Doktorand i maskininlärning

UPPSALA UNIVERSITET

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.Läs gärna mer om institutionen här: https://www.uu.se/institution/immunologi-genetik-och-patologi 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 IGP 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. 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.  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 augusti2026, UFV-PA 2026/1605. Läs mer om våra förmåner och hur det är att jobba inom Uppsala universitet https://uu.se/om-uu/jobba-hos-oss/ Anställningen kan komma att säkerhetsprövas. Vid säkerhetsprövning är en förutsättning för anställning att sökande blir godkänd. Vi undanber oss erbjudanden om rekryterings- och annonseringshjälp. Ansökan tas emot i Uppsala universitets rekryteringssystem. Fackliga företrädare: Saco-S - saco-s@uu.se, Seko - seko@uadm.uu.se, ST (OFR/S) - ofr@uu.se

UPPSALA UNIVERSITET

Vill du arbeta med maskininlärning, optimering och reaktorfysik, med stöd av kompetenta och trevliga kollegor i en internationell miljö? Vill du bidra till utvecklingen av avancerade beräkningsmetoder för framtidens kärnkraftssystem? Vill du ha en arbetsgivare som satsar på ett hållbart medarbetarskap och erbjuder trygga, förmånliga arbetsvillkor? Välkommen att söka anställning som doktorand vid Uppsala universitet. Som doktorand kommer du att vara en del av en forskargrupp som arbetar med reaktorfysik, bränslecykelanalys och beräkningsmetoder för härd- och bränsleoptimering. Gruppen kombinerar fysikbaserade beräkningsmodeller med moderna optimerings- och dataanalysmetoder. Arbetsmiljön är internationell och tvärvetenskaplig, med nära koppling mellan grundläggande metodutveckling och tekniskt relevanta tillämpningar. Projektet är en fortsättning på ett pågående doktorandprojekt om härd- och bränsleoptimering för små modulära reaktorer, SMR, inom kompetenscentrumet ANItA (Academic-industrial Nuclear technology Initiative to Achieve a sustainable energy future). Kompetenscentrumet samlar akademi och industri för att stärka svensk kärnteknisk kompetens och bidra till en hållbar energiomställning. Det tidigare doktorandprojektet har utvecklat metoder för optimering av jämviktscykler, där målet är att hitta återkommande bränslehanteringsstrategier som ger god bränsleekonomi samtidigt som reaktorfysikaliska säkerhetsmarginaler uppfylls. Särskilt fokus har legat på att kombinera avancerade optimeringsalgoritmer med maskininlärningsbaserade surrogatmodeller, inklusive grafbaserade representationer av härdladdningsmönster. Du kommer att vidareutveckla denna forskningsinriktning. Projektet kan till exempel omfatta cykel-till-cykel-optimering, utveckling av nya maskininlärningsmodeller, förbättrade optimeringsstrategier, osäkerhetskvantifiering, effektivare hantering av fysikaliska begränsningar samt utökad analys av bränsledesign, laddningsmönster och säkerhetsrelaterade storheter. Målet är att ta fram metoder som gör det möjligt att snabbare och mer tillförlitligt utforska stora designrum inom härd- och bränsleoptimering. Arbetsuppgifter Arbetsuppgifterna består huvudsakligen av forskarutbildning, där du bedriver forskning inom projektet och följer kurser inom forskarutbildningen. Arbetet innefattar utveckling, implementering och utvärdering av beräkningsmetoder för härd- och bränsleoptimering med hjälp av maskininlärning och optimeringsalgoritmer. I arbetsuppgifterna ingår att: utveckla och tillämpa maskininlärningsbaserade surrogatmodeller för reaktorfysikaliska beräkningar, utveckla och utvärdera optimeringsmetoder för bränsleladdningsmönster och bränslesammansättning, analysera säkerhetsrelaterade parametrar såsom reaktivitet, effektfördelningar, bränsleutnyttjande och marginaler till tekniska begränsningar, arbeta med stora datamängder från reaktorfysikaliska simuleringar, implementera och dokumentera beräkningsverktyg, exempelvis i Python, sammanställa och publicera forskningsresultat i vetenskapliga artiklar, presentera resultat vid nationella och internationella konferenser, delta i forskargruppens seminarier, projektmöten och övriga vetenskapliga aktiviteter. Undervisning och annan institutionstjänstgöring kan komma att ingå med högst 20 procent av heltid. Kvalifikationskrav Behörig till utbildning på forskarnivå är den som har avlagt examen på avancerad nivå inom teknisk fysik, kärnteknik, energiteknik, maskininlärning, datavetenskap, tillämpad matematik eller annat för projektet relevant område, 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. För anställningen krävs dessutom: goda kunskaper i fysik, numeriska metoder och/eller maskininlärning, god programmeringsförmåga, exempelvis i Python, Julia, C++ eller motsvarande, god förmåga att arbeta självständigt och strukturerat, god samarbetsförmåga, god förmåga att uttrycka sig i tal och skrift på engelska. Stor vikt kommer att läggas vid personliga egenskaper såsom analytisk förmåga, initiativförmåga, noggrannhet och motivation att bedriva forskarstudier inom ett tvärvetenskapligt område. Önskvärt/meriterande i övrigt Det är meriterande med erfarenhet av ett eller flera av följande områden: reaktorfysik, kärnteknik eller neutrontransport, härdoptimering, bränslecykelanalys eller bränslehantering, maskininlärning, särskilt neurala nätverk, grafneurala nätverk eller surrogatmodellering, optimeringsalgoritmer, exempelvis evolutionära algoritmer, stokastisk optimering eller flermålsoptimering, osäkerhetskvantifiering eller statistisk modellering, arbete med vetenskapliga beräkningsprogram och högpresterande beräkningar, erfarenhet av versionshantering och reproducerbara beräkningsflöden. Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1–7 samt i universitetets regler och riktlinjer. Om ansökan Vänligen bifoga betygsutdrag, kopia av examensarbete samt eventuella övriga handlingar som du vill åberopa. Om anställningen Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde 1 januari 2027, eller enligt överenskommelse. Placeringsort: Uppsala. Upplysningar om anställningen lämnas av: Andreas Solders, 018-471 26 31, andreas.solders@physics.uu.se I denna rekrytering har vi ersatt det personliga brevet med frågor som du besvarar i samband med din ansökan. Svaren kommer att användas som en del i urvalsprocessen. Välkommen med din ansökan senast den 30 september 2026, UFV-PA 2026/2129 Observera att detta är en förkortad version av annonsen. För att se den fullständiga annonsen vänligen klicka på ”Ansök här” eller se Uppsala universitets hemsida för jobbannonser

UPPSALA UNIVERSITET

Är du intresserad av att utveckla nya metoder för bildanalys och maskininlärning för precisionsmedicin och kliniskt beslutsstöd? Vill du vara en del av ett forskarteam med skickliga och inspirerande kollegor i en internationell miljö? Söker du en arbetsgivare som erbjuder trygga och förmånliga arbetsförhållanden? Välkommen att söka en doktorandtjänst vid Institutionen för informationsteknologi, Uppsala universitet. Institutionen för informationsteknologi har en ledande position inom såväl forskning som utbildning på alla nivåer. Vi är idag Uppsala universitets tredje största institution, med drygt 350 anställda varav 120 lärare och 120 doktorander. Cirka 5000 grundutbildningsstudenter läser en eller flera kurser vid institutionen varje år. Mer information om oss hittar du på institutionens webbplats. Projektet leds av professor Nataša Sladoje, inom forskargruppen MIDA – Methods for Image Data Analysis – vid Institutionen för informationsteknologi och genomförs tillsammans med andra forskare vid Centrum för bildanalys som utvecklar beräkningsmetoder med särskilt fokus på djupinlärning och bildanalys. Projektet bygger på ett nära samarbete med forskare vid Institutionen för immunologi, genetik och patologi (IGP) vid Uppsala universitet samt SciLifeLab, den nationella infrastrukturen för life science. Projektbeskrivning Immunterapi har blivit ett livräddande alternativ för patienter med långt framskriden cancer. Det är dock bara en minoritet av patienterna som utvecklar ett varaktigt svar. Många forskare arbetar för att bättre förstå komplexiteten i anti-cancerimmunitet och utveckla diagnostiska metoder som exakt förutsäger behandlingens nytta och möjliggör individanpassad cancerbehandlingsplanering. Moderna AI-baserade metoder är essentiella för att föra denna forskningsfront framåt. Detta projekt är en viktig del av vårt bredare initiativ för att utveckla och använda innovativa, tolkningsbara datadrivna analysmetoder för att avsevärt öka vår förståelse för hur immuncellers inbördes relationer påverkar cancerns mikromiljö. Vi kommer att tillämpa dessa analysmetoder på höginformativa multimodala mikroskopidata och utveckla tekniker för att integrera korrelerad strukturell och molekylär analys i den tredimensionella vävnadsrymden. Denna integration kommer att möjliggöra förbättrad prediktion av sjukdomsprogression och respons på specifika behandlingar. Arbetsuppgifter Doktoranden kommer främst att ägna sig åt den egna forskarutbildningen. Övrig tjänstgöring vid institutionen, som avser undervisning och administrativt arbete, kan ingå inom ramen för anställningen (max 20%). Kvalifikationskrav Grundläggande behörighet har den som: avlagt examen på avancerad nivå inom datavetenskap, bildanalys och maskininlärning, teknisk fysik, dataanalys, tillämpad matematik, molekylär bioteknik eller ett annat relaterat område, 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 inom eller utom landet förvärvat i huvudsak motsvarande kunskaper. Högskolan får för en enskild sökande medge undantag från kravet på grundläggande behörighet, om det finns särskilda skäl. (7 kap. 39 § HF). För särskild behörighet, se studieplanen för ämnet. De specifika kraven uppfylls genom att ha godkända kurser inom områden relevanta för ämnena bildanalys och maskininlärning, omfattande minst 90 högskolepoäng. Relevanta kurser innefattar, till exempel, bildbehandling, datorseende, maskininlärning, djupinlärning och neurala nätverk, samt kurser i Python, GPU-programmering, matematisk modellering och statistik eller motsvarande. Vi söker kandidater med: En stark akademisk bakgrund och en gedigen förståelse för beräkningar och analys; Goda kunskaper i programmering i Python och ramverk för djupinlärning som PyTorch och TensorFlow; Utmärkta kommunikationsfärdigheter i både tal och skrift på engelska; Kreativitet, noggrannhet och ett strukturerat tillvägagångssätt för problemlösning; God samarbetsförmåga, driv och självständighet. Önskvärt/meriterande i övrigt Meriterande är: Intresse för biomedicinsk forskning och erfarenhet av tillämpning av bildanalys inom medicin; Erfarenhet av versionshantering med Git, typsättning med LaTeX och användning av Linux-datorer; Erfarenhet av faltnings- och transformer-baserade neuronnät för bildanalys; Erfarenhet av grafbaserade metoder och graf-neuronnät; Erfarenhet av förklarlig och tolkningsbar AI (XAI). Bestämmelser för doktorander återfinns i Högskoleförordningen 5 kap §§ 1-7 samt i universitetets regler och riktlinjer. Ansökan Ansökan ska innehålla: Meritförteckning (CV); Kopia av examen/examensbevis och utskrift av kursprotokoll med betyg; Examensarbete (eller ett utkast till detta, och/eller annan egenproducerad teknisk eller vetenskaplig text), vetenskapliga publikationer och andra relevanta dokument i elektronisk form; Kontaktuppgifter (namn, e-postadresser och telefonnummer) till minst två referenser, med angivelse av sammanhanget, varaktigheten och arten av relationen till kandidaten. Referensbrev kan bifogas som stödjande dokument men är inte ett krav vid ansökningstillfället. Ett personligt brev (högst en sida) som inkluderar: Din motivering för att söka denna tjänst; En kort punktlista med tre huvudsakliga akademiska eller vetenskapliga prestationer; Tidigast möjliga startdatum (med skäl om tillämpligt). Om anställningen Anställningen är tidsbegränsad, enligt HF 5 kap § 7. Omfattningen är heltid. Tillträde: 1 oktober 2026 eller enligt överenskommelse. Placeringsort: Uppsala Upplysningar om anställningen lämnas av: Prof. Nataša Sladoje (e-post: natasa.sladoje@it.uu.se). Välkommen med din ansökan senast 20 augusti 2026, UFV-PA 2026/2366.