Sabrine Krichen

Mit einem Team zusammengearbeitet, um das 3D-Bin-Packing-Optimierungsproblem mit Reinforcement Learning zu lösen und eine Umgebung zu entwickeln, die komplexe Einschränkungen und Anforderungen abbildet.

Wartbaren und wiederverwendbaren Python-Code für produktionsreife RL-Pipelines entwickelt, wodurch die Produktleistung um 10 % verbessert wurde.

Entscheidende Rolle beim Übergang des Produkts von der Forschung in die Produktion gespielt.

Entwickelte einen prompt-gesteuerten Multi-Agenten-Protein-Design-Assistenten mit GPT-Modellen, ProteinMPNN, LangChain/LangGraph sowie strukturierten, rollenbasierten Prompts mit Einschränkungen, Fehlerbehandlung und Inter-Agenten-Kommunikationsprotokollen.

Demonstrierte fundiertes Prompt- und Kontext-Engineering für erstklassige LLMs, wodurch zuverlässiges Aufrufen von Tools, das Verarbeiten langer Kontexte und multimodale Workflows mit strukturellen (PDB-)Daten ermöglicht wurden.

Integrierte einen MCP-Server und Tool-Calling-Funktionen, damit Agenten strukturierte Proteindaten abrufen, externe Bioinformatik-Tools ausführen und programmatisch mit wissenschaftlichen APIs interagieren können.

Entwickelte eine produktionsreife RAG-Pipeline mit Weaviate, nutzte optimierte Embeddings und leistungsstarken Vektorabruf, um präzisere und wissenschaftlich konsistente LLM-Antworten zu liefern.

Arbeitete mit BioNTech und interdisziplinären Teams zusammen, um generative KI und Deep Learning für Protein-Design und Nanopartikel-Optimierung zu nutzen und so die Impfstoffentwicklung voranzutreiben.

Entwickelte generative KI-Modelle für das Inpainting von Proteinstrukturen und verbesserte proteinbasierte Nanopartikel-Designs mithilfe von Diffusionsmodellen und Sequence-to-Sequence-Transformern.

Integrierte PostgreSQL zur Speicherung von Nanopartikel-Designs, Oligomersequenzen, Docking-Scores und AlphaFold2-Vorhersagen, was effizientes Abfragen, Experimenten-Tracking und Verwaltung großer Datensätze ermöglichte.