AI蛋白设计工程师（偏算法）

岗位职责： 1. 跟踪AI制药方向前沿算法，根据需求探索与落地相应的算法策略用于公司内部AI模型开发与训练，包括但不限于机器学习、强化学习、多模态、智能算法、蛋白设计相关算法等核心技术。 2. 根据研发部门实际研发需求，开展 AI 制药相关算法研发课题，包括算法选型、模型迭代与训练、算法优化，解决复杂技术瓶颈与工程化问题。 3. 负责公司内部模型训练基础设施与数据管线建设：包括实验数据的清洗/标注/结构化管理、训练-评估-部署（MLOps）流程搭建，保障模型可持续迭代。 4. 与其他团队成员协同办公，构建干湿实验闭环，将湿实验真值沉淀为高质量训练数据集与内部基准（benchmark）。 5. 推动 AI 技术在研发过程的使用，输出可复用可落地的技术方案和SOP。 6. 跟踪全球 AI 制药领域最新进展，开展技术调研与竞品分析，形成研究报告、竞品分析报告、综述、会议报告等核心成果。 7. 输出高质量科研成果与技术沉淀，包括学术论文、发明专利、技术标准、内部技术手册等。 8. 公司/研发中心/部门安排的其它工作。 任职资格描述Qualifications： 1. 博士学历；专业方向为计算机科学、人工智能、应用数学、统计、计算生物学、生物信息学、化学信息学或密切相关领域。以第一作者/共一在AI制药领域高水平会议/期刊发表过研究论文（IF＞10）或具备同等水平的成果（发明专利、有影响力的开源项目、竞赛成果）。特别优秀的相关专业硕士或者本科学历也可申请。 2. 课题研究方向：聚焦 AI 制药，与蛋白质设计/蛋白结构预测/计算生物学直接相关为加分项；方向相近者（如：药物发现算法、小分子药物筛选、科学计算 AI for Science 等）亦可，但必须具备扎实的算法开发与模型训练能力。 3. 算法与工程能力：扎实的机器学习/深度学习理论基础，熟悉以下至少三类技术并有实际建模经验：生成模型（扩散模型、Flow Matching、VAE、自回归模型等），序列/结构建模（Transformer、图神经网络 GNN、几何深度学习/等变网络 E(3)-equivariant、结构感知模型），强化学习与策略优化（RLHF/RL fine-tuning、主动学习、贝叶斯优化），多模态学习（结构-序列-文本-图像联合建模），自监督/对比学习、迁移学习、数据高效学习。 4. 熟练掌握 Python 与主流深度学习框架（PyTorch 为主，JAX/TF 加分），具备高质量的工程实现能力：代码可复现、实验可管理、熟悉 Git 版本管理与基础 MLOps 工具链。 5. 具备大模型/预训练模型微调、分布式多卡训练（DDP/DeepSpeed 等）、超参搜索与实验管理的实操经验。 6. 快速学习能力与独立研究能力，能从零开始调研新方向并给出可执行的算法方案。 7. 良好的英文文献阅读、技术写作与学术交流能力。 8. 加分项：蛋白质相关算法研究经历：蛋白结构预测与从头设计、蛋白-蛋白相互作用/亲和力预测、抗体/纳米抗体设计、酶设计、序列-功能预测、定向进化的机器学习辅助（directed evolution + active learning）、分子/蛋白性质预测（可开发性、稳定性、免疫原性）。