薪資根據(jù)工作經(jīng)驗及能力可面議
崗位職責(zé)：
1. 負責(zé)AI抗體發(fā)現(xiàn)整體落地路線
（1）制定公司AI抗體發(fā)現(xiàn)從0到1的落地計劃，包括數(shù)據(jù)策略、模型路線、實驗驗證閉環(huán)；
（2）明確階段性目標(biāo)：比如“3個月內(nèi)形成可輸出候選抗體的端到端流程”“在3個靶點上完成從靶點到候選分子的AI驅(qū)動試跑”。
2. 搭建并持續(xù)優(yōu)化“數(shù)據(jù)–模型–實驗”閉環(huán)
（1）規(guī)劃和建設(shè)用于抗體發(fā)現(xiàn)的核心數(shù)據(jù)資產(chǎn)：公共數(shù)據(jù)庫（PDB/SAbDab/IMGT/UniProt 等）、內(nèi)部測序與篩選數(shù)據(jù)、功能表型數(shù)據(jù)等；
（2）帶領(lǐng)建立模型訓(xùn)練與驗證管線：包括抗體序列生成、結(jié)構(gòu)預(yù)測、抗原-抗體親和力預(yù)測、可開發(fā)性（穩(wěn)定性、免疫原性、聚集傾向等）預(yù)測等；
（3）設(shè)計實驗驗證方案，與抗體工程/實驗團隊對接，把模型預(yù)測變成實際可測的數(shù)據(jù)，并持續(xù)用實驗結(jié)果迭代模型。
3. 主導(dǎo)關(guān)鍵項目產(chǎn)出候選分子
（1）在實際藥物項目中，用AI方法指導(dǎo)或直接輸出候選抗體，包括：文庫設(shè)計、先導(dǎo)分子優(yōu)化、人源化與成藥性優(yōu)化等；
（2）保證AI輸出的候選分子能在常規(guī)實驗體系下驗證（表達、純化、親和力測定、功能性驗證等），并有明確的成功率/時間線目標(biāo)。
4. 推動工程化與平臺化
（1）把成功的模型固化為可復(fù)用的平臺能力（例如標(biāo)準化pipeline、在線服務(wù)、實驗設(shè)計建議工具等），而不是一次性腳本；
（2）引入/評估適合的工具與外包合作（如結(jié)構(gòu)預(yù)測、分子對接、云平臺等），在保證質(zhì)量和數(shù)據(jù)安全的前提下加快落地。
5. 團隊與合作
（1）搭建AI團隊（包括算法、生物信息、平臺工程等）；
（2）對接內(nèi)部抗體發(fā)現(xiàn)、工程轉(zhuǎn)化、注冊與CMC等團隊，確保AI方案與整體研發(fā)流程對齊。


任職要求：
1. 學(xué)歷與專業(yè)：
計算生物學(xué)、生物信息學(xué)、計算機科學(xué)、數(shù)學(xué)/統(tǒng)計學(xué)、免疫學(xué)或相關(guān)領(lǐng)域博士，或碩士（具有較強的實戰(zhàn)經(jīng)驗）。
2. 算法與建模能力：
（1）做過蛋白質(zhì)/大分子方向的機器學(xué)習(xí)或深度學(xué)習(xí)項目，有抗體/蛋白設(shè)計、序列/結(jié)構(gòu)建模經(jīng)驗者優(yōu)先；
（2）熟悉常用ML/DL框架（如 PyTorch / TensorFlow），能獨立設(shè)計并實現(xiàn)從數(shù)據(jù)處理、模型訓(xùn)練到結(jié)果分析的全流程。
3. 抗體與生物學(xué)知識：
（1）對抗體結(jié)構(gòu)、功能、免疫庫、V(D)J重組、抗體展示技術(shù)（噬菌體/酵母展示等）有足夠理解，可以和實驗團隊深度對話；
（2）了解抗體藥物研發(fā)基本流程。
4. 數(shù)據(jù)與工程能力：
（1）熟悉Linux環(huán)境，能用Python/R獨立完成數(shù)據(jù)分析，熟悉常見生信工具與數(shù)據(jù)庫（IMGT/SAbDab/PDB/BLAST等）。
（2）有基本的工程意識：版本控制（Git）、簡單CI/CD、腳本可復(fù)用性，能和后端/MLOps工程師配合