Om dette eksempel
Dette eksempel viser ansøgningen fra Thomas Eriksen, en data scientist med en ph.d. i bioinformatik og tre års industrierfaring. Thomas søgte en stilling i Genmabs Data Science-afdeling, der arbejder med at accelerere antistofudviklingen ved hjælp af machine learning og kliniske datasæt. Hans ansøgning er et stærkt eksempel på, hvordan man kombinerer akademisk baggrund med industriel relevans.
En åbning der forbinder akademi og industri
Thomas åbner med en bro mellem sin forskning og Genmabs konkrete behov:
"Under min ph.d. udviklede jeg en sekvensbaseret model til at forudsige antistofbindingsaffinitet med en AUC på 0,91 på et eksternt valideringssæt. Da jeg læste om Genmabs fokus på bispecifikke antistoffer og behovet for at accelerere target-selektion, var det tydeligt, at min baggrund er direkte relevant – og at jeg kan bidrage fra dag ét."
Tip: Akademisk baggrund bliver styrke, når du kobler den direkte til virksomhedens pipeline og udfordringer. Undgå at lyde som en forsker der leder efter en forlængelse af sit ph.d.-projekt.
Machine learning i reguleret kontekst
Thomas beskriver sin erfaring med at bygge ML-modeller på kliniske datasæt under regulatoriske krav (FDA og EMA). Han har arbejdet med at dokumentere modeller i henhold til ICH E9(R1)-standarden og forklarer, at validering og reproducerbarhed ikke er eftertanker for ham – de er en del af processen.
Han nævner specifikt: gradient boosting-modeller (XGBoost, LightGBM), neural netværk i PyTorch til sekvensdata og Bayesiansk optimering til dosisfinding.
Tip: I pharma er regulatorisk forståelse en differentiator. Vis at du forstår, at en model skal kunne forklares til et regulatorisk organ – ikke bare score godt på et leaderboard.
Konkrete modelresultater
Thomas beskriver et projekt, hvor hans survival analysis-model til at forudsige progressionsfri overlevelse forbedrede præcisionen med 14 procentpoint sammenlignet med den eksisterende logistiske regression. Det resulterede i en mere præcis patientstratificering i fase II-forsøg, hvilket reducerede behovet for post-hoc analyser.
Tip: Kliniske resultater tæller mere end benchmark scores. Kobl din model til et klinisk eller forskningsmæssigt resultat.
Tværfagligt samarbejde
Thomas understreger sin erfaring med at arbejde tæt sammen med statistikere, biologer og kliniske teams. Han beskriver, hvordan han tilpassede sine kommunikationsmetoder afhængigt af modtagerens faglige baggrund.
Tip: Data science i pharma er en holdssport. Vis at du kan oversætte mellem kode og klinik.
Afslutning med konkret interesse
Thomas afslutter med en specifik reference til Genmabs publikation om DuoBody-teknologi og stiller et fagligt spørgsmål om, hvordan data science integreres i discovery-fasen. Tip: Vis at du har læst virksomhedens videnskabelige output. Det er den stærkeste måde at vise ægte faglig interesse.
