Zur Verstärkung unseres Teams in Wädenswil, Schweiz, suchen wir eine PhD-Position in Computational Phylogenetics.

Aufgaben

Genomische Sequenzen werden als entlang binärer phylogenetischer Bäume evolvierend modelliert durch stochastische stringwertige Substitutions- und Insertion-Deletion-(Indel)-Prozesse. Gegeben eine Menge gegenwärtiger Sequenzen, sind klassische Inferenzprobleme in der Phylogenetik: (i) Homologie-Inferenz (ii) Baum-Inferenz und (iii) Rekonstruktion von Vorfahren-Sequenzen. Ein zentraler Fokus unserer jüngsten Arbeit war die Entwicklung schneller frequentistischer indel-bewusster Ansätze für diese Probleme.

Zur Vereinfachung müssen die Modelle in den meisten Fällen annehmen, dass Reste unabhängig über die Positionen evolvieren. In Wirklichkeit werden Mutationswahrscheinlichkeiten vom Sequenzkontext beeinflusst, einschließlich positionsspezifischer struktureller und funktioneller Einschränkungen. In den letzten Jahren hat die Konvergenz von computergestützter Biologie und datengetriebenen Methoden zu genomischen großen Sprachmodellen (gLLMs) geführt. Diese können Abhängigkeiten im Sequenzkontext modellieren.

Aufbauend auf unserer vorherigen Arbeit ist es unser Ziel, neuro-symbolische Methoden zu entwickeln, die die mechanistische Grundlage der klassischen Phylogenetik bewahren und die repräsentative Vielfalt der gLLMs integrieren. Als Doktorand/in werden Sie Mutationsmodelle entwerfen, Inferenzalgorithmen entwickeln, diese in unserer Rust-Codebasis implementieren und die Methoden durch Simulationen sowie an realen Daten evaluieren.

Profilanforderungen

Sie sollten einen MSc in Informatik, Computational Science, Computational Biology, Statistik / Angewandte Mathematik oder einem verwandten quantitativen Fach mit starkem Hintergrund in folgenden Bereichen haben:

• Algorithmen, insbesondere kombinatorische Optimierung
• Stochastische Modellierung
• Computationale inferenzstatistische Methoden
• Programmierung, idealerweise in Rust und/oder C++

Kenntnisse in Phylogenetik und/oder Verständnis von neuronalen Netzwerken sind von Vorteil.

Bewerbung

Wenn Sie an dieser herausfordernden und hochinteressanten Position interessiert sind, senden Sie bitte Ihre Bewerbung über die ZHAW-Plattform, indem Sie

hier