Universität Basel
Basel
Postdoktorandenstelle im KI-gesteuerten Wirkstoffdesign
- 25 September 2026
- 100%
- 4000 Basel
Über den Job
Künstliche Intelligenz transformiert rasch das molekulare Design und die Wirkstoffforschung. Die Identifikation erfolgreicher Wirkstoffkandidaten erfordert jedoch mehr als nur die Generierung von Molekülen mit hoher vorhergesagter Affinität: Selektivität, physikochemische Eigenschaften, potenzielle Nebenwirkungen, synthetische Zugänglichkeit und experimentelles Feedback müssen gleichzeitig berücksichtigt werden.
Unsere Forschung in der Computational Pharmacy Gruppe der Universität Basel konzentriert sich auf die Entwicklung von KI-Ansätzen der nächsten Generation für das Wirkstoffdesign, indem modernste maschinelle Lernverfahren mit physikochemischem Wissen und molekularem Modellieren kombiniert werden. Repräsentative Publikationen unserer Gruppe umfassen:
https://doi.org/10.1038/s41467-025-63947-5
https://doi.org/10.1021/acs.jcim.2c01436
https://doi.org/10.1021/acs.jcim.1c01438
https://doi.org/10.1038/s42004-020-0261-x
Unsere Forschung in der Computational Pharmacy Gruppe der Universität Basel konzentriert sich auf die Entwicklung von KI-Ansätzen der nächsten Generation für das Wirkstoffdesign, indem modernste maschinelle Lernverfahren mit physikochemischem Wissen und molekularem Modellieren kombiniert werden. Repräsentative Publikationen unserer Gruppe umfassen:
https://doi.org/10.1038/s41467-025-63947-5
https://doi.org/10.1021/acs.jcim.2c01436
https://doi.org/10.1021/acs.jcim.1c01438
https://doi.org/10.1038/s42004-020-0261-x
Ihre Position
In der Computational Pharmacy Gruppe der Universität Basel ist im Rahmen eines internationalen Innosuisse-Forschungsprojekts zur KI-gesteuerten Closed-Loop-Wirkstoffforschung eine voll finanzierte Postdoktorandenstelle zu besetzen.
Ziel des Projekts ist der Aufbau einer integrierten Design-Make-Test-Analyse (DMTA)-Plattform, die generative KI, ultra-grosse synthetisch zugängliche chemische Räume, physik-informierte molekulare Repräsentationen, Off-Target-Vorhersagen und experimentelles Feedback kombiniert. Die entwickelten Methoden werden in iterativen prospektiven Wirkstoffforschungszyklen angewandt, wobei eine Serinprotease aus dem Komplementsystem als realweltliche Leitoptimierungsstudie dient.
Die erfolgreiche Kandidatin bzw. der erfolgreiche Kandidat wird eine zentrale Rolle in den rechnerischen und KI-Komponenten des Projekts übernehmen und eng mit unseren internationalen und industriellen Projektpartnern zusammenarbeiten.
Sie sind verantwortlich für:
Ziel des Projekts ist der Aufbau einer integrierten Design-Make-Test-Analyse (DMTA)-Plattform, die generative KI, ultra-grosse synthetisch zugängliche chemische Räume, physik-informierte molekulare Repräsentationen, Off-Target-Vorhersagen und experimentelles Feedback kombiniert. Die entwickelten Methoden werden in iterativen prospektiven Wirkstoffforschungszyklen angewandt, wobei eine Serinprotease aus dem Komplementsystem als realweltliche Leitoptimierungsstudie dient.
Die erfolgreiche Kandidatin bzw. der erfolgreiche Kandidat wird eine zentrale Rolle in den rechnerischen und KI-Komponenten des Projekts übernehmen und eng mit unseren internationalen und industriellen Projektpartnern zusammenarbeiten.
Sie sind verantwortlich für:
- Entwicklung und Anpassung von maschinellen Lernverfahren für struktur-basiertes und generatives molekulares Design.
- Integration physikochemischer Informationen, einschließlich Protein-Ligand-Interaktionsmerkmale, in generative KI-Workflows.
- Entwicklung rechnerischer Workflows für Closed-Loop-DMTA-Zyklen, in denen experimentelle Affinitäts-, Selektivitäts- und Moleküleigenschaftsdaten kontinuierlich zur Verbesserung der nächsten Molekülgeneration genutzt werden.
- Anwendung und Validierung der entwickelten Ansätze prospektiv im Design und der Optimierung von Serinprotease-Inhibitoren.
- Enge Zusammenarbeit mit Computational Scientists, Chemikern und Biologen innerhalb des internationalen Projektkonsortiums.
- Mitwirkung an wissenschaftlichen Publikationen, Präsentationen und Projektberichten.
Ihr Profil
- Promotion in Computational Chemistry, Cheminformatics, Informatik, Physik oder einem verwandten Fachgebiet.
- Fundierte Kenntnisse im maschinellen Lernen und Deep Learning.
- Starke Programmierkenntnisse, insbesondere in Python.
- Erfahrung in mindestens einem der folgenden Bereiche:
- molekulare generative KI,
- Cheminformatik und molekulare Repräsentationen,
- struktur-basiertes Wirkstoffdesign und Protein-Ligand-Modellierung,
- Erfahrung mit molekularem Modellieren und ein gutes Verständnis der physikochemischen Prinzipien der molekularen Erkennung sind sehr wünschenswert.
- Ein starker Publikationsnachweis in international anerkannten, hochwertigen Fachzeitschriften ist erforderlich, z. B. führende Journale der Computational Chemistry (z. B. JCTC, Journal of Chemical Physics) oder erstklassige maschinelle Lernkonferenzen (z. B. ICLR, ICML, NeurIPS), entsprechend dem Forschungshintergrund der Kandidatin bzw. des Kandidaten.
- Flüssige mündliche und schriftliche Englischkenntnisse.
- Hoch motivierte, selbstständige und kooperative Forscherin bzw. Forscher mit Interesse an der Arbeit an der Schnittstelle zwischen methodischer Entwicklung und prospektiver Wirkstoffforschung.
Wir bieten Ihnen
- Eine Postdoktorandenstelle in einem interdisziplinären Forschungsprojekt an der Schnittstelle von künstlicher Intelligenz und Wirkstoffforschung.
- Die Möglichkeit, neue rechnerische Methoden zu entwickeln und diese direkt in prospektiven Design-Make-Test-Zyklen zu erproben.
- Enge Zusammenarbeit mit experimentellen Wirkstoffforschern sowie industriellen und internationalen Projektpartnern.
- Ein internationales und kooperatives Forschungsumfeld an der Universität Basel.
Bewerbung / Kontakt
Bitte reichen Sie Ihre vollständigen Bewerbungsunterlagen ein, einschließlich:
Bewerbungen sind über die Online-Recruiting-Plattform der Universität Basel einzureichen.
Die Stelle ist sofort verfügbar.
Weitere Informationen zu unserer Forschung finden Sie unter:
https://pharma.unibas.ch/de/research/research-groups/computational-pharmacy-2155/
Für Fragen wenden Sie sich bitte an Prof. Markus Lill ( markus.lill@unibas.ch ).
Bitte reichen Sie Ihre vollständigen Bewerbungsunterlagen ein, einschließlich:
- Motivationsschreiben (max. 1 Seite), in dem Sie Ihre Forschungsinteressen, relevante Erfahrungen und Fähigkeiten hervorheben,
- Lebenslauf inklusive Publikationsliste,
- Doktorurkunde oder Bestätigung des voraussichtlichen Abschlusses, und
- Kontaktdaten von mindestens zwei akademischen Referenzen.
Bewerbungen sind über die Online-Recruiting-Plattform der Universität Basel einzureichen.
Die Stelle ist sofort verfügbar.
Weitere Informationen zu unserer Forschung finden Sie unter:
https://pharma.unibas.ch/de/research/research-groups/computational-pharmacy-2155/
Für Fragen wenden Sie sich bitte an Prof. Markus Lill ( markus.lill@unibas.ch ).
Universität Basel
4000 Basel
4000 Basel
