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

Please note: Our offices will be closed for our annual Summer Break from Monday, June 29, 2026, through Friday, July 3, 2026. Our response to your application will be delayed. 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 médicamen