2026/10/14 6:01
ポストエラ（YC W20）が創薬向け AI リサーチャーを募集
RSS: https://news.ycombinator.com/rss
要約▶
Japanese Translation:
PostEra は、女性健康と生殖をテーマにした AI 先導のバイオテクノロジー企業であり、医薬化学分野で Proton AI プラットフォームを活用しています。当社は戦略的な AI パートナーシップを通じて総額 10 億ドル以上の資金を確保しており、これには Pfizer および Amgen との 4 つの多年度合意が含まれます。また、パンデミック対策のための歴史上最も大規模な NIH の助成金の一つに後押しされ、連邦政府資金による抗ウイルス薬開発センターを統括しています。分野横断的な協力を促進するため最小限の組織構造で運営されており、「エージェント型研究」システムによって生物化学的および生理学的プロセスのメカニズムモデリングや標的検証の自動化を目指しています。このシステムはタスクを定義し、データセットを構築し、独自のプロプライエタリなマルチモーダルデータから基礎モデルを訓練し、研究方法を科学者向けの機能へ変換します。
本職種は、ML または STEM 分野で博士号を取得しており、高品質な出版物およびオープンソースへの貢献の経歴、PyTorch または JAX の実務経験を有する専門的な機械学習研究者を対象としています。候補者は、エージェント型ワークフロー、文脈内/少数ショット学習、テーブル型学習、モデルデバッグの習熟を示す必要があり、不明確な科学的問題をデータセット、ベースライン、検証スキームを含む明確に定義された ML プロジェクトへと翻訳する能力も求められます。優先的な経験としては、10 億パラメータ以上の大規模モデルの訓練、「共科学者」システムの開発、研究用モデルの運用ワークフローへの移行が挙げられます。報酬は基本給 20 万ドル〜30 万ドルに加え、株式報酬として 0.05%〜0.1% を提供します。ビザのスポンサーシップは現時点では利用できません。この役割での成功は、女性健康分野の薬物発見を加速させるとともに、科学者とエンジニア間の新しい協働枠組みを確立し、PostEra を大規模エージェント型 AI を複雑な生物学的課題に適用する分野におけるリーダーとして位置づけることになります。
本文
ポストエラ（PostEra）社求職説明書：エージェンティック・リサーチリード
会社概要
- 事業領域: AI 優先型のバイオテック企業として、創薬化学分野における AI プラットフォーム「**プロトン（Proton）」**を活用し、新たな医薬品開発を加速。
- 主なパイプライン:
- 女性の健康と生殖力に特化した内部プロジェクトを進化中。
- 「プロトン」を活用し、PMOS および生殖領域で複数の臨床候補化合物を選定済み。
- 製薬企業とのパートナーシップを通じた小分子プログラムの推進。
- 実績:
- ファイザーやアムジェンを含む大手企業との多年間合意により、AI 関連パートナーシップで総額10 億ドル以上の取引を締結。
- 史上最大級の NIH グラント獲得。
- パンデミック対策のための抗ウイルス医薬品発見センター運営を主導。
組織体制
- 理念: 複雑な階層構造を維持する時間を、新しい技術や科学的発見への探求に投資する。
- 構造: 意図的にミニマリストな設計を採用。
- 個人の成果は、比例した報酬と内部的認識（包括的な昇進を含む）を通じて称賛される文化を醸成。
- 患者様への治癒をもたらすことに共同注力し、その目的に沿って組織を構築。
役割の概要
- 部門開拓: ポストエラ内のエージェンティック・リサーチ部門を開拓・リード。
- 自動化と意思決定:
- エージェンティックシステムを用いて生化学的・生理学的過程の機構モデル開発やバイオロジカルデータ分析を自動化。
- 得られたモデルを活用し、医薬品発見プロセスにおける意思決定を推進。
- 技術開発への注力:
- 限られたラベル付きデータから迅速に適応できる機械学習手法の開発。
- 分子・テーブル型の文脈内学習（in-context learning）。
- ポストエラの独自マルチモーダルデータを用いた基礎モデルの構築。
- 転移学習の定量化:
- 医薬品発見の文脈を効果的に活用し、関連する過去の例やタスクを特定。
- 転移学習の有効性・有害性を定量評価。
- 分布シフト下でも信頼性の高い予測を行うモデルの構築。
- 全研究サイクルの推進:
- タスク定義、データセット構築、評価エピソード設定、強力なベースライン開発、トレーニングとスケーリング、厳格なアブレーション（除去実験）の実施をリード。
- 成功した手法をポストエラの科学者が活用できる能力へと転換。
- 期待される姿勢: ドメイン知識の習得と、創薬化学者・計算機化学者・他の科学者との密接な連携。（先行経験必須ではない）
主な責任事項
- 化学・生物学分野におけるエージェンティックリサーチ:
- 生化学的・生理学的プロセスのシミュレーションやバイオロジカルデータ分析のための定量モデル開発を自動化するシステムの構築とベンチマーク評価。
- 研究方向性と実行:
- 文脈内学習、エージェンティックシステム、フェースショット適応、テーブル型基礎モデル、分子機械学習などの分野における研究プロジェクトの独自構想・主導。
- 分子のための文脈内学習:
- 限られたラベル付きコンテキストと多様な履歴データを活用し、新しいアッセイ・エンドポイント・標的・化学シリーズに適応するモデルの設計・トレーニング。
- ベンチマーク評価:
- 新しい手法を強力なベースラインと比較。バイアスの影響を区別するためのテストケースの選定と整備。
- 部門横断的な協働:
- 科学者と連携し、モデリング目標と評価指標を実際の意思決定（ポテンシーモデリング、ADME 予測、選択性、リード最適化、初期臨床試験設計など）と結びつける。
- モデルのトレーニングとスケーリング:
- 効率的なトレーニング・データパイプラインの開発。分子およびテーブル型の多数のタスクへモデルのスケーリング。
- 研究エンジニアリング:
- 読みやすく再現性の高いコード作成、追跡可能な実験維持、コードレビュー、ドキュメント整備、共有モデリングインフラへの貢献。
- 科学的発信:
- 主要な機械学習・創薬化学・計算生物学分野の学会・誌での成果発表（科学コミュニティへのアンバサダー活動）。
必須条件
- 学術背景: 機械学習専攻の博士号（PhD）の取得または、新しい機械学習手法の開発を含む STEM 分野での研究経験。
- 実績: 高品質な研究成果の蓄積（論文発表、オープンソースへの貢献など）。
- 理論と実務: 現代の機械学習・深層学習・統計モデリングにおける強い研究またはエンジニアリング経験かつ、アルゴリズム背後の理論的理解を備えていること。
- 専門知識: 次の分野のうち少なくとも一つの実務的知識：
- 科学分野におけるエージェンティックワークフロー
- バイオインフォマティクスおよび臨床データモデリング向けの ML 手法
- 文脈内学習（In-context learning）
- テーブル型学習
- フェースショット学習
- 技術スタック: Python 環境下での実務経験（PyTorch や JAX などを用いたモデルのトレーニング・デバッグ・評価）。
- 問題解決能力: 曖昧な科学・技術的問題を、データセットや検証スキームを含む明確な ML プロジェクトへと独自に展開できる能力。
- 実験デザイン: 改善の理解とバイアスの区別のため、注意深い実験・ベンチマーク・アブレーションを設計できる能力。
- 適応力: 優先事項の変化や不完全なデータに対処でき、高品質な判断力が求められるスタートアップ環境に適していること。
歓迎要件（より成功する可能性が高い経験）
- 疎少・多様・小データ・欠損値が多い状況におけるテーブル型基礎モデルのトレーニング経験。
- 分子または科学的データへの一般目的の文脈内モデルを適応させるためのシステム開発経験。
- 大規模モデル（10 億パラメータ以上）のトレーニング、分散トレーニング、シャーディング、並列化技術の開発経験。
- 物理的または生物的課題に対する AI「共科学者」システムの実装経験。
- 機械学習手法を用いた生物学的・生化学的あるいは臨床データのモデリングに関する実務経験。
- 研究用モデルを本番の科学的ソフトウェアや計算ワークフローへ統合する経験。
報酬と福利厚生
- 基本給: $200,000 - $300,000
- 株式報酬（Equity）: 0.05% - 0.1%
- ビザ支援: 現時点では対応できません。
ダイバーシティとインクルージョンに関する声明
- リクルーティングプロセス: アプリケーションの収集・整理・管理には、専用のリクルーティングソフトウェアを使用しています。
- 人間中心のアプローチ:
- 当社のリクルーティングチームによる審査のみが行われます。
- 候補者の評価や採用決定において、人工知能や自動化意思決定ツールは一切使用しておりません。
- 採用プロセス全体を通じて人間による判断が行われ、最終決定は採用チームが下します。
- プライバシー: ご自身の個人データの処理方法やデータ保護法に関する詳細な情報を必要とされる場合は、お問い合わせください。