康龙化成
2026届-博士-体外生物信息学数据工程师-北京总部
2026届-博士-体外生物信息学数据工程师-北京总部
发布于 大约 17 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Cadd
Gnn
Llm
Pytorch
Pytorch Geometric
分子动力学
计算化学
Admet预测
多肽药物设计
值不值得投
77综合评分
综合评分 77
前沿AI与计算化学交叉岗位，技术成长性强，行业前景好，但WLB信息不明。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
35K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
68 个在招
市场机会
选择面较广
北京 · 人工智能 · 约 260 个在招
职位详情
关于这个职位
该职位聚焦于信息生物学与人工智能的交叉领域，负责开发多肽药物ADMET预测算法和计算化学研究
工作涵盖前沿AI模型构建、3D构象计算、图神经网络开发及湿实验数据校准，旨在打造高效的生物信息智能分析体系，助力新药研发
最低要求
职位一（多肽ADMET算法工程师）：
博士学历，计算化学、计算生物学、人工智能等交叉学科背景
精通多肽药物设计，深入理解多肽的跨膜机制、手性及非天然修饰
熟练使用PyTorch及PyTorch Geometric (PyG)，具备大语言模型（LLM/Transformer）及图神经网络（GNN）的实际开发经验
熟练使用PyTorch等深度学习框架，具备主流大语言模型（LLM）或前沿图神经网络的实际开发经验
精通主流化学信息学工具，熟悉分子动力学或高阶计算化学计算方法
自驱力强，能熟练阅读计算化学会议及期刊的前沿英文文献并快速复现核心算法
职位二（计算化学专家/CADD研究员）：
博士学历，计算化学、药物化学、药理学或相关专业
熟练掌握主流化学信息学工具及业界标杆的CADD商业/开源软件生态
深入理解药物代谢动力学（DMPK）、毒理学机制（如反应性代谢物）以及立体化学原理
优秀的跨学科沟通能力，能够将复杂的黑盒AI预测结果“翻译”为指导合成化学家开展实验的切实可行的化学语言
工作职责
职位一（多肽ADMET算法工程师）：
负责搭建支持复杂大分子表征的前沿预训练模型架构（State-of-the-art Pre trained Models），实现非天然氨基酸等特殊结构的连续嵌入与高维表征
开发自动化的3D构象计算管线
结合主流计算化学与高精度隐式溶剂/半经验计算工具，提取多肽的分子内氢键、变色龙效应相关特征及大环张力能
构建先进的图神经网络（Advanced GNNs），将原子的几何特征与动态物理特征进行多模态融合拼接，预测多肽的细胞膜渗透性及核心成药性指标
结合内部高精度微流控芯片产生的湿实验数据，使用前沿的参数高效微调技术（PEFT）对预训练底座进行局部微调校准
职位二（计算化学专家/CADD研究员）：
定义并监督基于机器学习的分子特征工程，确保高精度物理力场优化与属性计算的底层物理学准确性
深入审查AI模型输出的“可解释性局部结构特征报告”，结合真实的药物代谢酶理解，验证模型解释的化学机理合理性
结合分子的复杂预警及ADMET预测结果，使用经典的生物电子等排体及骨架跃迁方法，指导高通量AI生成模型（Generative AI）的定向结构解毒优化
为复杂大分子及特殊修饰候选物提供构象约束分析与3D设计指导
AI 洞察
优缺点分析
优点
- 工作涉及AI与生命科学前沿交叉，技术含量高，行业前景广阔
- 依托跨国药企平台，资源丰富，有利于科研成果转化
- 博士级岗位，专注于深度技术研发，专业成长空间大
- 跨学科要求高，需同时掌握AI算法和化学知识，学习曲线陡峭
- 对学术文献复现和实验数据结合要求高，工作强度可能较大
- 适合拥有计算化学或生物信息学博士学位，对AI驱动药物研发有浓厚兴趣，并具备较强自驱力和跨学科学习能力的求职者
缺点 / 挑战
- 研发项目周期长，可能面临技术突破的压力和不确定性
角色解读
- 可成长为AI药物研发领域的技术专家或算法负责人
- 转向学术或工业界的研究科学家，推动AI在生命科学中的应用
- 积累跨学科经验后，可能参与项目管理或团队领导工作
- 负责开发多肽药物ADMET预测的AI算法，包括预训练模型、3D构象计算和图神经网络构建
- 作为计算化学专家，确保AI模型输出符合化学原理，并指导药物结构优化
- 结合湿实验数据，进行模型微调和验证，提升预测准确性
- 精通深度学习框架如PyTorch，并有LLM或GNN的实际开发经验
- 深入理解计算化学、多肽药物设计及ADMET相关机制
- 熟练使用化学信息学工具和分子动力学模拟方法
申请策略
- 研究康龙化成的新药研发管线和AI应用方向，在面试中展示针对性兴趣
- 准备跨学科案例，说明如何整合AI与化学知识解决实际问题
- 突出博士期间在计算化学、深度学习或生物信息学领域的研究成果和论文
- 详细描述使用PyTorch、GNN、LLM等工具的实际项目经验
- 强调多肽设计、ADMET预测或相关交叉学科的实践案例
- 补充药物化学和药理学基础知识，以更好地理解ADMET机制
- 深入学习图神经网络在分子表征中的应用，以及最新预训练模型技术
- 练习将复杂AI结果转化为化学指导建议的沟通表达能力
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化回答，结合具体项目经验
- 强调理论与实践的结合，说明如何从文献和实验中获取灵感并迭代优化
- 突出跨学科协作，展示沟通能力，将技术语言转化为化学家可理解的建议
- 如何设计一个支持非天然氨基酸表征的预训练模型架构？
- 解释图神经网络在预测多肽细胞膜渗透性中的具体应用
- 如何验证AI模型输出的“毒效团诊断报告”的化学合理性？
- 遇到湿实验数据与AI预测不一致时，你会如何处理？
- 你如何看待AI在药物研发中的局限性？
职位点评
薪资福利70
成长发展95
工作生活50
使命价值85
薪资福利
70中等
职位属于高技能博士岗，但JD未明确披露薪资和福利，补偿性动机满足程度中等。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
95较高
工作涉及前沿AI与计算化学技术，在生命科学领域应用，技能成长和行业前景极佳。
技术前沿前沿/新兴技术
技术栈PyTorch、GNN、LLM、ADMET、计算化学
业务类型ambiguous
工作生活
50较低
仅现场办公，JD未提及工作模式或WLB信息，生活化动机满足程度有限。
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
职位助力新药研发，具有较高社会价值，处于生物医药高速增长赛道。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号助力科研成果转化与产业应用
创新程度积极采用新技术
Watch Jobs