Alibaba logo
阿里巴巴
ATH-物理建模专家/高级专家(分子动力学/力场)-AI制药

ATH-物理建模专家/高级专家(分子动力学/力场)-AI制药

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 5.0–9.0万 · AI 参考估算
专家级经验
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
分子动力学
自由能计算

值不值得投

75综合评分

综合评分 75

AI制药前沿物理建模专家岗,技术门槛高、成长性强,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

7.0万

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 5250 个在招 · 其中AI药物设计 11 个

市场机会

选择适中

杭州 · AI药物设计 · 13 个在招

职位详情

关于这个职位

该岗位聚焦AI制药中的物理建模与分子动力学模拟,负责水相和膜相环境下大环/环肽构象增强采样、自由能计算及构象集合供应

你将为变色龙指数和成药性建模提供稳定可信的高维构象特征,并探索ML力场与高性能并行采样提升效率

最低要求

【硬性】

大环/环肽增强采样经验为硬门槛(副本交换/元动力学/加速采样等)且能判断采样收敛
只跑过蛋白平衡态MD的通用背景接不了增强采样与膜环境建模
【核心技能】
收敛判断:增强采样如何确认采够能否给判据
膜相与水相构象差异物理:环肽穿膜时构象如何变化
力场选择与局限:膜/环肽体系力场适用性与误差来源

工作职责

职位描述

多环境构象采样:水相与膜相两套环境增强采样,输出带权重构象集合
构象集是变色龙指数唯一输入来源,需稳定可信持续供应
分子动力学与自由能计算,必要时引入ML力场提升采样效率
与成药性建模组对接,把高维构象/采样轨迹整理成模型可用特征

优先资格

【加分项】

环肽口服渗透相关MD研究
做过构象集合到性质预测的特征化
有HPC/GPU并行采样经验

AI 洞察

优缺点分析

优点

  • 岗位处于AI制药与物理建模交叉前沿,能够积累大环/环肽、膜环境和ML力场等高稀缺能力
  • 工作内容直接服务变色龙指数和成药性建模,技术成果与药物设计决策关联度高
  • 强调增强采样、自由能计算和构象特征化,适合希望深耕计算化学与AI药物设计的求职者
  • 与成药性建模组协作,有机会理解从物理模拟到机器学习模型的完整链路
  • 大环/环肽增强采样和膜环境建模门槛高,需要能独立判断采样收敛和误差来源
  • 适合具备大环/环肽增强采样经验、熟悉膜体系分子动力学并能做收敛判断的计算化学或物理建模专家
  • 尤其适合希望在AI制药中承担核心技术攻坚的人

缺点 / 挑战

  • 构象集合作为唯一输入来源,对稳定性、可信度和持续供应要求高,结果质量压力较大
  • 需要同时理解物理模拟与机器学习建模接口,跨团队沟通和特征抽象能力要求较高

角色解读

  • 可沿AI制药物理建模专家方向深入,成为大环/环肽构象采样、膜渗透与成药性预测领域的技术负责人
  • 可向计算化学、分子模拟平台建设或ML力场研发方向扩展,推动药物设计底层能力升级
  • 长期可发展为AI药物设计中的核心技术专家,连接物理模拟、机器学习与成药性评价体系
  • 负责水相与膜相两套环境下的大环/环肽增强构象采样,输出带权重的构象集合,并保证结果稳定可信、可持续供应
  • 开展分子动力学模拟与自由能计算,在必要时引入ML力场,提高复杂体系的采样效率与覆盖度
  • 判断增强采样是否收敛,分析膜相与水相中环肽构象变化、力场适用性和误差来源
  • 与成药性建模团队协作,将高维构象和采样轨迹整理为可用于性质预测或模型训练的特征
  • 必须具备大环/环肽增强采样经验,熟悉副本交换、元动力学、加速采样等方法,并能给出收敛判断依据
  • 需要理解膜相与水相环境差异,尤其是环肽穿膜过程中的构象变化及其物理机制
  • 需要掌握分子动力学、自由能计算和力场选择,能识别膜/环肽体系中的力场局限与误差来源
  • 具备HPC/GPU并行采样、构象集合特征化、性质预测建模经验者更具竞争力

申请策略

  • 面试前应梳理该岗位与成药性建模组的协作方式,说明自己如何把物理模拟结果转化为模型可用输入
  • 建议准备一个完整案例,从体系构建、增强采样、收敛验证到性质预测闭环讲清楚
  • 重点突出大环/环肽增强采样项目,写清楚使用的采样方法、体系规模、收敛判据和最终产出
  • 强调膜相与水相构象差异分析经验,尤其是环肽穿膜、口服渗透或膜环境建模相关研究
  • 展示自由能计算、力场选择、误差分析和HPC/GPU并行采样能力,最好配定量结果
  • 如果有构象集合到性质预测的特征化经验,应说明特征构造方式、模型效果和业务价值
  • 强化副本交换、元动力学、加速采样等增强采样方法的收敛判断能力,准备可解释的判据案例
  • 补充膜/环肽体系力场适用性、误差来源和ML力场应用的最新文献与实践理解

面试指南

  • 技术案例回答采用“体系背景—方法选择—收敛验证—误差分析—业务产出”的结构,突出判断依据而不是只讲工具名称
  • 对开放性问题先给结论,再拆成物理机制、计算实现和验证指标三层展开,最后说明局限与改进方向
  • 涉及跨团队协作时,强调如何把模拟结果转化为建模团队可消费的数据格式、特征定义和质量标准
  • 你如何判断大环/环肽增强采样已经收敛?会给出哪些定量或可视化判据?
  • 膜相和水相中环肽构象变化的核心差异是什么?这些差异如何影响口服渗透或成药性判断?
  • 对膜/环肽体系,你会如何选择力场?不同力场可能带来哪些系统误差?
  • 请介绍一次你使用副本交换、元动力学或加速采样的完整项目,包括体系设置、计算资源和结果验证
  • 如何把高维构象集合或MD轨迹整理成机器学习模型可用的特征?

职位点评

薪资福利82
成长发展88
工作生活45
使命价值78

薪资福利

82较高

JD未披露薪资与福利信息,但岗位属于专家级稀缺技术方向,且地点在杭州,薪酬吸引力可能具备较好基础;不过具体回报仍需与招聘方确认。

薪资信号未披露(AI估算:5.0千–9.0万/月)

成长发展

88较高

岗位涉及增强采样、膜相建模、自由能计算、ML力场和构象特征化,技术深度与交叉性强,对专业能力成长非常有利。JD未提及培训或晋升路径,发展机制信息有限。

技术前沿前沿/新兴技术
技术栈分子动力学、增强采样、副本交换、元动力学、加速采样、ML力场、自由能计算、HPC、GPU并行采样
业务类型ambiguous

工作生活

45较低

JD仅明确地点为杭州,未说明远程、弹性办公、双休或加班情况,因此生活化动机满足程度难以判断。岗位技术攻坚属性较强,但具体工作节奏需面试确认。

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

78中等

岗位服务于AI制药和成药性建模,能够参与药物设计相关基础能力建设,具有较好的行业前景和应用价值。JD未直接描述社会使命或患者价值相关表述。

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