阿斯利康
Associate Principal Scientist, AI for Chemical Toxicology
Associate Principal Scientist, AI for Chemical Toxicology
发布于 5 小时前中层管理(经理/总监)
全职员工混合式弹性办公机器学习工程
机器学习工程
Mlops
化学信息学
图神经网络
多模态数据
机器学习
生物信息学
计算毒理学
预测建模
值不值得投
83综合评分
综合评分 83
顶尖AI制药平台、前沿技术栈、高成长空间，WLB待确认
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
8.0万
比机器学习工程中位数高
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 250 个在招
市场机会
选择面较广
北京 · 机器学习工程 · 约 520 个在招
职位详情
关于这个职位
本职位专注于利用AI与机器学习技术开发下一代药物安全性预测模型
通过整合化学、组学与影像等多模态数据，为药物研发提供关键决策支持
同时担任项目科学负责人，推动跨部门协作与技术战略落地
最低要求
· 数学、计算机、工程、物理、统计、计算科学、化学生物信息学、计算毒理学或相关领域的博士学位或同等年限经验
· 具备将机器学习/AI工作流应用于自动化生物信息学或化学信息学分析管道的实践经验，制药或医疗健康行业经验优先
· 精通Python编程
· 熟悉GitHub、CI/CD流水线及DevOps和MLOps最佳实践
· 了解用于化学结构建模的现有机器学习模型（如GNN、D-MPNN）及基础模型（如CheMeleon），具备多模态生物与化学数据集处理经验
· 在交付有影响力的建模工作方面展现出 proven leadership
· 优秀的沟通与利益相关者参与能力
· 作为学科领导者塑造科学战略
· 运用科学判断解决复杂问题
· 建立强大的跨职能关系网络
· 指导并培养他人以提升团队能力
工作职责
· 使用化学生物信息学和ML/AI开发、优化和部署预测性安全模型
· 创建可复现的工作流、数据质量控制程序和模型验证框架
· 整合多模态数据：化学描述符、组学、影像和NAM数据集
· 担任项目团队的科学负责人并影响项目战略
· 推动创新并在整个研发过程中识别战略性建模机会
· 领导与学术界、联盟及技术合作伙伴的合作
· 指导初级科学家并为能力建设做出贡献
· 向多样化的科学和治理受众传达复杂的建模概念
优先资格
· 具有Safety Omics、Cell Painting或影像数据处理经验
· 拥有毒理学、药理学或ADMET背景
· 熟悉云计算或工作流自动化
· 在顶级AI会议或期刊（如NeurIPS, ICML, Nature Machine Intelligence, Nature Communications, NEJM AI等）发表过制药研究相关论文
· 具备监督科学家或管理合作项目的经验
AI 洞察
优缺点分析
优点
- 处于AI制药前沿，技术栈先进且具行业稀缺性，易积累高含金量项目经验
- 跨国药企平台稳定，算力与数据资源投入充足
- 重视学术产出与专利，利于个人品牌建设与行业影响力拓展
- 跨部门协调成本高，需平衡科研严谨性与业务落地节奏
- 多模态真实世界数据清洗与对齐难度大，容错率低
- 对复合背景（AI算法+药学机理）要求极高，学习曲线陡峭
- 适合具备扎实AI算法功底且对生物医药有浓厚兴趣的资深研究者，追求技术深度、行业影响力与长期职业发展的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向首席科学家/研发总监发展，主导更大规模的AI制药管线
- 也可转向AI制药商业化、独立咨询顾问或高校教职
- 持续深耕可成为计算毒理学与AI交叉领域的行业权威专家
- 负责构建和优化基于AI的药物安全性预测模型，直接支撑药物研发决策
- 整合化学、基因组学及影像等多源异构数据，打通从数据清洗到模型部署的全链路
- 担任项目科学负责人，协调跨学科团队并制定技术演进路线
- 精通Python及MLOps工程化工具链，具备模型版本控制与自动化部署能力
- 掌握图神经网络(GNN)、多模态学习等前沿算法，能处理高维生物化学数据
- 具备化学生物信息学或计算毒理学领域知识，熟悉药物安全性评价逻辑
- 拥有科研领导力与跨团队协作经验，能将复杂技术转化为业务语言
申请策略
- 提前研究阿斯利康在研管线及AI制药战略布局
- 准备展示如何将学术研究成果转化为工业界可用、合规的方案
- 面试前梳理1-2个完整项目案例，重点突出数据治理与业务转化过程
- 突出AI模型在真实生物/化学数据集上的落地成果，量化模型性能提升与业务影响
- 强调跨学科协作经验与带团队/指导初级的经历
- 展示完整的MLOps工程化能力与模型可解释性设计
- 补充MLOps工程化部署与云原生架构能力
- 深入理解药物安全性评价标准、法规要求及ADMET机制
面试指南
- 采用STAR法则结构化回答，强调“问题定义-数据治理-模型选型-验证评估-业务落地”闭环
- 突出跨学科沟通技巧与风险管控意识，避免纯理论堆砌，侧重工程落地与业务价值
- 请介绍一个你主导的多模态AI建模项目，遇到的最大技术瓶颈及如何解决？
- 如何保证预测模型的临床可解释性、鲁棒性及符合监管合规要求？
- 面对脏乱差的真实世界数据，你的数据清洗、质量控制与偏差校正策略是什么？
- 如何向非技术背景的医学或注册团队清晰解释模型输出与不确定性？
- 复习GNN、Transformer在分子表征与蛋白质结构预测中的应用原理
- 熟悉FDA/EMA/NMPA关于AI辅助药物研发的监管指南与验证标准
职位点评
薪资福利85
成长发展90
工作生活70
使命价值85
薪资福利
85较高
跨国药企资深岗位整体薪酬包处于市场中上水平，福利体系完善且稳定性强，能有效满足补偿性动机。
薪资信号未披露（AI估算：6.0千–10.0万/月）
成长发展
90较高
聚焦AI制药前沿方向，鼓励顶会发文与跨机构合作，导师制与学科建设路径清晰，成长空间广阔。
技术前沿前沿/新兴技术
技术栈Python、Machine Learning、GNN、D-MPNN、MLOps、Chemoinformatics
成长机会Mentor junior scientists、contribute to capability building、Track record of publications
业务类型profit_center
工作生活
70中等
药企研发节奏相对稳健，但项目节点压力存在，具体办公模式与加班情况JD未明确说明。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
直接服务于药物安全性评估与患者保护，社会价值显著，高度契合科研使命感与行业前景。
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accelerate the drug development process、inform risk assessment and progression decisions
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
Watch Jobs