Researchers at Qminers: From Bayesian Models to the Chemistry of Life
Jul 31, 2025
Věda je jedním z jazyků, kterým v Qminers mluvíme. Nejsme výzkumný ústav, ale kdybyste Qminers brali jako dataset a hledali společné vzory v našich kariérách, věda by naskočila velmi rychle. Mnozí z nás publikovali v impaktovaných časopisech, řešili optimalizační úlohy ve výrobních procesech, vedli semináře na akademii. Dnes vymýšlíme strategie, modelujeme a píšeme kód, ale zkušenost z výzkumu v nás zůstává. Je to způsob myšlení. Cílevědomost. Zpětná vazba. Záliba v systému i detailu.
Někteří s akademickým prostředím dodnes udržují vazby. Mirek Rapčák stále přednáší – na podzim povede seminář na Ústavu teoretické fyziky Akademie věd. Šárka Večeřová se věnovala vývoji bayesovského modelu moderované mediace, který dokáže zachytit komplexní vztahy v hierarchických datech se souběžnými mediátory a ordinálním výstupem – například při zkoumání, zda pacienti doporučí nemocnici v závislosti na systému ošetřovatelské péče. Vítek Kubelka dokončil doktorát ze stochastické analýzy, zatímco zároveň pracoval a budoval vlastní projekt – a právě tuhle dynamiku si chtěl přenést i do své další práce. Filip Matzner se aktuálně věnuje výzkumu v oblasti strojového učení a návrhu efektivních rekurentních neuronových sítí pro predikci časových řad, který letos odprezentoval na prestižní konferenci ICRL. A pak je tu Raman Samusevich. Jeho příběh je tak trochu jako z Nature. Vlastně doslova.
Když ML model najde vůni života v nejstarších organismech
Raman Samusevich pracuje od ledna letošního roku v deep learning týmu Qminers jako ML Reseacher. Předtím působil jako výzkumný pracovník na Ústavu organické chemie a biochemie AV ČR (ÚOCHB) a v CIIRC ČVUT.
„Během covidu mě začaly fascinovat proteiny. Tím, jakou přesnost a sílu v sobě mají, působí skoro mimozemsky. Zároveň se tehdy otevřel celý nový svět poznání díky průlomům v predikci proteinových struktur. Byl to ideální moment ponořit se do bioML.“
Z intenzivní spolupráce s ÚOCHB vznikl výzkumný projekt, který spojuje biochemii, strojové učení a touhu přijít věcem na kloub – doslova až na molekulární úroveň. Cílem bylo najít v DNA enzymy zvané terpen syntázy (TPS). Možná to zní abstraktně, ale důsledky jsou velmi konkrétní: TPS jsou zodpovědné za většinu přírodních vůní a chutí, včetně těch, které se využívají v parfumerii, farmacii nebo potravinářství.
„Když chemici neumějí něco efektivně vyrobit, kradou to přírodě. Ale příroda tyhle molekuly neprodukuje sama od sebe – dělají to enzymy. My jsme naučili AI, jak tyto enzymy najít.“
AI jako čichové čidlo
Ramanův ML model dokázal z DNA vyčíst přítomnost TPS – a vědce to zavedlo k prvnímu funkčnímu objevu těchto enzymů v Archaee, nejstarší známé doméně života. Biologové následně tuto DNA vložili do kvasinek… a ty skutečně začaly produkovat terpenoidy. „Jako byste po milionech let poprvé rekonstruovali vůni něčeho prastarého.“
Raman a jeho vedoucí Tomáš Pluskal na základě výzkumu připravil sérii odborných přednášek, které zazněly na Harvardu, v DeepMindu nebo na evropském kongresu EUROBIOTECH. Jejich článek je aktuálně v in-depth review v Nature Chemical Biology.
Vedlejší objevy, vedlejší radosti
Při analýze dat objevili Raman a jeho kolegové i další zajímavosti – například, že viry pravděpodobně voní. (Ano, doslova.) Jejich TPS se ukázaly jako funkční, a tak vzniká nová výzkumná linie, která propojuje virologii s chemickým vnímáním. Na MIT spolupracoval na optimalizaci známých proteinů, přispěl k projektům o katalytické DNA, pomáhal s interpretací spekter v hmotnostní spektrometrii…
„Bylo to krásné období. Ale pak přišlo něco, co jsem do té doby v akademii nezažil. Potkal jsem se s Filipem Matznerem, nynějším CTO Qminers, v rámci jeho předchozího projektu. Pomocí ML navrhli metodu, jak automatizovaně analyzovat městský dopravní systém. Možnost dotahovat věci do produkce, ladit detaily, rychle sbírat feedback - úplně mě to strhlo. Když pak Filip změnil působiště, ale nikoliv způsob práce, šel jsem s ním.“
Zpátky na zem. Nebo do kanclu.
Raman aktuálně dokončuje disertaci, předává štafetu svému nástupci a konzultuje poslední projekty. Částečně zůstává napojený na akademii – má malý úvazek na ÚOCHB, externě působí na ČVUT a dál se věnuje vědecké komunitě. Ale jeho hlavní energie teď míří jinam: do deep learning týmu Qminers.
Trading a věda jsou překvapivě blízcí příbuzní. Příběh Ramana je výjimečný, ale lidé s výzkumnickou minulostí jsou u nás běžným jevem. A právě to vytváří kulturu, kde se analytická hloubka, hluboká zvídavost i touha dotahovat věci do konce přirozeně propojují.
At Qminers, science is a language we all speak.
We are not a research institute, but if you looked at Qminers as a dataset and searched for recurring patterns in our careers, science would come up quickly. Many of us have published in peer-reviewed journals, worked on optimization problems in industrial processes, or led academic seminars. Today, we design strategies, build models, and write code – but the research mindset stays with us. It's a way of thinking. A drive for precision. A feedback loop. A love for systems and details.
Some of us remain closely connected to academia. Mirek Rapčák continues to give occasional lectures. This fall, he’s set to lead a seminar at the Institute of Theoretical Physics of the Czech Academy of Sciences. Šárka Večeřová worked on a Bayesian moderated mediation model that captures complex relationships in hierarchical data with concurrent mediators and ordinal outcomes – for instance, studying whether patients’ willingness to recommend a hospital is directly influenced by the structure of nursing care. Vítek Kubelka completed his PhD in Stochastic Analysis while simultaneously working and developing a side project—this dynamic became the model for how he wanted to continue. Filip Matzner, now Qminers’ CTO, currently focuses on machine learning research in random recurrent neural networks for time series prediction, which he presented this year at the prestigious ICLR conference.
And then there’s Raman Samusevich. His story reads like something out of Nature. In fact, literally.
When a Machine Learning Model Discovers the Scent of Life in Ancient Organisms
Since January this year, Raman Samusevich has been working in Qminers’ deep learning team as an ML Researcher. Before that, he was a PhD student at the Institute of Organic Chemistry and Biochemistry of the Czech Academy of Sciences (IOCB Prague) and at CIIRC CTU.
“During the COVID period, I became fascinated by proteins. The precision and power they hold seemed almost extraterrestrial. At the same time, breakthroughs in protein structure prediction opened up a whole new world of discovery. It was the perfect moment to dive into bioML.”
Out of an intensive collaboration with IOCB came a research project that blends biochemistry, machine learning, and the drive to understand things—literally—down to the molecular level. The goal was to identify terpene synthases (TPS) in DNA. That may sound abstract, but the implications are very tangible: TPS are responsible for most of the scents and flavors found in nature, including those used in perfumery, pharmaceuticals, and food production.
“When chemists can’t synthesize something efficiently, they steal it from nature. But nature doesn’t produce these molecules out of thin air—it’s enzymes that do it. We taught AI how to find those enzymes.”
AI as a Olfactory Sensor Raman’s ML model was able to detect TPS in DNA—and it led to the first functional discovery of these enzymes in Archaea, the oldest known domain of life. Biologists then inserted the identified DNA into yeast… and the yeast actually began producing terpenoids. “It’s like reconstructing the scent of something ancient, for the first time in millions of years.”
Based on this research, Raman and his supervisor Dr. Pluskal gave a series of invited talks—for instance, at Harvard, DeepMind, or the EUROBIOTECH congress. The corresponding paper is currently under in-depth review at Nature Chemical Biology.
Side Discoveries, Side Joys
While analyzing data, Raman and his collaborators found other curiosities—for example, that viruses may also have a scent. (Yes, really.) Their TPS were found to be functional, opening a new research direction combining virology with molecular perception. At MIT, he worked on optimizing known proteins, contributed to research on catalytic DNA, and supported efforts in mass spectrometry interpretation.
“These were exciting times. But then something happened I’d never experienced in academia. I met Filip Matzner, now our CTO, through one of his earlier projects. They were using ML to design an automated method for analyzing urban transport systems. The experience of shipping things into production, refining them, getting rapid feedback—it completely absorbed me. When Filip moved on, but kept that same pace and spirit—I followed.”
Back to Earth. Or to the office.
Today, Raman is wrapping up his PhD, mentoring his successor, and helping finalize his last academic projects. He remains partially connected to academia—he has a part-time appointment at IOCB, collaborates externally with CTU, and continues to contribute to the scientific community. But his main focus now lies elsewhere: in the deep learning team at Qminers.
Science and Trading are surprisingly close relatives. Raman’s story is exceptional—but his path to Qminers is not. People with research backgrounds are common here. And that’s what shapes our culture: a natural fusion of analytical depth, scientific curiosity, and the drive to get things done.