Investigador Postdoctoral, Modelado Multimodal

"Contenido-intro" Biohub es la primera iniciativa a gran escala que trae modelos de IA de frontera, computación masiva y capacidades experimentales de frontera bajo un techo. Estamos construyendo un sistema de propósito general para acelerar el descubrimiento científico, integrando los modelos fronterizos de IA, los modelos biológicos y las capacidades de laboratorio, con el objetivo final de curar la enfermedad. Nuestra tecnología potencia a los científicos de todo el mundo, traduciendo capacidades de IA en herramientas que aceleran la investigación en todas partes. Nuestro equipo de decodificación de la inflamación construye herramientas para permitir mediciones precisas a nivel molecular de la inflamación dentro de los tejidos humanos en tiempo real, y desarrollar intervenciones proactivas y tempranas que pueden ser implementadas cuando la inflamación —que subyace a las causas más significativas de la muerte en todo el mundo— primero bengalas en el cuerpo. Puedes aprender más acerca de nuestro trabajo Nuestro equipo colabora con tres universidades centrales - Northwestern University, la Universidad de Chicago, y la Universidad de Illinois Urbana-Champaign - para desarrollar tecnologías de primera clase y hacer avances. - No. ■ul &gt; &gt; &gt; grandes retos científicos que no pueden ser perseguidos en entornos convencionales &quot; Enable individual investigators to pursue their riskiest and most innovative ideas &quot; Investigación facilitada por científicos y clínicos en nuestras instituciones de origen y más allá de lo indicado/li ■/ul Somos un equipo de individuos apasionados con tecnología, guiados por la investigación científica, y impulsados por la colaboración, trabajando en una misión para curar o prevenir toda enfermedad. "color: rgb(40, 40, 39); fuente-familia: helvetica, arial, sans-serif;" títuloLa oportunidad indicada/span conveniente/h2 título El Chan Zuckerberg Biohub Chicago está buscando destacados científicos de primer nivel para unirse y participar en el lanzamiento del Proteoform Spatial Biology Group al continuar su formación como un asociado postdoctoral en la modelación multimodal. El Proteoform Spatial Biology Group pretende descubrir la regulación spatiotemporal de proteínas y sus formas moleculares únicas, proteoformes, en inflamación y autoinmunidad. Para esta posición, se espera que el candidato ideal tenga experiencia en trabajar con el modelado multimodal y multiescala de diversos tipos de datos a través de imágenes microscopía confocal, proteómicas basadas en espectrometría masiva, fosfoproteomics y/o interactomics. "color: rgb(40, 40, 39); fuente-familia: helvetica, arial, sans-serif;"ConsejoLo que vas a hacer selecciona/span titulado ■ul ■li Confeccionar y entrenar modelos multimodales autosupervisados que fusionan la imagen de proteína confocal, redes de proximidad de proteínas de células únicas y fosfoproteomics de espectrometría masiva en representaciones compartidas, utilizando objetivos tales como reconstrucción y alineación contrastante (por ejemplo, CLIP) ■li Trabajar con datos de redes de proximidad estructurados por gráficos, colaborando en los enfoques de modelado de gráficos y topología y conocimiento, y reducirnbsp; ■li Leverage existing high-performing imaging models for feature extraction and inference, adapting them for co-embedding and building new image models where needed ■li inteligenteDevelop estrategias de alineación intermodal relativas a la organización de la superficie a la señalización y localización, y utilizar las representaciones aprendidas para modelar la estructura continua del estado celular y las características que impulsan las transiciones estatales ■li Presentación de conclusiones interna y externamente, y publicaciones coautoras realizadas/li ■/ul "color: rgb(40, 40, 39); fuente-familia: helvetica, arial, sans-serif;"(conozca)Lo que usted traerá ■ul Esencial: "Clase" "Clase" Doctorado en aprendizaje automático, biología computacional, bioingeniería, biofísica o un campo relacionado "Clase" Experiencia en la aplicación del aprendizaje profundo a las imágenes, incluyendo el uso de modelos de visión preentrenados "Clase" Construcción de experiencia demostrada tanto modelos supervisados como no supervisados "Clase" Experiencia con modelado multimodal o fusión de datos a través de tipos de datos heterogéneos "Clase" Experiencia con las redes neuronales gráficas u otras representaciones gráficas/network aprendiendo "Clase" Competencia en los marcos de aprendizaje profundo y moderno (p. ej., PyTorch, JAX o TensorFlow) ■/ul ■/li - No. ■ul &gt; &gt; Experiencia con aprendizaje contrastante o autosupervisado (p. ej., CLIP) para datos multimodales &lt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; (por ejemplo, métodos simpliciales o basados en motivos) &gt; &gt; Análisis de datos de espectrometría de masas &gt; &lt; &lt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; Experiencia con microscopía o análisis de imágenes espaciales en un entorno biológico realizado/li &gt; &gt; &gt; &gt; &gt; &gt; &gt; Construyendo tuberías de análisis reproducibles y contribuyendo a bases de código compartidas o de código abierto ■/ul ■/li ■/ul "color: rgb(40, 40, 39); fuente-familia: helvetica, arial, sans-serif;"Contribución efectuada/span instrucciones indicada/h2 título * * * * * * * * * * * * * * * * La base de Chicago, IL paga por un nuevo contrato en este papel es de $84,150 dirigidos/span indicando estilo="font-family: helvetica, arial, sans-serif;"». Los nuevos alquileres suelen ser contratados en la parte inferior del rango, permitiendo el crecimiento de los empleados en el rango con el tiempo. La colocación efectiva en rango se basa en habilidades y experiencia relacionadas con el trabajo, como se evalúa durante todo el proceso de entrevista. * * * * * * * * * * * * * * * * Esta posición puede ser elegible para participar en nuestro programa de bonos de rendimiento anual discrecional. Elegibilidad de bonos y objetivos se determinan de acuerdo con nuestra filosofía de recompensas totales y pueden variar por función. "color: rgb(223, 22, 33); fuente-familia: helvetica, arial, sans-serif;" indicando estilo="color: rgb(40, 40, 39);" indicando convenientes para todo lo que hiciste/fuerte usada/span conveniente/espan conveniente/sp] * * * * * * * * * * * * * * * * Estamos agradecidos de tener un increíble equipo detrás de nuestro trabajo. Para honrar su compromiso, ofrecemos una amplia gama de beneficios para apoyar a las personas que hacen todo lo posible. ■ul &lt; &gt; &gt; &gt; &gt; <li style="font-family: helvetica, arial, sans-serif; &gt; &gt; &gt; Proporciona un partido generoso del empleador en las contribuciones del empleado 401(k) para apoyar la planificación para el futuro. ■li estilo="font-family: helvetica, arial, sans-serif;" prendas realizadas estilo="font-family: helvetica, arial, sans-serif;"ConsejoPagar tiempo libre a voluntario en una organización de su elección. &lt; &gt; &gt; &gt; &gt; <li style="font-family: helvetica, arial, sans-serif; &gt; &gt; &gt; Financiamiento para determinadas prestaciones familiares. &lt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; &gt; Apoyo de reasignación para los empleados que necesitan ayuda para moverse ■/ul * * * * * * * * * * * * * * * * Si usted está interesado en un papel, pero su experiencia anterior no se alinea perfectamente con cada cual en la descripción del trabajo, todavía le animamos a aplicar ya que puede ser el ajuste perfecto para este u otro papel. √Īo indicando el estilo = "peso móvil: 400; color: #7e8c8d;" implicancianbsp;#LI-Onsite obtenidos/span título