康龙化成
2027届-博士-AI蛋白设计高级研究员-无锡/江阴/宁波
2027届-博士-AI蛋白设计高级研究员-无锡/江阴/宁波
发布于 5 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
Pytorch
Tensorflow
抗体设计
深度学习
生物信息学
生物大模型
酶工程
值不值得投
81综合评分
综合评分 81
前沿AI制药交叉赛道、技术成长空间大、博士高门槛，但工作节奏与WLB未明确。
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
4万
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 720 个在招 · 其中人工智能 17 个
市场机会
选择不多
无锡 · 人工智能 · 6 个在招
职位详情
关于这个职位
该职位主要负责统筹蛋白改造项目，结合AI大模型进行酶改造和抗体设计，推动计算设计与实验验证的闭环交付
同时负责生物数据体系建设，与AI科学家协作共建大模型底座，并指导团队与跨部门沟通
最低要求
博士及以上学历，生物信息学、计算生物学、结构生物学，计算机等相关专业，211/985优先
具备蛋白改造成功(不限于酶改造，抗体设计，Binder设计)项目经验，能独立推进多轮迭代，并对结果与交付质量负责
熟练掌握深度学习框架（PyTorch/TensorFlow），具备生物大模型使用与微调能力，理解微调策略、训练评估与泛化控制，能将模型能力转化为可落地的蛋白改造任务
具备跨学科协作能力，能与AI科学家高效协作，将生物问题抽象为明确的任务定义、数据规范与评估指标
编程能力扎实，熟练Python与Linux
熟悉UniProt、PDB、Pfam等数据库与常用生信流程，具备强文献调研与方法复现能力
良好的团队协作与沟通能力，能与不同专业背景人员紧密合作
工作职责
统筹蛋白改造项目：围绕酶改造/抗体设计等目标，制定技术路线、里程碑与决策标准，推动多轮“计算设计 实验验证 迭代优化”闭环交付
生物大模型微调：牵头定义酶/抗体任务与数据集，联合AI科学家完成模型微调与适配，用于活性与稳定性提升、突变体优选、序列生成、表达可行性评估与候选打分排序，并持续根据实验回流数据迭代模型效果
生物数据体系建设：负责关键生物数据的定义、清洗、标注与质量控制，覆盖序列、结构、表型、动力学参数、多组学数据等
建立数据集版本与训练集管理规范，确保训练过程可追溯、可复现
协作共建大模型底座：作为生物侧负责人，与AI科学家共同制定数据标准、任务范式、模型输入输出规范与评估指标体系，推动底座能力在公司数据上持续迭代并支持多项目复用
跨团队沟通及培训团队：对接实验团队，解释模型结论，指导实验设计
支持专利/论文/对外合作交流，并指导初中级同事成长
技术迭代：持续跟踪AI蛋白设计、酶工程、抗体设计与生物大模型前沿进展，评估新方法可行性并提出技术迭代与平台发展建议
AI 洞察
优缺点分析
优点
- 处于AI制药这一前沿且高速发展的交叉赛道，技术壁垒高，个人核心竞争力强
- 依托上市巨头企业的平台资源，能接触到丰富的生物数据与算力资源，有利于大模型训练与落地
- 需要跨越计算机与生物学的学科鸿沟，将生物问题抽象为AI任务难度较大
- 计算设计与实验验证的闭环周期长，对迭代效率和跨团队沟通能力要求极高
- 适合具有计算生物学或生物信息学博士背景，且对AI大模型在生物领域落地有浓厚兴趣的复合型技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 从高级研究员向技术专家或研发总监发展，深耕AI制药与生物大模型交叉领域
- 成为兼具算法能力与生物学洞察的复合型领军人才，主导底层技术平台建设与迭代
- 统筹蛋白改造项目，结合AI大模型进行酶改造和抗体设计，推动计算设计与实验验证的闭环交付
- 负责生物数据体系建设，与AI科学家协作共建大模型底座，并指导团队与跨部门沟通
- 具备蛋白改造（酶/抗体/Binder）项目经验，熟练掌握PyTorch/TensorFlow等深度学习框架及生物大模型微调能力
- 扎实的Python与Linux编程能力，熟悉UniProt、PDB等生物数据库及生信流程，具备跨学科协作与问题抽象能力
申请策略
- 了解康龙化成及佰翱得在AI制药领域的最新布局与管线进展，准备关于计算设计如何指导实验验证的深入案例
- 重点突出蛋白改造（酶/抗体）的成功项目经验，以及使用深度学习框架进行模型微调的具体成果
- 展示在生物数据清洗、标注及大模型底座共建中的核心贡献与跨团队协作案例
- 提前熟悉最新的生物大模型（如ESM、AlphaFold等）的微调策略与泛化控制技术
- 加强跨学科沟通能力的训练，学习如何将生物学问题转化为明确的算法评估指标
面试指南
- 采用STAR法则，重点突出'计算设计-实验验证-数据回流-模型迭代'的完整闭环
- 强调跨学科协作中的沟通策略，展示如何将模糊的生物需求转化为可量化的算法任务与评估指标
- 请分享一个你主导的蛋白改造（酶或抗体）项目，你是如何设计计算与实验迭代闭环的？
- 在生物大模型微调中，你如何处理数据不平衡或过拟合问题？评估指标是如何定义的？
- 当AI模型预测结果与实验验证结果不一致时，你通常如何排查原因并优化模型？
- 你如何与实验团队沟通模型结论，并指导他们进行下一步实验设计？
- 复习深度学习在蛋白质结构预测与序列生成中的经典论文与最新进展
- 准备具体的代码或数据处理流程案例，以证明你的工程落地与数据治理能力
职位点评
薪资福利85
成长发展90
工作生活60
使命价值85
薪资福利
85较高
博士学历叠加AI与生物交叉领域的高技术门槛，薪资预期处于市场较高水平，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：3千–5万/月）
成长发展
90较高
岗位涉及前沿的生物大模型微调与AI蛋白设计，技术栈极具前瞻性，且能深度参与大模型底座共建，技术成长空间广阔。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、生物大模型、Python、Linux、UniProt、PDB
成长机会指导初中级同事成长
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与加班情况，但作为研发类高级岗位，可能面临一定的实验迭代与项目交付压力。
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
致力于AI驱动的新药研发，属于高速增长赛道，对改善人类健康具有显著的正向社会价值。
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