【27年校招】CADD/AIDD研培生(J15129)

AI 摘要智能生成

轮岗学习与研发支持：在核心模块轮岗历练

职位描述

1. 轮岗学习与研发支持：在核心模块轮岗历练，从CADD/AIDD视角支持不同研发阶段的新药项目，工作内容包括但不限于虚拟筛选、苗头化合物发现、先导化合物优化与分子成药性评估等。 2. 分子设计方案制定与评估：深度解析靶点蛋白结合口袋与关键相互作用，输出可落地的分子优化设计思路；通过分子对接、分子动力学与自由能计算等手段评估候选分子的结合模式与成药性优先级，协助完成候选分子排序与项目决策支撑。 3. AI方法研发与落地：参与AI驱动药物设计方法（分子生成、活性/ADMET预测、预训练模型微调、图神经网络等）的搭建与内化，协同算法研发团队将新方法落地到实际管线项目，加速"计算设计-实验验证"闭环。 4. 跨团队协同攻关：联动药物化学、生物团队，解读与分析体外/体内测试数据，参与全新分子骨架设计，针对性解决项目研发过程中的具体难点。 5. 靶点评估与信息支撑：开展化合物相关文献、专利调研与梳理工作，评估基于结构、基于配体的药物设计方案落地可行性，为新药靶点评估提供信息支撑与技术分析。

任职要求

• （一）硬性要求
• 应届博士毕业生，计算化学、计算生物学、生物信息学、药物化学、AI/机器学习、物理化学等相关专业；
• 具备扎实的计算机辅助药物设计（CADD）与AI药物设计（AIDD）理论基础：熟悉基于结构与基于配体的药物设计方法，包括但不限于分子对接、虚拟筛选、分子生成、QSAR建模、ADMET预测、分子动力学模拟与自由能计算等；
• 熟练掌握Python，至少熟悉并可使用PyTorch / TensorFlow等一种主流深度学习框架，了解图神经网络、分子生成模型或语言模型在药物发现中的应用；
• 熟悉Linux运行环境，具备在HPC / 集群环境下独立开展大规模计算的能力；
• 熟练使用或被证明能快速掌握主流药物设计工具（如Schrödinger、MOE、PyMOL、Amber、GROMACS等）；
• 具备优秀的自主学习能力、逻辑思维能力与跨团队沟通协作能力，能将计算结论转化为可执行的优化建议；
• 具备良好的英文读写与沟通能力，能够高效开展文献与专利调研。
• （二）优先考虑
• 博士课题围绕计算/AI药物设计、分子生成、蛋白质-配体相互作用或深度学习建模者优先；
• 有高质量一作学术论文或相关专利者优先；
• 有"算法开发-计算验证"或"计算设计-实验验证"完整研究闭环经历者优先；
• 有参与开源计算生物学 / 药物设计项目或工具贡献经验者优先；
• 对创新药研发富有热情、具备长期深耕与职业发展意愿者优先。