Je ontwikkelt een fundamentmodel voor een van de meest complexe ecosystemen in de biologie. Binnen een Europees onderzoeksproject ontwerp, train en implementeer je een AI-fundamentmodel voor gewasmicrobiomen.
Je werkt op het snijvlak van deep learning, bio-informatica en microbiële ecologie, waarbij je grootschalige microbiome- en genoomdata gebruikt om contextuele representaties van microben en gemeenschappen te leren en deze te vertalen naar voorspellende modellen voor succesvolle engineering van gewasmicrobiomen. Plant-geassocieerde microbiomen kunnen de gewasgroei, voeding en veerkracht sterk beïnvloeden, maar hun gedrag hangt af van het gewas, de bodem, de omgeving en de omringende microbiële gemeenschap.
Het project heeft als doel deze contextafhankelijke interacties leerbaar en voorspelbaar te maken. Centraal in het project staat een AI-gestuurd fundamentmodel voor gewasmicrobiomen, getraind op grootschalige publieke en nieuw gegenereerde datasets. Als onderzoeker in AI neem je een leidende technische rol in de ontwikkeling van dit model.
Je onderzoekt welke modelarchitecturen en leerdoelen het beste werken voor sparse, hoog-dimensionale en heterogene microbiome-data, en zet de geselecteerde benaderingen om in robuuste trainbare modellen. Je werk omvat zowel pretraining van het fundamentmodel als downstream voorspellende en generatieve toepassingen.
Wat je doet
- Ontwerpen, implementeren en benchmarken van fundamentmodelarchitecturen voor microbiome-data, inclusief transformer-gebaseerde en masked-autoencoder benaderingen en relevante architecturen aangepast uit gerelateerde biologische domeinen.
- Ontwikkelen van representaties die microbiële identiteit en abundantie integreren met genomische of functionele informatie en contextuele metadata zoals gewasgenotype, bodem- en omgevingscondities.
- Definiëren en evalueren van zelf-gesuperviseerde leerdoelen en embedding-strategieën, en hun toegevoegde waarde benchmarken tegen eenvoudigere machine learning-baselines.
- Trainen en evalueren van het AI-fundamentmodel op grootschalige microbiome-datasets, met aandacht voor sparsiteit, batch-effecten, schaalbaarheid, generalisatie over studies en onzekerheid in downstream voorspellingen.
- Fine-tunen van het model voor taken zoals microbiële wortelcompetentie en gewasrelevante uitkomsten, en het iteratief verbeteren van het model met behulp van experimentele Design-Build-Test-Learn data gegenereerd door projectpartners.
- Ontwikkelen van een generatieve component, waarbij autoencoder- en/of diffusie-gebaseerde benaderingen worden verkend voor het genereren van ecologisch plausibele microbiome-configuraties.
- Toepassen van interpreteerbare en verklaarbare AI-benaderingen om microbiële taxa, functies en contextuele kenmerken te identificeren die modelvoorspellingen sturen.
- Ontwikkelen van reproduceerbare trainings- en evaluatieworkflows en samenwerken met projectpartners om modellen en bijbehorende tools bruikbaar te maken buiten de directe onderzoekssetting.
De voorspellingen van het model zullen experimenteel worden getest in kas- en veldinstellingen, en de resulterende microbiome- en gewasfenotypedata zullen teruggekoppeld worden naar de modelontwikkeling. Dit biedt de mogelijkheid om nieuwe AI-methodologie te ontwikkelen en te zien hoe modelvoorspellingen presteren in een echt biologisch en agrarisch systeem.
Je maakt deel uit van een interdisciplinaire onderzoeksomgeving die AI-technologie voor het leven en plant-microbe interacties omvat, met nauwe interactie met bio-informatica, microbiële ecologie en experimenteel gewasonderzoek bij de instelling en projectpartners. Je hebt toegang tot de GPU/HPC-infrastructuur van de instelling en grote, gecureerde microbiome- en microbieel genoomdatasets.
Daarnaast werk je nauw samen met projectpartners bij diverse instellingen, inclusief experimentele teams die modelvoorspellingen direct zullen testen.
Wat ze vragen
- Een PhD, of een PhD die bijna is afgerond, in machine learning, kunstmatige intelligentie, computationele biologie, bio-informatica, computerwetenschappen of een nauw verwant vakgebied.
- Sterke hands-on ervaring met deep learning en moderne representatieleer, bij voorkeur inclusief transformers, zelf-gesuperviseerd leren, fundamentmodellen, autoencoders of gerelateerde architecturen.
- Sterke programmeervaardigheden in Python en ervaring met een deep learning-framework zoals PyTorch, inclusief het trainen en evalueren van modellen op GPU/HPC-infrastructuur.
- Ervaring met hoog-dimensionale biologische, omics, ecologische of vergelijkbaar sparse en heterogene data, of een duidelijke motivatie om deze expertise te ontwikkelen.
- Interesse in interpreteerbare AI, rigoureuze benchmarking en reproduceerbaar onderzoek, samen met het vermogen om samen te werken tussen AI, bio-informatica, microbiologie en gewaswetenschappen.
Wensen
- Ervaring met microbiome-data, microbiële genomica, metagenomica of multimodale biologische data is een voordeel, maar is niet vereist als je sterke machine learning-expertise meebrengt en gemotiveerd bent om de biologie te leren.
Praktisch
- Een centrale rol in de ontwikkeling van de kern AI-technologie van een vijfjarig Europees onderzoeksproject.
- Mogelijkheden voor persoonlijke en professionele groei, flexibele verlofregelingen en extra vakantiedagen.
- Je kunt je arbeidsvoorwaardenpakket afstemmen op je behoeften.
Hoe solliciteren?
Bekijk de volledige opdrachttekst en sollicitatie-informatie zodra je sollicitatie op maat klaarstaat.
Bestel een sollicitatie op maat om de volledige opdracht en sollicitatie-informatie te bekijken.
Meer context, minder losse zoekuren.
Je krijgt net genoeg context om te beoordelen of deze opdracht interessant is. De volledige briefing, klantdetails en vervolgstappen blijven beschikbaar in de app.