浙江大学张强教授团队2026年招聘科研助理（生物医药AI算法工程师（专有模型研发方向））

根据学科发展需要，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院张强教授团队现向社会公开招聘科研助理1名。

一、课题组简介

张强博士，曾在英国伦敦大学学院（University College London）计算机科学系取得博士学位并担任博士后，在中国科学院和山东大学分别取得硕士和学士学位。主要研究方向为机器学习、知识图谱和AI for Science等，在Nature Machine Intelligence、Nature Biotechnology、Nature Computational Science、Nature Communications、ACM Computing Surveys、NeurIPS、ICML、ICLR、AAAI、ACL、WWW等顶级学术期刊和会议发表六十余篇文章，谷歌学术论文引用量达到6000+。主持国家自然科学基金青B项目（原国家优青）、专项项目和青C项目、科技部科技创新2030新一代人工智能重大专项课题、浙江省“尖兵”“领雁”重点研发计划课题、CCF-腾讯犀牛鸟联合基金、CCF-蚂蚁科研基金、CAAI-MindSpore基金等10余项。曾获得AAAI-25学术新星奖（AAAI-25 New Faculty Highlight）、Google NLP Grant、NVIDIA GPU Grant、CCF产学合作优秀案例奖、CCF-腾讯犀牛鸟优秀项目奖、MindSpore杰出导师奖和中英教育信托者（Great Britain-China Educational Trust）、浙江大学本科生科研优秀成果特等奖最佳指导教师（全校共3人）。曾访问或工作于Facebook AI Research、Microsoft Research Cambridge、Amazon Alexa，受邀在2023年于哈佛医学院、2024年于美国劳伦斯伯克利国家实验室进行主题报告。

张强个人主页：https://person.zju.edu.cn/zhangqiang

二、岗位介绍

▷ 岗位名称： 生物医药AI算法工程师（专有模型研发方向）

▷ 所属方向： AI for Science/AI药物设计/生物医药基础模型与专有模型

三、岗位使命

▷ 负责生物医药领域专有AI模型的研发、训练和验证，面向靶点发现、蛋白结构预测、蛋白/抗体生成设计、分子生成、亲和力与药效预测、成药性评价及细胞药物功能预测等关键任务，构建具有自主知识产权、能够在真实药物研发场景中产生有效预测和设计结果的专业模型。

▷ 本岗位的核心工作是类似AlphaFold、RFdiffusion、ProteinMPNN及药效预测模型的底层模型研发：从科学问题定义、训练数据建设、模型架构设计和大规模训练，到干实验评测、湿实验验证和模型持续迭代。所研发模型将作为AI Scientist平台的核心能力，被药物设计、药效评价、靶点发现及CAR-T研发智能体调用。

四、 主要职责

1. 生物医药专有模型规划与研发

▷ 与药物科学家、生物信息团队和实验团队共同识别关键研发问题，将科学问题转化为明确的模型任务、输入输出、训练目标和评价指标。

▷ 面向小分子、大分子和细胞药物规划专有模型体系，明确自研、微调、迁移学习、模型融合及第三方模型使用边界。

▷ 跟踪蛋白结构预测、生成式蛋白设计、分子生成、几何深度学习、多模态生物模型和药效预测等前沿技术，完成模型复现、比较、改进和创新。

▷ 形成从数据、模型、训练、评测到实验验证的完整研发方案，并推动研究原型转化为稳定可用的算法能力。

2. 蛋白结构预测与蛋白/抗体生成设计

▷ 研发或优化蛋白单体、蛋白复合物、抗原—抗体/结合域复合物的结构预测和相互作用建模能力。

▷ 基于蛋白语言模型、图神经网络、几何深度学习、扩散模型、流模型或反折叠模型，开展蛋白、抗体、纳米抗体和结合域的序列与结构生成。

▷ 研发结构条件生成、表位约束设计、骨架生成、序列设计、侧链优化和复合物界面设计等模型。

▷ 针对亲和力、特异性、稳定性、免疫原性、溶解性、聚集倾向及可制造性开展多目标生成和优化。

▷ 复现并改进AlphaFold/AlphaFold-Multimer、RFdiffusion/RFantibody、ProteinMPNN、BindCraft、Boltz等模型或技术路线，形成适用于实际项目的数据、训练和推理方案。

▷ 面向CAR-T场景，支持结合域设计、抗原识别、表位可及性、脱靶风险及多特异结合方案的模型研发。

3. 小分子生成与药效/性质预测

▷ 研发基于图神经网络、Transformer、扩散模型或其他生成模型的小分子生成、结构优化和候选筛选能力。

▷ 建设靶点条件分子生成、3D构象生成、蛋白—配体结合建模、虚拟筛选和结合模式预测模型。

▷ 研发活性、亲和力、选择性、脱靶、ADMET、药代、毒性、合成可行性及其他理化/成药性指标预测模型。

▷ 建设多任务、多目标和小样本学习能力，处理不同实验体系、测量条件和数据来源造成的标签差异与分布偏移。

▷ 结合不确定性估计、校准和适用域判断，为候选排序和实验优先级提供可信的模型输出。

4. 细胞药物与CAR-T功能预测

▷ 融合结合域、CAR结构域、共刺激域、启动子、制造工艺及细胞表型等信息，研发CAR-T构件和功能预测模型。

▷ 建设体外杀伤、细胞毒性、紧张性信号、非特异激活、耗竭倾向、扩增、持久性及安全性等指标的预测能力。

▷ 研究序列、结构、构件、工艺参数和实验表型的联合表征，支持“结合域—CAR结构—制造工艺”组合的多目标评价和优化。

▷ 针对CGT数据量小、实验条件不一致和标签稀疏等特点，应用迁移学习、多任务学习、弱监督、元学习或贝叶斯方法提升模型效果。

▷ 配合复星真实研发管线，支持Top 100/Top 10组合筛选、结合域优化候选及Top 5湿实验候选的模型评价。

5. 多组学与靶点发现模型

▷ 整合基因组、转录组、单细胞、蛋白组、通路网络、组织表达、疾病机制及临床前数据，研发候选靶点发现与排序模型。

▷ 建设疾病相关性、组织/细胞特异性、表面可及性、可调控性、成药性、毒性风险和临床转化可行性等预测能力。

▷ 研究多组学表征学习、图学习、因果推断、跨模态对齐和患者分层方法，支持不同药物模态的靶点优选。

▷ 输出具有置信度、不确定性和适用范围的候选靶点评分，为下游药物设计模型提供可靠输入。

6. 训练数据与生物医药数据工程

▷ 负责公开数据库、文献专利、合作方数据和内部实验数据的训练集建设，包括数据清洗、标准化、实体对齐、去重、标签定义和质量控制。

▷ 建立分子、序列、结构、复合物、多组学、药效和实验数据的统一样本规范与数据版本体系。

▷ 识别数据泄漏、同源序列泄漏、时间穿越、实验批次效应、类别不平衡和标签噪声，设计合理的数据拆分与控制方法。

▷ 建设预训练、微调、评测和外部验证数据集，确保训练数据来源、处理过程和使用范围可追溯。

▷ 与实验团队共同规范样品、实验条件、测量单位和关键readout，使新增湿实验数据能够用于模型训练和验证。

7. 模型训练与大规模计算

▷ 使用PyTorch、JAX或同类框架完成模型设计、训练、调试、性能分析和实验管理。

▷ 负责单机多卡及多机多卡训练，优化数据加载、显存使用、混合精度、并行策略、训练稳定性和计算效率。

▷ 根据模型规模和任务特点应用数据并行、模型并行、张量/流水线并行、梯度累积、检查点和容错恢复等技术。

▷ 建设可复现的训练流水线，管理代码、数据、配置、模型权重、随机种子和实验结果。

▷ 与平台工程师协作完成GPU集群、国产算力或超算环境部署，优化训练与推理成本、吞吐和时延。

▷ 将研究模型封装为稳定的推理服务或批量计算工具，供AI Scientist平台和下游智能体调用。

8. 模型评测与湿实验闭环

▷ 建立与具体科学任务匹配的模型评测体系，避免仅使用通用机器学习指标评价实际药物研发价值。

▷ 针对结构预测、生成设计、亲和力、药效、ADMET和细胞功能等任务建设独立测试集、回顾性基准和外部验证集。

▷ 评价模型的准确性、富集能力、生成有效率、新颖性、多样性、可开发性、校准程度、适用域和不确定性。

▷ 与领域专家对模型结果进行科学审查，分析错误案例、分布外样本、失败模式及模型捷径。

▷ 通过SPR/BLI、生化、细胞和动物实验验证模型预测与生成结果，开展预测—实验差异分析。

▷ 将湿实验结果持续回灌训练数据，结合主动学习和贝叶斯优化选择高信息量实验，形成“预测—验证—再训练”的迭代闭环。

五、具体要求

1. 基本要求

▷ 硕士及以上学历；计算机、人工智能、机器学习、生物信息学、计算生物学、计算化学、结构生物学、药物化学或相关专业，博士优先。

▷ 具备3年以上生物医药AI、AI for Science、计算生物学或AI药物设计模型研发经验；优秀博士毕业生可适当放宽工作年限。

▷ 熟练掌握Python，以及PyTorch、JAX或TensorFlow中的至少一种深度学习框架。

▷ 具备独立完成数据准备、模型设计、训练、调参、评测、错误分析和部署的完整能力。

▷ 熟悉Transformer、图神经网络、几何深度学习、扩散/生成模型、多任务学习或自监督学习中的一种或多种。

▷ 了解分子、蛋白序列、三维结构或多组学数据中的至少一种，并具有实际建模经验。

▷ 具备扎实的机器学习、概率统计和实验设计基础，能够正确处理数据泄漏、偏倚、不确定性和分布外泛化问题。

▷ 能够阅读并复现英文论文，持续跟踪生物医药AI领域前沿模型和数据集。

▷ 具备良好的科研协作和沟通能力，能够与药物科学家、生物信息人员和实验团队共同定义问题、分析结果和推动验证。

2. 重点能力要求

▷ 候选人应在以下至少一个方向具备较深入的研发与模型训练经验：

▷ 蛋白结构与生成设计： 蛋白结构/复合物预测、蛋白语言模型、几何深度学习、扩散生成、反折叠、抗体或蛋白界面设计。

▷ 小分子设计与药效预测： 分子生成、虚拟筛选、蛋白—配体建模、QSAR、活性/亲和力、ADMET、毒性或合成可行性预测。

▷ 多组学与靶点发现： 单细胞/多组学建模、通路网络、图学习、因果推断、靶点优选或患者分层。

▷ 细胞药物建模： CAR-T/细胞治疗构件、细胞功能、制造工艺与实验表型联合建模。

3.优先条件

▷ 参与过AlphaFold、RoseTTAFold、ESMFold、Boltz等结构预测模型的训练、微调、复现或改进。

▷ 参与过RFdiffusion/RFantibody、ProteinMPNN、BindCraft、蛋白语言模型或抗体生成设计模型的训练与应用。

▷ 具有分子图模型、3D分子生成、蛋白—配体打分、药效/ADMET预测或生成式化学项目经验。

▷ 具有大规模预训练、分布式训练、GPU集群、超算或国产算力适配经验。

▷ 熟悉RDKit、Biopython、PyTorch Geometric、DGL、DeepChem、OpenMM、Rosetta等工具。

▷ 具有PDB、UniProt、OAS、SAbDab、ChEMBL、PubChem、BindingDB等生物医药数据处理经验。

▷ 具有SPR/BLI、生化、细胞或动物实验数据建模及干湿实验闭环经验。

▷ 具有药企、CRO/CDMO、生物科技公司或AI药物研发公司工作经验。

▷ 在机器学习、计算生物学、结构生物学或药物发现相关会议和期刊发表过论文，或拥有相关发明专利。

▷ 具有从研究原型到真实药物研发项目交付的模型产品化经验。

4.关键能力画像

▷ 专有模型研发能力： 能够从科学问题出发独立设计和训练专业模型，而非仅封装现有模型或调用API。

▷ 生物医药数据能力： 理解分子、序列、结构、多组学和实验数据的特点、质量问题及科学含义。

▷ 大规模训练能力： 能够稳定完成模型预训练、微调、分布式训练、实验管理和性能优化。

▷ 科学评测能力： 能够选择与真实药物研发价值一致的指标、数据拆分和外部验证方法。

▷ 实验闭环能力： 能够利用专家和湿实验结果诊断模型、更新数据并推动下一轮模型迭代。

▷ 工程交付能力： 能够将研究模型转化为稳定、可复现、可监控、可供平台调用的算法服务。

5.核心产出

▷ 蛋白结构预测、蛋白/抗体生成设计及复合物建模模型。

▷ 小分子生成、亲和力、药效、ADMET和安全性预测模型。

▷ 靶点发现、多组学分析及细胞药物功能预测模型。

▷ 高质量预训练、微调和评测数据集及数据处理流水线。

▷ 可复现的模型训练系统、模型权重、推理服务和评测基准。

六、我们提供：

l有竞争力的待遇支持与成果激励，年薪12-30万，一人一议，根据实际能力确定。

l工作地点：上海/杭州/嘉兴，优越的科研环境与自由探索空间；

l一流高校平台和与高水平企业合作开展科研项目的机会；

l面向学术或产业发展的多元职业发展路径。

七、应聘方式：

坚持公开、公平、竞争、择优的原则，凡符合招聘岗位要求且有意向者，请将简历发送email至sijiachen@intl.zju.edu.cn，并抄送 liz@mingdutech.com。邮件注明【应聘-浙江大学-生物医药AI算法工程师-姓名】。

截止时间：即日起至招满即止

学校网站：http://www.intl.zju.edu.cn/；

学院网站：http://zjui.intl.zju.edu.cn/en

工作性质：劳动合同制 （劳务派遣）