes de puntos y texto.
• Conocimiento en biología, química o quimioinformática es una ventaja significativa.

Referencias

• Huang, L., Xu, T., Yu, Y. et al. “A dual diffusion model enables 3D molecule generation and lead optimization based on target pockets”. Nat Commun 15, 2657 (2024). https://doi.org/10.1038/s41467-024-46569-1
• Schneuing, Arne, Yuanqi Du, Charles Harris, et al. "Structure-based drug design with equivariant diffusion models." arXiv preprint arXiv:2210.13695 (2022).
• Zhung, W., Kim, H. & Kim, W.Y. 3D molecular generative framework for interaction-guided drug design. Nat Commun 15, 2688 (2024). https://doi.org/10.1038/s41467-024-47011-2
• Alexander S. Powers, et al. Geometric Deep Learning for Structure-Based Ligand Design. ACS Central Science 2023 9 (12), 2257-2267.