大模型算法（大分子药物发现模型方向）

核心职责 1 抗体-抗原界面预测与结合建模 显著提升界面预测准确率，使其达到可指导实验决策的水平：复合物结构预测、对接、界面残基识别 2 突变效应与亲和力预测 稳定性、适应度（Fitness）、亲和力预测模型，指导亲和力成熟与可开发性优化 3 小核酸序列与活性建模 siRNA / ASO 的序列设计、活性与脱靶预测、化学修饰与稳定性建模 4 序列-结构-功能联合建模 以抗体、小核酸两大模态为主（多肽视能力延伸） 5 用真实实验数据迭代模型 基于鲲鹏实验室与 Poreva Open 产出的实测数据（含高质量正负样本）训练与微调，建立「预测 → 实验 → 回流 → 再训练」回路 6 与湿实验团队共同定义实验设计 把模型输出变成可执行的实验方案；回答「什么样的预测值得做实验」 7 建立模型评测标准 在什么数据上、用什么指标、跟什么基线比 Must have 博士（硬性要求，不设硕士破格），计算生物学 / 生物信息 / 结构生物学 / AI for Science 等相关方向 有蛋白 / 抗体 / 小核酸相关的深度学习建模经验——结构预测、序列设计、突变效应预测、亲和力预测、蛋白语言模型、几何深度学习等，至少一项做到可量化说明的深度 必须从零做过模型——能讲清楚架构选择、数据构建、训练策略、失败归因。只跑过现成工具不算 熟悉 PyTorch；有分子/蛋白/核酸表征、扩散模型 / Transformer / GNN 实际训练经验 理解干湿闭环的价值——愿意让模型接受真实实验检验并据此迭代