Scientist, Binding Kinetics

Adaptyv sta costruendo un laboratorio automatizzato che permette ad agenti AI di condurre esperimenti di biologia.

Stiamo entrando nell'era della scienza agentica in cui i modelli AI possono ora progettare nuove proteine, proporre ipotesi e iterare sui risultati sperimentali. Ma non possono eseguire gli esperimenti da soli - questo è ancora un processo manuale che dura mesi. Stiamo costruendo l'infrastruttura che fornisce agli agenti AI l'accesso al mondo fisico.

Siamo una delle aziende biotech a più rapida crescita, di cui si fidano le principali biopharma, i laboratori AI di frontiera e le aziende techbio che spingono il settore in avanti. Questa è una rara opportunità per contribuire ad avanzare alcuni dei lavori più importanti che si stanno svolgendo oggi nel biotech.

Il nostro laboratorio automatizzato è alimentato da un profondo stack software + hardware: strumenti di laboratorio del valore di milioni di USD sottoposti a reverse engineering in hardware controllabile tramite API, decine di dispositivi orchestrati attraverso workflow complessi, piena osservabilità su tutto ciò che accade nel laboratorio, pipeline di elaborazione per dati disordinati del mondo fisico e sistemi AI che risolvono problemi nei risultati di produzione e accelerano lo sviluppo di saggi.

Stiamo crescendo rapidamente e stiamo assumendo persone di talento per scalare e supportare la massiccia domanda di sperimentazione wet lab guidata dall'AI.

Informazioni sul Ruolo

Il nostro laboratorio produce dati di legame più velocemente di quanto una persona possa analizzarli. I test escono dai Gator e dai Carterra, passano attraverso la nostra pipeline di elaborazione e approdano in una coda di revisione. Qualcuno con un vero giudizio deve poi decidere: questa curva è reale? Si tratta di un artefatto di fitting o di un genuino evento di legame a due stati? Questo replicato viene consegnato, o il campione viene ripetuto? Quella persona sei tu.

La seconda metà del lavoro consiste nel parlarne con il cliente. Quando un team di progettazione riceve una piastra e tre delle loro migliori previsioni sembrano non-binder, vogliono parlare con qualcuno che possa spiegare il perché: sottrazione del riferimento, avidità, un off-rate al limite della risoluzione dello strumento, o semplicemente una cattiva proteina. Sarai tu quella persona, in chiamata, condividendo il tuo schermo, analizzando i sensorgrammi.

Questo è un ruolo per uno scienziato che è molto bravo nella cinetica e che ama anche le persone. Se ti piace uno ma non l'altro, sarai infelice qui.

Cosa Farai

• Revisionare i dati di legame provenienti dal laboratorio. Ogni corsa SPR e BLI passa attraverso la nostra pipeline di elaborazione e poi alla revisione umana, e tu sei l'occhio esperto sui risultati. Decidi cosa viene consegnato, cosa viene segnalato e cosa viene ripetuto.
• Giudicare le curve, non solo i numeri. Una Kd dall'aspetto pulito su un cattivo fitting è peggio di nessun numero affatto. Conosci la differenza tra un vero off-rate e una deriva della linea di base, e sai spiegare il perché.
• Revisionare i dati anche dai nostri altri saggi: termostabilità, espressione, developability, attività enzimatica. Il legame è il cuore del ruolo ma non è tutto.
• Parlare con i clienti dei loro risultati. Analisi guidate dei deliverable, domande di follow-up e la conversazione imbarazzante quando i dati non dicono ciò che speravano. Spieghi cosa abbiamo misurato, quanto siamo sicuri e cosa fare successivamente.
• Trasformare la revisione in progettazione sperimentale. Quando qualcosa richiede una ripetizione, decidi cosa cambiare: orientamento, rigenerazione, serie di concentrazione o il passaggio da BLI a SPR per la sensibilità.
• Analizzare a livello di batch, non solo a livello di campione. Con centinaia di risultati per esperimento, dovresti scrivere uno script per trovare il pattern piuttosto che cliccare attraverso una coda. La deriva sistematica, un canale di riferimento errato o un lotto di target che si comporta diversamente dall'ultimo appare in modo aggregato molto prima di apparire in una singola curva.
• Reintegrare ciò che impari nella pipeline. Quando individui un caso in cui l'automazione ha approvato qualcosa che non avrebbe dovuto, o ha fallito qualcosa che non avrebbe dovuto, questo diventa un requisito concreto per il team software.
• Lavorare a stretto contatto con la produzione (cosa è accaduto effettivamente nel laboratorio), il QC (qualità sistematica) e il customer success (la relazione attorno alla scienza).

Cosa Cerchiamo

• MSc / PhD in biochimica, biofisica o un campo rilevante, più 3+ anni di lavoro pratico con la cinetica di legame.
• Profonda esperienza in SPR e BLI. Biacore, Carterra, Octet, Gator: la piattaforma conta meno del fatto che tu abbia eseguito questi saggi, risolto i loro problemi e interpretato molti dati da essi. Hai visto abbastanza sensorgrammi da sapere immediatamente quando uno ti sta mentendo.
• Vero giudizio nel fitting. 1:1 vs bivalente, quando lo stato stazionario è appropriato e quando non lo è, come il trasporto di massa e l'avidità distorcono un risultato. Puoi difendere una Kd o rifiutarti di riportarne una.
• Forti capacità di analisi dei dati. Python o R, abbastanza da estrarre qualche centinaio di risultati da un database, adattarli, tracciarli e trovare gli outlier. Questo ruolo genera troppi dati per essere revisionato a mano.
• Usi gli strumenti AI seriamente. Utilizziamo internamente Claude Code e strumenti simili, e le persone che ottengono di più qui sono quelle che ricorrono ad essi per impostazione predefinita: scrivendo lo script di analisi, interrogando il database, costruendo la dashboard ad hoc. Non devi averlo già fatto, ma devi volerlo fare. Se il tuo istinto è che i veri scienziati lo fanno a mano, questo non è il posto giusto.
• Una persona proattiva che lavora in modo indipendente. Nessuno ti consegnerà una coda prioritizzata ogni mattina. Capirai cosa conta di più, andrai a farlo e