2027届-博士-生物信息研究员-北京总部

优缺点分析

角色解读

• 纵向可成长为生物信息或AI药物研发领域的资深科学家、技术专家
• 横向可向AI驱动的药物研发项目管理、跨学科团队负责人方向发展
• 开发基于大语言模型（LLM）的生物智能Agent和RAG知识库，实现AI设计与湿实验数据的闭环
• 利用深度学习进行细胞表型分析、化合物机制与毒性预测，解析高通量筛选数据
• 负责siRNA、mRNA等核酸药物的序列设计、优化与体外验证，支撑AI模型数据集搭建
• 扎实的编程基础，熟练掌握Python或R，具备深度学习建模与高通量数据分析能力
• 熟悉大语言模型（LLM）、RAG、向量数据库等AI前沿技术，有生物AI模型落地经验
• 具备分子生物学或计算生物学背景，熟悉核酸药物研发流程及评价体系

申请策略

• 提前了解公司在AI药物研发（如AIDD）领域的最新布局和产品管线，面试时展现对公司业务方向的理解
• 突出在LLM、RAG或深度学习模型方面的项目经验，特别是与生物数据（如蛋白结构、高通量筛选）结合的案例
• 详细列出核酸药物（siRNA/mRNA/ASO）序列设计、优化及体外验证的具体研究成果或项目经历
• 强调干湿结合的项目经验，展示如何将计算预测与湿实验数据打通并闭环
• 深入学习大语言模型（LLM）的微调、Agent开发及RAG架构，了解向量数据库的底层原理
• 补充核酸药物递送系统、脱靶效应评估等药学前沿知识，提升跨学科对话能力

面试指南

• STAR法则：情境（项目背景）- 任务（面临的技术/业务挑战）- 行动（采用的算法、模型及优化策略）- 结果（湿实验验证结果或业务指标提升）
• 跨学科思维：在回答中体现“计算预测-实验验证-模型迭代”的闭环思维，展示对干湿结合研发体系的深刻理解
• 请介绍一个你使用深度学习或LLM解决生物信息学问题的具体项目，遇到了哪些挑战？
• 在核酸药物序列设计中，你是如何评估其稳定性和脱靶风险的？
• 如何打通AI设计模型与湿实验数据之间的闭环？请举例说明
• 针对高通量筛选数据，你通常使用哪些算法或模型进行解析和特征提取？
• 复习并准备1-2个核心的AI+生物信息交叉项目，能够清晰讲解模型架构、数据处理流程及最终验证结果
• 了解当前AIDD（AI药物发现）领域的最新进展，特别是大模型在蛋白结构预测、分子生成中的应用