Adiunkt badawczy – post-doc

Małopolskie Centrum Biotechnologii
Uniwersytet Jagielloński

Do konkursu mogą przystąpić osoby, które spełniają wymogi określone w art. 113, 116 ust. 2 pkt 3) ustawy z dnia 20 lipca 2018 r. Prawo o szkolnictwie wyższym i nauce oraz zgodnie z § 165 Statutu UJ odpowiadają następującym kryteriom kwalifikacyjnym:
1) tytuł doktora w dziedzinie informatyki, lub biologii, bioinformatyki, fizyki, matematyki lub pokrewnej,
2) doskonała znajomość języka angielskiego,
3) doświadczenie w analizie danych metagenomicznych lub doświadczenie w technikach uczenia maszynowego,
4) doświadczenie w przynajmniej jednym języku programowania (zwłaszcza Python),
5) umiejętność współpracy,
6) chęć pracy interdyscyplinarnej,
7) zrozumienie znaczenia komunikacji i interakcji z innymi członkami grupy, współpracownikami i pracownikami
Centrum.

Wymagane szczegółowe kwalifikacje:
1) tytuł doktora w dziedzinie informatyki, lub biologii, bioinformatyki, fizyki, matematyki lub pokrewnej,
2) doskonała znajomość języka angielskiego,
3) doświadczenie w technikach uczenia maszynowego (zwłaszcza techniki deep learning oraz oprogramowanie, np. TensorFlow, Keras),
4) doświadczenie w przynajmniej jednym języku programowania (zwłaszcza Python),
5) umiejętność współpracy,
6) chęć pracy interdyscyplinarnej,
7) zrozumienie komunikacji i interakcji z innymi członkami grupy, współpracownikami i pracownikami Centrum.

Więcej informacji o stanowisku znajduje się na stronie: http://tomaszlab.org/associate_sonata

Tytuł projektu: Przewidywanie zmian mikrobiomu w czasie i pod wpływem perturbacji: zastosowania uczenia maszynowego do badań mikrobiomu i strategii terapeutycznych

W tym projekcie zastosujemy systematyczną, iteracyjną strategię, żeby przetrzeć szlaki dla przyszłych inteligentnych terapii nacelowanych na mikrobiom. W pierwszym kroku, stworzymy modele komputerowe tego jak mikrobiom zmienia się z dnia na dzień. Analizując długie serie czasowe pochodzące od kilku osób, skonstruujemy modele statystyczne i oparte o metody uczenia maszynowego (autoenkodery) do przewidywania tych zmian. Dzięki tym modelom nauczymy się jakie cechy (mikroorganizmy lub kombinacje mikroorganizmów) są ważne dla ewolucji mikrobiomu w czasie. Nauczymy się też jakie algorytmy i architektury sieci neuronowych sprawdzają się do tego problemu. Gdy uporamy się z tym zadaniem, będziemy gotowi na bardziej skomplikowany problem.
Jedną z kilku terapii nacelowanych na mikrobiom są przeszczepy kału (PK). Oryginalnie, były one używane do leczenia infekcji Clostridium difficile, a teraz są również używane w leczeniu nieswoistego zapalenia jelit. Używając publicznych, już opublikowanych danych, będziemy przewidywać skład mikrobiomu jelitowego pacjentów po PK. To jest o wiele bardziej skomplikowane zadanie, zatem użyjemy do niego modeli opracowanych w poprzednim zadaniu i metod transfer learning.