Chercheur ou chercheuse scientifique, Modélisation de cellules virtuelles et modèles de fondation en biologie perturbative

À propos de Valence Labs

Valence Labs est le moteur de recherche de pointe en IA de Recursion. Nous dirigeons des programmes de recherche à fort impact conçus pour accroître concrètement la capacité de Recursion à découvrir et à développer des médicaments pour des maladies complexes.

Notre équipe équilibre le pragmatisme à court terme avec une vision à long terme de l'évolution du domaine dans les 3 à 5 prochaines années, en incubant, concevant et commercialisant les approches qui, selon nous, vont définir l'avenir de la découverte de médicaments. Notre travail est guidé par l'optimisme, le sens des responsabilités et une vision commune d'un avenir plus sain. Nous publions dans les plus grandes revues et conférences, contribuons à la science ouverte et collaborons avec certaines des communautés de recherche en apprentissage automatique (ML) pour la découverte de médicaments les plus actives internationalement. Nos équipes sont basées à Londres et à Montréal, avec des liens profonds avec Mila, le plus grand institut de recherche en apprentissage profond au monde.

À propos du rôle

Vous rejoindrez un programme de recherche visant à construire des modèles de fondation multimodaux pour prédire les réponses cellulaires aux perturbations chimiques et génétiques à travers des pétaoctets de données omiques et d'imagerie. Les travaux portent sur la modélisation générative et distributionnelle, l'apprentissage de représentations (representation learning) pour les molécules et les gènes/protéines, ainsi que la conception de cadres d'évaluation ancrés dans la biologie. L'objectif est de combler les lacunes critiques de la phase préclinique en remplaçant ou en augmentant les criblages par perturbation en laboratoire humide (wet-lab) par des prédictions in silico suffisamment fiables pour orienter les décisions de découverte de médicaments. Nous recherchons un chercheur ou une chercheuse scientifique possédant de solides compétences en recherche et en ingénierie ML, ainsi qu'une curiosité authentique pour la biologie, afin de rejoindre une équipe multidisciplinaire de chercheurs en ML, d'ingénieurs et de biologistes computationnels travaillant vers un but commun : construire des cellules virtuelles qui transforment la découverte de médicaments.

Responsabilités clés

• Modélisation générative : Rechercher et développer des modèles génératifs et distributionnels (ex. : flow matching, modèles de diffusion) pour prédire des réponses cellulaires multidimensionnelles.
• Ingénierie ML évolutive : Construire et maintenir des systèmes de ML capables de traiter des ensembles de données multiomiques massifs sur des grappes de calcul haute performance.
• Ancrage biologique : Travailler en étroite collaboration avec les collègues afin de s'assurer que les prédictions des modèles sont interprétables, fiables, exploitables et fondées sur des résultats expérimentaux réels.
• Cadres d'évaluation : Aider à concevoir et à mettre en œuvre des mesures d'évaluation rigoureuses testant la généralisation selon le contexte cellulaire, les perturbations et covariables inédites, en allant au-delà de la performance IID pour refléter les conditions de déploiement réelles.
• Science ouverte et collaboration : Publier les résultats dans des lieux de premier plan (ex. : NeurIPS, ICML, Nature, Science, Cell) et contribuer à la communauté scientifique élargie.

Profil recherché

Nous priorisons la profondeur scientifique tant en ML qu'en biologie, mais nous considérerons des candidatures exceptionnelles en ML prêtes à développer une expertise biologique en cours d'emploi. Le ou la candidat·e idéal·e possédera la plupart des éléments suivants :

• Doctorat (PhD) ou équivalent avec une expérience significative en recherche académique ou industrielle en apprentissage automatique appliqué à la découverte de médicaments, aux sciences de la vie ou à d'autres problèmes scientifiques ou d'ingénierie réels.
• Solides antécédents en modélisation générative et en apprentissage de représentations, avec une expérience dans l'application de ceux-ci à des données scientifiques multidimensionnelles (ex. : images, matrices de comptage, graphes) ; une expérience avec des données biologiques est un atout.
• Connaissances scientifiques en biologie ou chimie, avec une familiarité des paradigmes expérimentaux de perturbation/intervention (ex. : criblage chimique ou génétique, transcriptomique, imagerie à haut contenu).
• Parcours de recherche percutant, incluant le développement de modèles de ML pour des données complexes du monde réel, la proposition de nouvelles approches de formation ou d'évaluation, ou l'application de méthodes génératives à des problèmes scientifiques.
• Fortes compétences techniques et d'ingénierie, incluant la capacité de prototyper rapidement et de mettre à l'échelle des modèles de ML, de gérer de larges bases de code et de maintenir des pipelines de recherche reproductibles ; maîtrise de Python requise, expérience avec des langages compilés un atout.
• Aisance transfonctionnelle, avec la capacité de travailler efficacement à travers les disciplines (ex. : avec des scientifiques de laboratoire sec et humide) pour s'assurer que les modèles répondent à de réelles questions scientifiques.
• Compétences en leadership et communication, incluant un dossier de publications dans des conférences évaluées par les pairs (ex. : NeurIPS, ICML, ICLR) ou des revues (ex. : Nature, Science, Cell).

Lieu de travail et rémunération

Il s'agit d'un poste hybride basé au bureau. Nous recrutons pour ce rôle à Montréal (Canada) OU à Londres (Royaume-Uni). Les employé·e·s doivent être présent·e·s au bureau au moins 50 % du temps.

À Recursion, nous croyons que chaque employé doit être rémunéré équitablement. Selon les compétences et le niveau d’expérience requis pour ce poste, la fourchette salariale annuelle estimée pour ce poste est actuellement de

• 188,200 $ à 237,100 $ - Canada 
• 88,400 £ à 126,900 £ -  Royaume-Uni

Vous aurez également droit à une prime annuelle et à une compensation en actions, ainsi qu’à un ensemble complet d’avantages sociaux. 

#LI-EP1