冷冻电镜生成式算法研究实习生

【工作目标】 基于项目已积累的高质量冷冻电镜倾转序列原始数据，开展三维重建工作，并结合深度学习方法进行去噪与结构分割，从而获得生物大分子在原位状态下的原子级结构及其组织信息。 希望我们互相学习，一起探索人工智能在生命科学方向的基础研究和应用，推进机器学习与统计方法在 Cryo-ET/EM 方向的落地实现，共同攻克生物学领域的重大科学问题。

【职位描述】 具备良好的沟通协作能力和扎实的科研基础，能够长期与团队合作推进以下一项或多项研究任务： 三维重建与去噪 能够运用传统图像处理、统计机器学习等方法，完成三维重建与去噪相关工作（如 CryoCare、Noise2Noise、DeepDeWedge）。 特征提取与分割 基于经典图像分割算法及深度学习工具（如 TomoSegMemTV、DeepFindET、nnU-Net），对细胞超微结构进行识别、分割，并开展定量表征分析。 高分辨率结构解析 参与特定复合物的高分辨率结构解析流程，熟练使用前沿软件与方法（如 RELION-4.0/5.0、Warp/M、CryoSPARC 等）开展数据处理与分析。 计算机视觉背景 具备三维重建与机器视觉算法基础，了解 Gaussian Splatting 等三维表示方法，熟悉基础机器视觉算法，并对 Diffusion Model、Optimal Transport 等相关方向有一定理解。 团队项目将提供相应的专业知识指导，以及机器学习与计算资源支持，不要求实习生在加入之初就具备全部技能，更看重学习能力和成长潜力。因此，实习周期原则上不少于 3 个月，每周实习4 天以上；若个人能力特别突出，或已具备较为成熟的相关技能，时间要求可适当放宽

建议具备部分相关工具的使用经验，或具备主动学习并快速掌握的能力与意愿: 计算基础: 熟悉 Linux 环境； 具备基本 GPU 资源调度/使用经验； 具备 Python 脚本开发能力。 专业背景： 对 Cryo-EM/Cryo-ET 算法应用或图像处理具有浓厚兴趣，并具备相关研究经验的生物方向的同学； 来自物理、计算机、数学等交叉背景，对 Cryo-EM/Cryo-ET 领域有深入兴趣并愿意持续投入的同学。 工具熟练： 重建相关： IMOD, AreTomo, Etomo STA/高分辨相关： RELION (Tomo), Warp/M, CryoSPARC, emClarity 可视化/分割相关： ChimeraX, Amira, DragonFly 欢迎具备机器学习算法、冷冻电镜相关领域研究经验，或具有生命科学交叉研究背景的同学加入，尤其欢迎曾在 ICML、ICLR、NeurIPS、KDD 等机器学习顶级会议或高水平期刊发表论文的申请者。与此同时，我们也欢迎对该方向有浓厚兴趣、愿意持续投入学习与实践的同学加入。团队将以实习培养和能力提升为核心，提供充分的成长空间与指导支持。

【职位特点】 成果产出：项目目前进展顺利，已经具有科研影响力，后续研究成果将转化为会议及期刊论文。 科研训练：将深度参与从原始数据处理到最终成图的完整流程，系统学习并掌握统计机器学习在 Cryo-ET 场景中的应用。 交叉团队：提供高性能 GPU 计算集群与完善的算力保障，无需担心硬件瓶颈，配套数据与算法支持团队，支持项目从研究到落地的全流程推进。 成长学习：参与重大项目合作，接触并学习前沿机器学习与统计方法，在真实科研场景中推动 AI 与 Science 的应用融合，同时理解科研项目的组织与运作机制