Scientist, Computational Protein Design

Présentation de l'entreprise :

Fondée par Flagship Pioneering en 2021, Metaphore Biotechnologies a pour mission de révolutionner la découverte de médicaments. En exploitant notre plateforme révolutionnaire MIMIC™, nous intégrons l'apprentissage automatique à la mimétique moléculaire pour concevoir des thérapeutiques qui déclenchent des réponses biologiques spécifiques, ciblant des zones auparavant jugées inaccessibles. Récemment, nous avons annoncé une collaboration de recherche de 600 millions de dollars avec Novo Nordisk pour développer des thérapies de nouvelle génération pour la gestion de l'obésité.

En tant qu'aventure de Flagship Pioneering, Metaphore Biotechnologies bénéficie d'un héritage d'innovation, rejoignant les rangs de sociétés prospères telles que Moderna Therapeutics (NASDAQ: MRNA), Editas Medicine (NASDAQ: EDIT), Omega Therapeutics (NASDAQ: OMGA), et plusieurs autres. L'approche unique de Flagship, basée sur des hypothèses, a catalysé plus de 100 initiatives scientifiques depuis 2000. En 2021, Flagship a été reconnu mondialement, se classant 12ème sur la liste « Change the World » de Fortune pour son impact social et environnemental positif.

Metaphore Biotechnologies recherche un Scientifique en Conception de Protéines Computationnelle et Apprentissage Automatique passionné pour rejoindre notre équipe dynamique. Ce rôle implique de travailler à l'intersection de la conception de protéines basée sur la physique et de la conception basée sur l'apprentissage automatique pour résoudre des tâches difficiles de découverte et d'optimisation de biomolécules thérapeutiques. En tant que membre clé de l'équipe de modélisation, vous serez impliqué dans des tâches telles que la conception de novo, l'optimisation multi-paramètres, le pliage inverse et la modélisation de la séquence-structure-fonction.

Une collaboration étroite avec les équipes précliniques et de plateforme de Metaphore sera essentielle pour développer de manière optimale des molécules et délimiter les données de formation et de validation pour le développement des méthodes. Le candidat idéal doit avoir une solide expérience en modélisation moléculaire, en biologie computationnelle et en techniques avancées d'apprentissage profond.

Responsabilités principales :

• Concevoir, mettre en œuvre et évaluer des méthodologies pour la conception de protéines basée sur la structure.
• Collaborer avec l'équipe préclinique pour concevoir et optimiser des molécules pour les objectifs du programme thérapeutique.
• Travailler avec les scientifiques de la plateforme pour définir et générer des données de formation et de validation pour un développement optimal des méthodes.
• Se tenir à jour des avancées en modélisation macromoléculaire et en apprentissage automatique.

Qualifications :

• Doctorat en Biologie Computationnelle, Bioingénierie, Informatique ou dans des domaines connexes. Une expérience post-doctorale est un plus.
• Expérience en modélisation macromoléculaire, en docking et en conception de protéines. La familiarité avec Rosetta est fortement préférée ; l'expérience en Dynamique Moléculaire est un plus.
• Compétence en modélisation et conception d’anticorps ou de molécules semblables aux anticorps.
• Expertise dans les outils modernes de conception de protéines par apprentissage profond, tels que AlphaFold2, RoseTTAFold, RFdiffusion.
• Expérience dans le développement de modèles d'apprentissage automatique en conception de protéines ou en prédiction de propriétés de protéines.
• Familiarité avec les architectures avancées d'apprentissage profond, y compris les modèles de Diffusion, les Transformers, et les Graph Neural Networks.
• Compétence en Python et PyTorch.
• Expérience avec Git, Docker, le cloud computing, et les meilleures pratiques de développement logiciel. La familiarité avec le suivi des expériences de ML, les registres de modèles et les outils d'orchestration de workflows comme Nextflow est un plus.
• Excellentes compétences en communication, organisation et résolution de problèmes.

Chez Flagship, nous reconnaissons que les candidats