Chercheur ou chercheuse scientifique, Biologie structurale de nouvelle génération et modélisation atomistique

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 IA 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 Nous recherchons un chercheur ou une chercheuse scientifique possédant un profil hybride entre la recherche et l'ingénierie pour rejoindre notre équipe. Dans ce rôle, vous serez à l'avant-garde du développement d'architectures génératives et de modèles de fondation qui ancrent l'apprentissage automatique dans la découverte physique et biologique réelle. Vous vous concentrerez sur l'accélération et l'amélioration de la précision des flux de travail en conception moléculaire et en biologie structurale — ciblant spécifiquement l'intersection entre les cadres informatiques basés sur la physique ( physics-informed ) et le ML axé sur les données pour résoudre des défis complexes d'interaction protéine-ligand. Responsabilités clés Innovation de modèles : Rechercher et développer des architectures de pointe (ex. : flow matching , modèles de diffusion, apprentissage profond géométrique) adaptées à la modélisation des interactions protéine-ligand. Intégration Physique-ML : Développer des approches hybrides intégrant le co-repliement ( co-folding ), la dynamique moléculaire (MD) et les données expérimentales de puissance pour atteindre une précision de haute résolution sur de nouvelles cibles. Ingénierie évolutive : Construire et maintenir des systèmes de ML capables de traiter des ensembles de données massifs, tels que des simulations protéine-ligand, sur des grappes de calcul haute performance (BioHive). Ancrage biologique : Veiller à ce que les prédictions de ML soient biologiquement fiables et exploitables en collaborant étroitement avec les équipes de découverte de médicaments afin de réduire les cycles de recherche et les impasses dans l'optimisation des têtes de série ( lead optimization ). Science ouverte et collaboration : Publier les résultats dans des lieux de premier plan (ex. : NeurIPS, ICML, Nature, JACS) et contribuer à la communauté scientifique élargie. Profil recherché 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 biologie structurale, à la modélisation atomistique ou à la simulation physique. Connaissances scientifiques en physique et en chimie , avec une compréhension approfondie des contraintes physiques et des invariances dans les systèmes moléculaires. Parcours de recherche percutant , incluant une expérience avec les modèles équivariants, la modélisation générative de systèmes moléculaires, ou le remplacement de flux de travail physiques traditionnels (comme l'ABFE) par des alternatives basées sur le ML. Fortes compétences techniques et d'ingénierie , incluant la maîtrise de Python et la capacité de construire des pipelines