Acerca del puesto
Título del puesto: Científico/a en Química Computacional, Biología Estructural y Descubrimiento de Fármacos (PhD)
Tipo de puesto: Contratista
Ubicación: Remoto (Mundial)
Resumen del puesto: En este rol, aplicarás tu experiencia para ayudar a entrenar sistemas de IA de próxima generación. Tu trabajo dará forma a cómo los modelos aprenden, razonan y rinden mediante aportaciones de alta calidad del mundo real.
Responsabilidades clave
- Diseñar y redactar problemas científicos desafiantes de nivel experto en química computacional, biología estructural y descubrimiento de fármacos, con soluciones claras y verificables.
- Revisar y evaluar los resultados de los modelos de IA en cuanto a precisión científica, rigor y profundidad de razonamiento, identificando errores sutiles que los no especialistas pasarían por alto.
- Desarrollar rúbricas detalladas y respuestas de referencia fundamentadas en la literatura primaria y la metodología establecida.
- Aplicar experiencia en el dominio en áreas como modelado y simulación molecular, predicción y diseño de estructuras de proteínas, cribado virtual y docking, modelado QSAR/ADMET y análisis de datos de proteómica/metabolómica.
- Proporcionar explicaciones escritas claras de tu razonamiento, para que otros expertos puedan seguirlo y validarlo.
- Cumplir con los estándares de calidad mediante ciclos iterativos de retroalimentación y revisión por pares.
Cualificaciones requeridas (OBLIGATORIO)
- Doctorado en Química Computacional, Biología Estructural, Biofísica, Bioinformática, Química Medicinal, Bioquímica o un campo estrechamente relacionado.
- Experiencia práctica en investigación en un laboratorio académico o de la industria (la experiencia de laboratorio húmedo es una ventaja).
- Inglés escrito y hablado profesional (C1 o superior).
Competencias preferidas
- Experiencia postdoctoral o de investigación en la industria (farma/biotec) en descubrimiento de fármacos o biología estructural.
- Sólido historial de publicaciones, en particular artículos como primer autor en revistas relevantes.
- Modelado y simulación molecular: GROMACS, AMBER, NAMD, OpenMM, métodos de energía libre (FEP/TI).
- Predicción y diseño de estructuras: AlphaFold, Rosetta, modelado por homología, interpretación de datos de crio-EM / cristalografía de rayos X.
- Docking y cribado virtual: AutoDock, Glide, Schrödinger Suite, MOE.
- Quimioinformática: RDKit, QSAR/QSPR, predicción ADMET, huellas moleculares, diseño de librerías.
- Proteómica y metabolómica: LC-MS/MS, MaxQuant, flujos de trabajo DIA/DDA, análisis de PTM, metabolómica no dirigida.
- Programación: Python (requerido en la práctica), además de R, Bash o similares; la experiencia con ML para la predicción de propiedades moleculares (GNN, modelos generativos) es una ventaja.
- Experiencia con benchmarking, evaluación de modelos o redacción/revisión científica.
- Capacidad para explicar conceptos científicos complejos de forma clara y precisa por escrito.