日常实习生-AI数据工程师-AI for Science

以数据驱动、评测驱动的方式，构建生命科学领域的 “干湿实验”数据高效迭代闭环。建立从多模态生物数据寻源、清洗、标注、合成到评测的全链路体系，持续建设高质量的分子/蛋白质/基因组数据集和评测集，推动 AI for Science (AI4S) 基础模型能力的持续跃升，赋能创新药物研发。

【具体职责】（实习生将参与以下相关方向的一项或多项）：

1. 多模态生物/化学数据处理引擎研发：

参与研发 PB 级多模态生物数据处理引擎（涵盖分子序列、蛋白质 3D 结构、基因组、多组学及文献文本等）。

构建覆盖生物数据全生命周期的自动化数据处理 Pipeline（熟练处理 SMILES、PDB、FASTA、SDF 等专有格式）。

解决海量生物数据在去重、脱敏及数据增强（如分子图增强、蛋白质构象生成）中的计算瓶颈，利用智能筛选与精准对齐算法交付极具竞争力的高质量训练集。

2. 生命科学数据资产与语义理解体系建设：

参与 AI4S 数据基础设施建设。设计支撑生命科学基础模型演进的多模态语义标签标准（如靶点-分子互作、基因-表型映射），构建质量度量模型，实现对分子 3D 构象、蛋白质空间结构、单细胞多组学等复杂数据的自动化精炼。

构建核心 AI 药物研发（AIDD）数据战略资产体系。深度参与海量生物/化学数据的解析与挖掘，将公开数据库（如 ChEMBL, PDB, UniProt）与内部私有数据转化为高稀缺性的 AI 数据资产，构筑行业竞争壁垒。

3. AI4S 垂直领域数据与评测策略建设：

设计面向药物发现（如靶点发现、分子生成、蛋白质设计）细分领域的模型性能优化全链路数据体系，涵盖评测集设计、数据合成（如基于物理化学规则的数据增强）与标注策略。

深度理解 AI4S 领域的技术点，实践 “评测驱动”（EDD） 的模型迭代方法，结合湿实验（Wet Lab）反馈，确保生命科学基础模型能力持续处于世界领先水平。

1. 基础条件

计算机、人工智能、生物信息学、计算化学、药学、数学、统计等相关专业本科/硕士/博士在校生。

有顶会论文（如 NeurIPS, ICLR, ISMB, RECOMB）/ 高影响项目 / 知名生物信息学开源社区贡献者 优先。

2. 专业能力

大数据处理技术：深入理解大规模分布式数据处理系统原理；可独立完成面向多模态生物/化学数据的批流一体数据处理开发与优化。

大模型与 AI4S 技术的理解：深入理解大模型核心原理（Transformer, ICL, SFT, RLHF 等）；熟悉大模型在处理生物序列（DNA/RNA/蛋白质）及 3D 分子图结构时的数据需求与优化逻辑。能够基于药物研发场景设计高质量数据处理与合成算法。

AI 编程与工程思维：熟练掌握 Python / C++，具备优秀的 Coding 能力；熟悉或愿意快速学习化学信息学/生物信息学常用工具库（如 RDKit, OpenBabel, Biopython, PyMOL 等）。

跨学科理解与系统素养：具备计算生物学或化学信息学基础，能理解分子/蛋白质领域的先验知识（如物理化学约束、分子动力学原理），并将其融入数据处理与评测集设计中；能根据场景灵活选型并快速上手新工具。

3. 能力特质

好奇心与驱动力：对 AI 赋能生命科学有极大热情，对前沿交叉技术保持敏锐的好奇心。

持续学习：能快速跨越学科壁垒，学习并掌握生物学/药学领域的新知识。

沟通与闭环：能与算法工程师、生物/化学研究员进行良好的跨学科沟通，确保数据交付的完整闭环与高质量。