Doktorand i beräkningsvetenskap med fokus på djup maskininlärning för genetisk epidemiologi - Under tillsättning eller tillsatt, ej sökbar

Institutionen för informationsteknologi har en ledande position inom forskning och alla nivåer av högre utbildning. Idag har institutionen ca 280 anställda, varav 120 forskare och lärare och 110 doktorander. Institutionen bedriver forskning och utbildning inom ett spektrum av områden inom datavetenskap, informationsteknologi och beräkningsvetenskap. Mer än 4000 studenter tar varje år en eller flera kurser som institutionen erbjuder.

Anställningen är placerad vid avdelningen för beräkningsvetenskap inom institutionen för informationsteknologi. Som en av världens största fokuserade forskningsmiljöer inom beräkningsvetenskap har forskningen och utbildningen en unik bredd med omfattande aktiviteter inom klassiska beräkningsvetenskapliga områden som numerisk analys, matematisk modellering, utveckling och analys av algoritmer, vetenskaplig mjukvaruutveckling och högprestandaberäkningar. Många av avdelningens forskningsprojekt bedrivs i nära samarbeten med tillämpningsområden inom och utom akademin. Avdelningen befinner sig för närvarande i en expansiv fas inom nya tillväxtområden som molnberäkningar, datadriven vetenskap och artificiell intelligens och spelar en nyckelroll i flera nya strategiska initiativ vid universitetet. Avdelningen är för närvarande värd för 20 doktorander, och doktorandutbildningen i beräkningsvetenskap har hittills resulterat i över 80 doktorer. Många av dem är idag framgångsrika forskare i beräkningsvetenskap och relaterade områden, verksamma både inom akademi och inom näringsliv.

Institutionen för informationsteknologi är också ansvarig för att leda det strategiska forskningsområdet (SFO) eSSENCE, som är ett samarbete för att utveckla e-vetenskap mellan tre svenska universitet som vart och ett har varit starka inom området: Uppsala, Lunds och Umeå universitet.

Den aktuella doktorandtjänsten är en del av den gemensamma forskarskolan i dataintensiv vetenskap mellan eSSENCE och SciLifeLab. I forskarskolan kombineras utmaningar inom dataintensiv vetenskap från ett grundläggande metodologiskt perspektiv och med ett perspektiv direkt från dataintensiva tillämpningar. Skolan utgör en arena för möten och nära samarbete för exporter i beräkningsmetoder, dataintensiva metoder och datahantering (system och metodik) tillsammans med forskare i olika (datadrivna) forskningsområden, näringsliv och samhälle, med det gemensamma målet att möjliggöra nya vetenskapliga upptäckter i dataintensiva fält.

SciLifeLab är en ledande aktör och en nationell forskningsinfrastruktur med uppgiften att möjliggöra ledande forskning i livsvetenskaperna i Sverige, stödja internationella samarbeten, samt att attrahera och behålla högsta kompetens i fältet.

Projektbeskrivning
Revolutionen med djup maskininlärning i bland annat bildanalys har varit beroende av att det har utvecklats väletablerade, validerade och standardiserade modellarkitekturer, arbetsflöden och färdigtränade modellkoefficienter, som sedan kan användas i olika nya tillämpningar genom överförd inlärning och finanpassning. Denna typ av grund saknas än så länge för genetiska tillämpningar.

De djupa maskininlärningsmodeller som än så länge finns inom genomik kan inte utan vidare användas för att tränas med ett mycket stort antal genetiska varianter, eller ett stort antal träningsindivider. Moderna dataset för kohortstudier, som UK Biobank, innehåller båda. Korrekt använd kan djup maskininlärning ge nya möjligheter till förståelse av variabilitet och monster i mänskliga genom, inklusive möjligheten att på ett storskaligt sätt identifiera kopplingar mellan genetisk variation och risk för sjukdom och ohälsa. I detta projekt kommer vi specifikt att utgå från UK Biobank för att ta fram ett slags verktygslåda för djup maskininlärning på storskaliga genomikdata. Vi tror att framtagandet av sådana verktyg, som delvis skulle motsvara den flora av standardresurser som nu finns inom djup maskininlärning för bildanalys, kan möjliggöra en nystart för datadriven forskning inom genetisk epidemiologi.

Specifikt kommer doktoranden att börja med att vidareutveckla den modell vi redan har beskrivit i den publicerade artikeln A deep learning framework for characterization of genotype data. Målet är att anpassa den till relevanta nya tillämpningar och få den att skala till att träna på större dataset i ett nära samarbete mellan huvudhandledaren, docent Carl Nettelblad och gruppen för projektets biträdande handledare, docent Åsa Johansson, vid institutionen för immunologi, genetik och patologi.

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

Arbetsuppgifter
En doktorandanställning ges upp till fem år. Doktoranden ska främst ägna sig åt den egna forskarutbildningen, vilken omfattar fyra års heltidsstudier. Huvuddelen av forskarutbildningen består av forskning i ett specifikt ämne, men innebär även att man genomgår forskarutbildningskurser. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, ingår inom ramen för anställningen (max 20 %).

Kvalifikationskrav
En doktorand ska ha civilingenjörsexamen, magisterexamen eller motsvarande kunskaper i ett ämne som är relevant för forskningsområdet, goda kommunikationsfärdigheter och utmärkta studiemeriter, samt goda färdigheter i engelska i tal och skrift. Ytterligare krav för denna tjänst är grundläggande kunskaper om och intresse för maskininlärning och färdigheter i programmering (t.ex. i Python och kanske även modern C++/CUDA).

Önskvärt/meriterande i övrigt
Meriterande med lika vikt är kunskaper och erfarenhet inom numerisk optimering, djup maskininlärning, bioinformatiska metoder inom genetik, samt etablerad metodik inom mjukvaruutveckling.

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 2022-09-01 eller enligt överenskommelse. Placeringsort: Uppsala.

Upplysningar om anställningen lämnas av: Docent Carl Nettelblad, carl.nettelblad@it.uu.se

Välkommen med din ansökan senast den 16 maj 2022, UFV-PA 2022/1495.