
阿斯利康
Associate Principal Scientist, BE AI
Associate Principal Scientist, BE AI
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公AI药物设计
AI药物设计
Gpu/Hpc
Jax
Pytorch
Tensorflow
抗体工程
机器学习
结构生物学
值不值得投
78综合评分
综合评分 78
北京抗体AI研发高级岗,前沿技术强、研发价值高,办公灵活性未披露
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便横向比较。
薪资怎么样
7.3万
比AI药物设计中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 510 个在招
市场机会
选择适中
北京 · AI药物设计 · 15 个在招
职位详情
关于这个职位
该职位面向抗体及多特异性抗体发现与工程化,核心是用机器学习、结构建模和物理计算方法预测抗体性质、结构与功能
你将参与构建虚拟筛选、蛋白复合物建模、表位评估和可开发性预测流程,并把计算洞察转化为实验决策
最低要求
所需技能和资格
教育背景:在机器学习、计算机科学、计算生物学、生物信息学、结构生物学、生物物理学、蛋白质工程、计算化学或密切相关学科领域获得博士学位,或具备同等经验
核心专长:在一个或多个相关领域拥有扎实业绩记录,包括机器学习、面向生物学的 AI、计算蛋白质设计、结构生物信息学、分子建模、抗体工程或生物物理学
AI 和计算应用:具备开发、应用或评估蛋白质、抗体、分子或结构数据集计算方法的实践经验,例如机器学习、蛋白质序列分析、蛋白质结构预测、蛋白–蛋白相互作用建模或分子模拟
编程和工作流程:精通 Python 及相关科学计算或机器学习库,例如 PyTorch、JAX、TensorFlow、NumPy、SciPy、scikit-learn、DeepChem 或同等工具
具备建模和流程化工作流经验
工作方式:具备出色的沟通、演示、团队合作、影响力和时间管理能力,能够将计算结果转化为可执行的实验和项目建议
工作职责
你将
设计、构建并应用计算模型:使用序列、结构、亲和力、功能和可开发性数据,开发用于抗体及多特异性抗体性质、功能和结构预测的机器学习、结构生物学及基于物理的方法
构建虚拟筛选和建模工作流:实施并优化用于候选物优先级排序、抗体–抗原及蛋白–蛋白复合物预测、表位评估,以及多特异性抗体架构和形式评估的工作流
支持可开发性预测和工程化:开发并应用方法,以识别和减轻单克隆抗体及多特异性抗体中的可开发性风险,包括表达、组装、稳定性、聚集、溶解度、黏度、非特异性结合和可制造性
应用并基准测试创新方法:评估新兴的 AI、蛋白质设计、结构建模和计算方法
使用内部和公共数据调整方法,包括迁移学习和主动学习等低数据方法
并为特定发现应用定义最佳实践
构建可扩展工作流:使用基于 Python 的机器学习工具以及适当的云端、GPU 或高性能计算环境,创建并维护可复现的数据处理、建模和推理流程
沟通并产生影响:向多学科受众清晰呈现复杂结果,指导前瞻性实验计划,为项目战略做出贡献,并在高质量期刊发表或在国内外会议上展示成果
优先资格
优先技能和资格
多特异性抗体经验:具备多特异性抗体发现或工程化经验,包括抗体形式、蛋白质工程、结合或功能表征的相关实验工作,和/或生物制品可开发性经验
结构和可开发性建模:具备使用蛋白质结构预测、抗体–抗原或蛋白–蛋白复合物建模、分子建模或模拟,和/或预测生物制品性质的经验,例如稳定性、聚集、溶解度、黏度、表达或可制造性
大规模计算和发表成果:具备 GPU、云端或高性能计算、并行化或容器化工作流经验
在机器学习、计算生物学、结构生物学、蛋白质工程或相关领域发表过同行评审论文
AI 洞察
优缺点分析
优点
- 岗位处在AI、结构生物学和抗体药物研发交叉前沿,技术积累稀缺且可迁移性强
- 工作内容直接服务肿瘤抗体药物发现,计算成果有机会影响真实研发决策
- 与国内外研发专家协作,并鼓励发表和会议展示,有利于建立专业影响力
- 北京研发中心平台资源较完整,适合希望深耕生物医药AI的人
- 需要同时理解机器学习、蛋白结构、抗体工程和药物研发流程,跨学科门槛高
- 需要持续跟进新兴方法并维护可复现流水线,对工程能力和学习能力要求高
- 适合具有博士或同等经验、希望把AI能力应用到抗体药物发现的交叉型人才,尤其适合既有计算建模能力又愿意与实验团队紧密协作的求职者
缺点 / 挑战
- 计算预测需要经实验验证,结果不确定性和项目转化压力可能较大
角色解读
- 可向抗体发现与工程方向的计算科学专家发展,主导关键算法平台和研发决策体系
- 可拓展到AI药物设计、蛋白设计平台负责人或跨项目计算研发负责人角色
- 通过高质量论文、会议报告和国际协作,可建立学术与产业双重影响力
- 开发机器学习和结构建模方法,预测单抗及多特异性抗体的性质、结构、功能和可开发性
- 构建虚拟筛选与蛋白复合物建模流程,用于候选分子优先级排序、表位评估和抗体架构设计
- 维护可复现的数据处理、建模和推理流水线,并支持前瞻性实验决策
- 与国内外研发专家协作,输出项目建议,并推动论文发表和会议展示
- 需要机器学习、AI for biology、计算蛋白设计、结构生物信息学或分子建模等任一核心方向的扎实积累
- 需要熟练使用 Python 及 PyTorch、JAX、TensorFlow、NumPy、SciPy、scikit-learn 等科学计算或机器学习工具
- 需要理解蛋白序列、结构、相互作用、抗体工程和可开发性数据,并能把计算结果转化为实验建议
- 需要良好的沟通、协作、影响力和时间管理能力,能面向多学科团队清晰呈现复杂结果
申请策略
- 申请前梳理阿斯利康肿瘤研发和AI药物发现方向,准备如何把你的方法匹配到抗体发现场景
- 面试中重点体现跨学科沟通能力,说明如何把复杂计算结果转化为实验团队可执行的建议
- 突出与蛋白、抗体、分子或结构数据相关的机器学习项目,说明数据规模、模型方法和验证结果
- 展示 Python 与 PyTorch、JAX、TensorFlow、NumPy、SciPy、scikit-learn 等工具的实际工程经验,尤其是可复现流水线建设
- 强调抗体工程、结构预测、蛋白互作建模、分子模拟或可开发性预测相关成果
- 列出高质量论文、会议报告、专利或项目落地案例,并说明你对实验决策的实际贡献
- 补强蛋白结构预测、抗体-抗原复合物建模和蛋白互作分析相关工具与案例
- 提升低数据场景建模能力,如迁移学习、主动学习、数据增强和模型基准评估
面试指南
- 用“业务问题—数据—方法—验证—影响”的结构回答项目案例,突出你对研发决策的贡献
- 对技术深挖题先说明假设和评价指标,再讲基准设计、误差来源和适用边界
- 对协作类问题强调跨学科沟通,说明如何把模型输出转化为实验优先级、风险提示或项目策略
- 请介绍一个你开发或应用机器学习模型解决蛋白、抗体或分子问题的完整案例
- 如何评估抗体或蛋白结构预测模型在实际研发中的可靠性?
- 面对低数据场景,你会如何设计迁移学习、主动学习或数据增强策略?
- 请说明你如何构建可复现的数据处理和建模流水线,并保障结果可追踪
- 当计算预测结果与实验结论不一致时,你会如何分析和推动下一步决策?
职位点评
薪资福利78
成长发展92
工作生活55
使命价值86
薪资福利
78中等
JD未披露薪资和福利信息,但岗位为博士级高级计算研发角色,职责覆盖AI建模、抗体工程和平台建设,通常对资深交叉人才有较强吸引力。稳定性与福利无法从JD直接确认。
薪资信号未披露(AI估算:5.5千–9.0万/月)
成长发展
92较高
岗位明确涉及机器学习、结构建模、蛋白设计、低数据学习、GPU/HPC和前沿计算方法,并鼓励发表和会议展示,发展性非常强。JD未明确提及晋升通道或导师制。
技术前沿前沿/新兴技术
技术栈machine learning、AI for biology、computational protein design、structural bioinformatics、molecular modelling、protein-structure prediction、protein–protein interaction modelling、transfer learning、active learning、Python、PyTorch、JAX、TensorFlow、GPU、cloud、high-performance computing
成长机会encouraged to publish and present your work at leading conferences
业务类型ambiguous
工作生活
55较低
JD仅明确工作地点在北京研发中心,未说明远程、弹性、双休或加班安排,因此生活化动机只能基于地点信息作有限判断。办公模式细节需要投递或面试时确认。
工作模式未明确
办公地点未明确
加班情况未提及(无法判断)
使命价值
86较高
岗位服务肿瘤领域多特异性抗体发现与工程化,目标是通过AI加速新一代生物药设计,具有较强的行业前景和潜在患者价值。JD中未出现直接的患者使命表述,但研发方向本身具有明确应用价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号help shape the future of multispecific antibody discovery and engineering、accelerate the design and optimisation of next-generation biologics
创新程度积极采用新技术
阿斯利康 的其他在招职位
相似职位推荐
2027届-博士-AI应用研究员(FDE)-北京/上海
康龙化成 · 北京市
AI 估算 · 2.5–4.0万16 小时前发布
ai制药agent高级工程师.
任仕达 · 北京市
AI 估算 · 3.3–6.7万7 天前发布
人工智能驱动的生命科学和药物科学基础模型研究-阿里星
阿里巴巴 · 杭州市
AI 估算 · 8.0–15.0万8 天前发布
ATH-生成建模专家/研究员(环化编码)-AI制药
阿里巴巴 · 杭州市
AI 估算 · 8.0–15.0万9 天前发布
ATH-成药性建模专家/高级专家-AI制药
阿里巴巴 · 杭州市
AI 估算 · 6.0–12.0万9 天前发布
阿里ATH-多肽/环肽筛选科学家-AI制药
阿里巴巴 · 杭州市
AI 估算 · 4.0–8.0万10 天前发布
AI For Science 研究员
阿里巴巴 · 杭州市
AI 估算 · 6.0–12.0万11 天前发布
AI 算法研发工程师
浪潮 · 济南市
薪资 · 2.0–4.0万19 天前发布
Watch Jobs