Alibaba logo
阿里巴巴
ATH-成药性高级工程师/研究员(线肽四头+Pareto)-AI制药

ATH-成药性高级工程师/研究员(线肽四头+Pareto)-AI制药

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
高级经验
学历未注明
全职员工仅现场办公AI药物设计
AI药物设计
Ai制药
多目标优化

值不值得投

72综合评分

综合评分 72

AI制药前沿建模岗,技术成长强,药物研发价值突出,WLB信息未披露

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

5.0万

比AI药物设计中位数低

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 5110 个在招 · 其中AI药物设计 10 个

市场机会

选择适中

杭州 · AI药物设计 · 12 个在招

职位详情

关于这个职位

该职位聚焦AI制药中的线肽成药性建模,围绕白蛋白亲和、受体活性保留、纤维化风险和寡聚倾向开展模型训练与多目标优化

你将与环肽研究员及B线团队协作,把脂质化、聚集等实验数据转化为可训练标签,并通过可解释性分析反向指导线肽序列设计

最低要求

具备蛋白/肽聚集与淀粉样动力学或软物质/胶体物理建模背景

有药物/多肽相关数据建模基础
【核心技能】
纤维化/寡聚建模方法:统计打分还是动力学先验
白蛋白亲和预测:结合亲和如何转成可训任务/负样本构造
多目标联合:活性保留与纤维化风险冲突时如何给前沿

工作职责

线肽四头建模与训练:白蛋白亲和/受体活性保留/纤维化风险/寡聚倾向

与环肽研究员联合Pareto优化,输出兼顾多目标的候选前沿
与B线对接线肽脂质化/聚集数据转成标签并校准
对线肽特有风险(纤维化/寡聚)做可解释性分析反向指导序列设计

优先资格

【加分项】

脂质化多肽(脂肪酸修饰/GLP-1类似物)数据经验
软物质/自组装模拟经验
会平衡采样或聚合度估计

AI 洞察

优缺点分析

优点

  • 岗位处于AI制药与多肽药物交叉方向,技术门槛高,有利于积累稀缺的成药性建模经验
  • 工作内容直接连接模型预测、实验数据和分子设计,能形成从算法到药物研发决策的完整闭环
  • 与环肽研究员及B线团队协作,接触多目标优化和真实研发数据,视野不局限于单一建模任务
  • 纤维化、寡聚、白蛋白亲和等方向具有较强专业壁垒,适合打造差异化技术标签
  • 岗位要求兼具生物物理、药物研发和机器学习背景,跨领域学习曲线较陡
  • 适合具备蛋白/多肽、软物质或胶体物理建模背景,并希望转向AI药物设计的资深研究员或算法工程师

缺点 / 挑战

  • 多肽聚集、纤维化和白蛋白亲和等任务数据可能稀疏且噪声较高,标签构造和校准难度较大
  • 多目标之间存在冲突,需要在活性保留、风险控制和成药性之间做复杂权衡

角色解读

  • 可向AI药物设计资深研究员或算法专家方向发展,深耕多肽成药性预测、分子模拟与实验数据闭环
  • 可拓展到更广泛的AI制药平台建设,参与多模态实验数据建模、候选分子筛选和药物研发决策支持
  • 长期可发展为技术负责人,主导线肽/环肽等多类分子的计算设计体系与跨团队协作机制
  • 构建线肽成药性预测模型,重点覆盖白蛋白亲和、受体活性保留、纤维化风险和寡聚倾向四个目标
  • 与环肽研究员联合开展Pareto多目标优化,筛选在活性、安全性和成药性之间更平衡的候选分子
  • 将脂质化、聚集等实验数据转化为可训练标签,并参与标签校准和数据闭环建设
  • 对纤维化、寡聚等线肽特有风险做可解释性分析,反向指导序列设计和后续实验方向
  • 需要掌握蛋白/肽聚集、淀粉样动力学或软物质/胶体物理建模知识,理解聚集与寡聚风险的形成机制
  • 需要具备药物或多肽数据建模经验,能把实验数据转化为机器学习可训练任务
  • 需要熟悉多目标优化与Pareto前沿分析,能在活性保留和纤维化风险冲突时给出合理候选
  • 加分能力包括脂质化多肽数据经验、自组装模拟经验、平衡采样或聚合度估计

申请策略

  • 面试前梳理阿里集团AI制药相关业务方向,理解该岗位与线肽、环肽及实验数据团队的协作关系
  • 准备一个能讲清楚“模型如何服务药物研发决策”的案例,突出数据闭环和可解释性
  • 突出与蛋白/肽聚集、淀粉样动力学、自组装或胶体物理相关的建模项目,说明你如何定义目标变量和验证模型
  • 强调药物/多肽数据建模经历,尤其是脂质化多肽、GLP-1类似物、聚集实验数据或亲和预测相关经验
  • 展示多目标优化能力,例如Pareto前沿、约束优化、主动学习或平衡采样在分子筛选中的应用
  • 写明可解释性分析经验,如特征归因、机制假设生成、模型结论如何反向指导实验或序列设计
  • 补强多目标优化与Pareto前沿分析方法,熟悉如何在冲突目标下定义候选优先级
  • 学习或复习蛋白/肽聚集、纤维化动力学、聚合度估计和软物质自组装模拟的基础方法

面试指南

  • 先明确问题定义:说明输入数据、预测目标、标签来源、评价指标和业务约束,再展开方法选择
  • 用“数据—模型—验证—决策”框架回答:先讲数据质量和标签构造,再讲建模策略、验证方式,最后说明如何服务候选筛选
  • 对多目标冲突问题,先承认目标间存在权衡,再说明如何设置约束、权重或Pareto筛选规则,并结合实验反馈迭代
  • 如何把白蛋白亲和数据转化为可训练任务?负样本应如何构造,如何避免数据偏差?
  • 纤维化和寡聚风险建模时,你会选择统计打分方法还是动力学先验方法,为什么?
  • 当受体活性保留与纤维化风险存在冲突时,如何定义Pareto前沿并筛选候选分子?
  • 如果脂质化/聚集实验数据噪声较大或标签不一致,你会如何校准标签并评估模型可靠性?
  • 请举例说明你如何做模型可解释性分析,并将结论转化为序列设计建议

职位点评

薪资福利72
成长发展86
工作生活48
使命价值78

薪资福利

72中等

JD未披露薪资和福利信息,无法判断薪酬竞争力;岗位专业门槛较高,但稳定性与福利细节未提及。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

86较高

岗位涉及线肽成药性建模、Pareto多目标优化和可解释性分析,技术深度和跨团队成长机会明显。JD未提及明确晋升或培训机制。

技术前沿前沿/新兴技术
技术栈AI制药、线肽建模、白蛋白亲和预测、纤维化建模、寡聚建模、Pareto优化、多目标联合、可解释性分析、脂质化多肽、自组装模拟
业务类型ambiguous

工作生活

48较低

JD仅说明地点为杭州,未提及远程、弹性、双休或加班信息,生活化动机满足程度无法充分判断。

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

78中等

岗位服务于多肽药物成药性优化,具备推动候选分子设计和药物研发决策的潜在价值。JD未直接描述使命或社会价值表述。

行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs