Über die Stelle
Stellenbezeichnung: Wissenschaftler für Computational Chemistry, Strukturbiologie und Drug Discovery (PhD)
Vertragsart: Auftragnehmer
Standort: Remote (weltweit)
Stellenübersicht: In dieser Rolle setzen Sie Ihre Expertise ein, um die nächste Generation von KI-Systemen zu trainieren. Ihre Arbeit prägt, wie Modelle lernen, schlussfolgern und agieren – durch hochwertigen, praxisnahen Input.
Hauptaufgaben
- Entwerfen und verfassen Sie anspruchsvolle wissenschaftliche Probleme auf Expertenniveau in Computational Chemistry, Strukturbiologie und Drug Discovery mit klaren, überprüfbaren Lösungen.
- Prüfen und bewerten Sie KI-Modellausgaben auf wissenschaftliche Richtigkeit, Strenge und Tiefe der Argumentation und erkennen Sie subtile Fehler, die Nicht-Spezialisten übersehen würden.
- Entwickeln Sie detaillierte Bewertungsraster (Rubrics) und Referenzantworten, die in der Primärliteratur und etablierter Methodik verankert sind.
- Wenden Sie Ihre Fachexpertise in Bereichen wie molekulare Modellierung und Simulation, Proteinstrukturvorhersage und -design, virtuelles Screening und Docking, QSAR-/ADMET-Modellierung sowie Proteomik-/Metabolomik-Datenanalyse an.
- Liefern Sie klare schriftliche Erläuterungen Ihrer Argumentation, damit andere Experten sie nachvollziehen und validieren können.
- Erfüllen Sie Qualitätsstandards durch iteratives Feedback und Peer-Review-Zyklen.
Erforderliche Qualifikationen (MUSS)
- PhD in Computational Chemistry, Strukturbiologie, Biophysik, Bioinformatik, Medizinischer Chemie, Biochemie oder einem eng verwandten Fachgebiet.
- Praktische Forschungserfahrung in einem akademischen oder industriellen Labor (Wetlab-Erfahrung ist von Vorteil).
- Professionelles Englisch in Wort und Schrift (C1 oder höher).
Bevorzugte Fähigkeiten
- Postdoktorale oder industrielle Forschungserfahrung (Pharma/Biotech) in Drug Discovery oder Strukturbiologie.
- Starke Publikationsbilanz, insbesondere Erstautorenpapiere in einschlägigen Fachzeitschriften.
- Molekulare Modellierung und Simulation: GROMACS, AMBER, NAMD, OpenMM, Methoden der freien Energie (FEP/TI).
- Strukturvorhersage und -design: AlphaFold, Rosetta, Homologiemodellierung, Interpretation von Kryo-EM-/Röntgenkristallographie-Daten.
- Docking und virtuelles Screening: AutoDock, Glide, Schrödinger Suite, MOE.
- Chemoinformatik: RDKit, QSAR/QSPR, ADMET-Vorhersage, Fingerprinting, Bibliotheksdesign.
- Proteomik und Metabolomik: LC-MS/MS, MaxQuant, DIA-/DDA-Workflows, PTM-Analyse, ungezielte Metabolomik.
- Programmierung: Python (in der Praxis erforderlich) sowie R, Bash oder Ähnliches; Erfahrung mit ML für die Vorhersage molekularer Eigenschaften (GNNs, generative Modelle) ist von Vorteil.
- Erfahrung mit Benchmarking, Modellevaluierung oder wissenschaftlichem Schreiben/Begutachten.
- Fähigkeit, komplexe wissenschaftliche Konzepte schriftlich klar und präzise zu erklären.