阿里巴巴
算法工程师-虚拟细胞建模
算法工程师-虚拟细胞建模
发布于 1 小时前普通员工/个人贡献者
全职员工混合式弹性办公人工智能
人工智能
Pytorch
图神经网络
多模态融合
大模型预训练
扩散模型
生物信息学
值不值得投
83综合评分
综合评分 83
AI for Science前沿赛道、顶尖技术栈、强科研导向，兼顾高薪与高成长，适合跨界博士
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
比人工智能中位数高
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 3720 个在招 · 其中人工智能 约 380 个
市场机会
选择面较广
北京 · 人工智能 · 约 680 个在招
职位详情
关于这个职位
负责研发单细胞及多模态虚拟细胞基础模型，实现细胞状态表征与跨上下文预测
开发基因与药物扰动响应模型以支撑虚拟筛选
构建多组学时空对齐融合模型，并与湿实验团队紧密协作完成预测-验证闭环
最低要求
计算生物学、生物信息学、计算机科学、基因组学、系统生物学或相关专业博士学位
精通Python编程，熟练掌握PyTorch（或TensorFlow）等主流深度学习框架，具备独立完成模型设计、训练与评估的能力
熟悉Transformer、生成模型（扩散模型/flow matching）、图神经网络等主流模型架构的原理与实现，有大规模模型预训练经验
具备扎实的单细胞组学基础，理解单细胞数据处理、批次效应校正、细胞注释与轨迹分析等核心方法
熟悉虚拟细胞/单细胞基础模型领域主流方法与工具，如scGPT、scFoundation、STATE等，了解其原理与适用边界
熟悉单细胞与扰动相关数据库及图谱（CELLxGENE、GEO、Perturb-seq等）的使用与数据处理
工作职责
虚拟细胞基础模型研发：开发与迭代单细胞及多模态虚拟细胞基础模型，实现细胞状态的表征、生成与跨上下文泛化预测
扰动响应预测：开发基因扰动（CRISPR敲除/敲低）与药物扰动响应预测模型，研发组合扰动外推方法，支撑虚拟筛选
多模态与时空建模：构建转录组、蛋白组、染色质可及性、空间组学等跨模态对齐与融合模型，推进基因-蛋白-通路-细胞跨尺度耦合建模
预测-验证闭环：与湿实验团队（单细胞建库、CRISPR筛选、类器官与功能验证）紧密协作，基于实验反馈迭代优化模型与数据策略
优先资格
有良好的学术产出记录：在顶级会议（NeurIPS、ICML、ICLR等），顶级期刊（CNS及其子刊）发表过多篇第一作者论文
良好的中英文文献阅读与学术写作能力，具备跨团队协作与沟通能力
AI 洞察
优缺点分析
优点
- 处于AI for Science前沿交叉赛道，技术壁垒高且行业应用前景广阔
- 依托头部互联网大厂算力集群与海量数据资源，支持超大规模模型训练
- 直面真实生物医学问题，科研成果可直接转化为新药研发管线，转化价值显著
- 需同时跨越计算机算法与分子生物学两大专业领域，知识体系构建学习曲线陡峭
- 湿实验验证周期较长，计算结果落地存在生物学不确定性，需耐心迭代
- 适合具有深厚算法功底与生物学背景交叉研究经验的博士毕业生，追求技术突破与科研转化的求职者
缺点 / 挑战
- 顶会顶刊发表要求带来较高的科研压力与同侪竞争环境
角色解读
- 向首席科学家或AI制药/合成生物学领域技术专家演进，主导底层架构设计
- 拓展至多模态大模型开源社区贡献与行业标准制定，提升学术影响力
- 转向AI驱动的药物发现平台负责人或独立PI，实现技术商业化落地
- 研发单细胞及多模态虚拟细胞基础模型，实现细胞状态表征与跨上下文预测
- 构建基因与药物扰动响应预测模型，支撑高通量虚拟筛选与药物发现
- 融合转录组、蛋白组、空间组学等多模态时空数据，推进跨尺度生物学耦合建模
- 与湿实验团队协同，建立“计算预测-实验验证”闭环迭代机制，持续优化模型策略
- 精通Python与PyTorch/TensorFlow深度学习框架，具备独立模型设计训练能力
- 掌握Transformer、扩散模型、图神经网络等前沿架构原理与大规模预训练经验
- 扎实的单细胞组学处理基础，熟悉批次效应校正、细胞注释与轨迹分析核心方法
- 具备顶会顶刊科研产出能力与优秀的中英文学术写作沟通素养
申请策略
- 提前准备算法设计与生物学假设紧密结合的面试案例，展现跨学科思维
- 主动了解目标业务线的湿实验合作模式与技术栈，体现工程落地意识
- 突出顶会/顶刊一作论文及具体模型创新点，量化技术贡献与指标提升
- 详细列出PyTorch/TensorFlow项目经验及大规模预训练工程实践细节
- 强调单细胞组学数据处理全流程与复杂生物学问题求解的真实案例
- 深入研读scGPT、scFoundation等最新单细胞基础模型论文并进行代码复现
- 补充多模态对齐与生成模型（Diffusion/Flow Matching）的实战调参经验
- 关注AI制药与计算生物学领域最新产业动态与开源生态工具链
面试指南
- 采用STAR法则结构化阐述项目背景、核心挑战、技术方案选择与量化业务成果
- 结合数学推导与代码实现细节展示对底层原理的深度理解，避免泛泛而谈
- 强调跨学科融合思维，说明如何将生物学先验知识嵌入模型架构与损失函数
- 展现开放严谨态度，通过消融实验设计与误差归因分析定位问题根源
- 请介绍你主导过的一个从数据预处理到模型部署的完整深度学习项目
- 如何设计模型结构以有效解决单细胞数据中的批次效应与特征稀疏性问题？
- 扩散模型与流匹配在生成任务中的优劣对比及你的选型依据是什么？
- 当计算预测结果与湿实验验证不一致时，你的排查路径与迭代思路是什么？
职位点评
薪资福利85
成长发展92
工作生活65
使命价值88
薪资福利
85较高
提供极具竞争力的薪酬包与股票期权，福利体系完善，对补偿性动机满足度较高。
薪资信号偏高 (6.0千–10.0万/月)
成长发展
92较高
聚焦AI for Science前沿方向，提供顶级算力支持与跨学科团队，技术成长与学术晋升通道清晰。
技术前沿前沿/新兴技术
技术栈PyTorch、Transformer、扩散模型、图神经网络、scGPT、单细胞组学
业务类型profit_center
工作生活
65中等
互联网大厂通常节奏较快，但算法研究岗相对侧重深度思考，WLB中等偏上，具体取决于项目组进度。
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
88较高
致力于虚拟细胞建模与精准医疗，直接推动生命科学突破与新药研发进程，社会价值与使命感强烈。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度开拓性创新（行业首创）
Watch Jobs