崗位使命： 開(kāi)發(fā)并應(yīng)用AI模型，從頭設(shè)計(jì)具有特定功能的全新蛋白質(zhì)，或優(yōu)化天然蛋白質(zhì)的性能。 核心職責(zé)： 1.研發(fā)基于深度學(xué)習(xí)的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)、設(shè)計(jì)與生成模型。 2.構(gòu)建和訓(xùn)練用于蛋白質(zhì)穩(wěn)定性、活性、可表達(dá)性等屬性預(yù)測(cè)的AI模型。 3.與濕實(shí)驗(yàn)室團(tuán)隊(duì)緊密合作，設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證AI設(shè)計(jì)的蛋白質(zhì)，并迭代優(yōu)化算法。 4.跟蹤并復(fù)現(xiàn)領(lǐng)域內(nèi)最新突破（如AlphaFold3, RFdiffusion, ProteinMPNN等）。 硬技能： 1.AI/ML核心： 精通深度學(xué)習(xí)，特別是生成式模型、幾何深度學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)和變分自編碼器。對(duì)自監(jiān)督學(xué)習(xí)、對(duì)比學(xué)習(xí)等有深入理解。 2.計(jì)算生物學(xué)知識(shí)： 深刻理解蛋白質(zhì)結(jié)構(gòu)（一級(jí)到四級(jí)）、折疊原理、氨基酸物理化學(xué)性質(zhì)、蛋白質(zhì)-蛋白質(zhì)/配體相互作用。 3.編程與工具： 熟練使用Python及主流深度學(xué)習(xí)框架；熟悉PyTorch Geometric/DGL等圖神經(jīng)網(wǎng)絡(luò)庫(kù)；熟練使用生物信息學(xué)工具和數(shù)據(jù)庫(kù)。 4.數(shù)據(jù)素養(yǎng)： 能夠熟練處理和分析蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫(kù)，如PDB, AlphaFold DB, UniProt等。 軟技能： 1.極強(qiáng)的抽象與建模能力： 能將復(fù)雜的生物物理問(wèn)題轉(zhuǎn)化為可計(jì)算的AI問(wèn)題。 2.科學(xué)探索精神： 不滿足于應(yīng)用現(xiàn)有工具，有志于在蛋白質(zhì)設(shè)計(jì)的基礎(chǔ)算法上實(shí)現(xiàn)創(chuàng)新。 3.交叉學(xué)科溝通能力： 能夠清晰地向生物學(xué)家解釋模型原理和設(shè)計(jì)邏輯。 加分項(xiàng)： 1.有使用Rosetta, MD模擬等傳統(tǒng)計(jì)算工具的經(jīng)驗(yàn)，并能與AI方法結(jié)合。 2.有蛋白質(zhì)設(shè)計(jì)項(xiàng)目相關(guān)經(jīng)驗(yàn)。