Doktorand i AI och maskininlärning för cancerforskning

Doktorand i AI och maskininlärning för cancerforskning

Institutionen för immunologi, genetik och patologi vid Uppsala universitet har en bred forskningsprofil med starka forskargrupper inriktade på bl.a cancer, autoimmuna och genetiska sjukdomar. En av grundtankarna vid institutionen är att stimulera translationell forskning och därmed en närmare samverkan mellan medicinsk forskning och sjukvården. Forskning bedrivs inom cancerprecisionsmedicin, cancerimmunterapi, genomik och neurobiologi, molekylära verktyg och funktionsgenomik, neuroonkologi och neurodegeneration samt vaskulärbiologi. Delar av verksamheten är även integrerad med avdelningarna för onkologi, klinisk genetik, klinisk immunologi, klinisk patologi och sjukhusfysik vid Akademiska sjukhuset. Institutionen har undervisningsuppdrag på ett antal programutbildningar, fristående kurser och internationella masterprogram inom den medicinska fakulteten.  Institutionen omsätter omkring 500 miljoner kronor, varav drygt hälften är externa forskningsbidrag. Antalet anställda är ca 345, varav ca 100 är doktorander, och det finns totalt över 700 verksamma i arbetsstyrkan. Läs gärna mer om institutionens verksamhet här: https://www.uu.se/institution/immunologi-genetik-och-patologi

Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet

Vill du använda artificiell intelligens och maskininlärning för att förstå — och programmera om — beteendet hos en av världens farligaste cancersjukdomar? Vi söker en doktorand som vill bedriva forskning i världsklass kring glioblastom: en hjärntumör vars dödlighet inte drivs av spridning till andra organ, utan av dess förmåga att kontinuerligt byta biologisk karaktär och invadera hjärnvävnaden. Med oss får du möjligheten att kombinera spjutspetsig AI-metodutveckling med direkt experimentell validering, i en internationell forskningsmiljö med starka samarbeten och unika resurser.

Forskargruppen leds av professor Sven Nelander vid institutionen för immunologi, genetik och patologi, Uppsala universitet. Vi arbetar i skärningspunkten mellan AI/maskininlärning, systembiologi och experimentell neuro-onkologi. Vår grupp har under mer än ett decennium byggt upp unika resurser: en biobank med över 100 patientavledda glioblastomceller (distribuerade till 54 laboratorier i 17 länder), storskalig Perturb-seq-data, egenutvecklade CRISPR-reporterverktyg och ett prototypsystem för multimodal AI. Gruppen är en del av det nationella strategiska forskningscentrumet CNSx3 och har koppling till UUniFIs AI-institute. Du handleds av Sven Nelander och Veronica Rendo, med stöd från experter inom matematisk biologi och högdimensionell statistik. Teamet kombinerar beräkningsbiologer, experimentella forskare och matematiker — ett unikt sammanhang för spjutspetsforskning med verklig tvärvetenskaplig karaktär. Projektet finansieras av Vetenskapsrådet, Cancerfonden, KAW och SSF.

Arbetsuppgifter

Det grundläggande problemet vi vill lösa är att förstå hur celler i en hjärntumör väljer att byta karaktär — och hur vi kan använda den kunskapen för att aktivt styra dem mot mer behandlingskänsliga tillstånd. Vi kallar detta state steering. Till skillnad från konventionell cancerterapi, som syftar till att döda tumörceller med brett verkande terapier, syftar state steering till att omprogrammera dem. Via omprogrammeringen uppnås en rad effekter, såsom minskad invasion, ökad känslighet till strålning, eller senescens.

Du kommer att arbeta med två huvudsakliga typer av data som samlas in inom ramen för det strategiska forskningscentrumet CNS×3: storskaliga interventionsexperiment, där vi systematiskt kartlägger hur genetiska och farmakologiska störningar påverkar tumörcellernas plasticitet, samt bildbaserad spårningsdata, där enskilda tumörceller följs i realtid när de vandrar genom hjärnvävnad. Målet är att bygga AI-modeller som samlar dessa datakällor och kan förutsäga hur en given behandling påverkar tumörens beteende och utfall.

Du blir en del av ett spännande beräkningsteam med en gemensam ambition: att integrera de två datatyperna i ett gemensamt matematiskt ramverk — teorin för linjära operatorer. Befintliga verktyg som gömda Markov-modeller (HMM), som används för att analysera enskilda cellers rörelser i bilddata, är specialfall av detta ramverk. Det nya bidraget, rewire-seq, är en mer generell och dataskalbar version som kombinerar storskaliga interventionsexperiment med bildbaserad cellspårning för att ge en sammanhållen bild av tumördynamiken. En nyckelkomponent i projektet är cyklisk experimentering: modellens prediktioner styr direkt valet av nästa experiment, och resultaten återmatas in i modellen — en process som gör forskningen progressivt mer precis. Du arbetar nära experimentella kollegor i en teambaserad miljö och omvandlar gemensamt biologiska frågor till beräkningslösningar med klinisk relevans.

Kvalifikationskrav
Behörig till utbildning på forskarnivå är den som har

• - avlagt examen på avancerad nivå inom beräkningsbiologi, bioinformatik, maskininlärning, tillämpad matematik, biofysik, molekylärbiologi, eller liknande, eller
• - fullgjort minst 240 högskolepoäng, varav minst 60 högskolepoäng på avancerad nivå inklusive ett självständigt arbete om minst 15 högskolepoäng, eller
• - på något annat sätt förvärvat i huvudsak motsvarande kunskaper.

Projektet kräver solid förståelse av den matematik som ligger till grund för AI och maskininlärning — exempelvis linjär algebra, sannolikhetslära och statistisk inferens. Du bör ha konkret erfarenhet av krävande dataanalyser, t.ex. inom genomik, bildanalys eller biokemiska screeningdata. Starka programmeringsfärdigheter i Python, R eller annat språk är nödvändigt. Vi är öppna för sökande med potential att kombinera experimentellt och beräkningsbaserat arbete. Projektet passar dig som på lång sikt vill arbeta med spjutspetsforskning inom akademi eller industri. Stor vikt läggs vid personlig lämplighet. Utmärkt talad och skriven engelska krävs i rollen.

Önskvärt/meriterande i övrigt
Erfarenhet av analys av single-cell RNA-sekvensdata, CRISPR-screening, eller bilddata. Erfarenhet av djupinlärning eller grafneurala nätverk. Erfarenhet av modellering av dynamiska system eller systemkontroll. Tidigare erfarenhet av metodutveckling eller publicerad forskning. Intresse för cancerbiologi och förmåga att formulera biologiska hypoteser utifrån data.

Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer.

Om anställningen 
Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde snarast möjligt eller enligt överenskommelse. Placeringsort: Uppsala

Upplysningar om anställningen lämnas av: Sven Nelander, sven.nelander@igp.uu.se.

Välkommen med din ansökan senast den 16 augusti 2026, UFV-PA 2026/1605.