AI4S数据科学岗

1. 统筹抗体早期研发中的非结构性数据，服务靶点发现和分子设计两个环节，使不同来源的数据能够被比较、被建模，并用于科学判断。

2. 运用人工智能，对整合后的数据开展建模与挖掘，支持靶点发现中的机制判断，以及分子设计中的决策。

3. 在靶点发现方向，整合单细胞组学、多组学和空间组学数据，支持对细胞状态、细胞互作、信号通路、组织微环境和疾病机制的分析，并服务于靶点相关问题。

4. 在分子设计方向，以抗体改造为主要工作，同时涵盖抗体从头设计。把不同阶段、不同平台、不同条件下产生的数据整合后再建模，例如高通量测试、高精度实验，以及抗体改造后的重新检测。

5. 建模时考虑不同数据来源之间的批次差异和物理化学性能差异，使模型服务于改造与设计中的实际取舍。

6. 开展与分子设计相关的人工智能计算工作，包括从头设计、亲和力优化和成药性改造。

7. 对数据整合和模型结果的适用范围负责，并与实验证据相互校正

1. 相关领域博士，对人工智能有明确兴趣，希望把它用于早期研发中的实际科学问题。

2. 具备扎实的生物学训练，能够理解细胞类型与细胞状态、细胞因子、信号通路、组织微环境，或蛋白与抗体相关的基本概念，并用来约束自己的分析。

3. 有围绕真实科学问题处理科研数据的经历。数据可以来自单细胞组学、多组学、空间组学，也可以来自抗体或蛋白相关实验；重要的是，你处理过来源不同、不能直接比较的数据，并能说明它们各自能支持什么结论。

4. 能识别不同数据来源之间的批次差异，以及不同测量在生物学含义或物理化学性能上的差别，并据此决定数据如何整合、结论可以说到哪里。

5. 对机器学习、深度学习或现代大模型的原理与架构有基本理解，知道模型结论依赖于什么样的数据和假设。有实际建模经验更好；生物学背景和算法背景均可。

6. 具备独立完成数据分析、核对和结果复核的编程与定量能力。使用何种语言或框架，由问题决定。

7. 能与实验和算法同事把同一个问题讨论清楚，包括证据、假设和不确定之处。

优先条件

1. 有使用单细胞组学、多组学或空间组学开展机制研究的经历，并对细胞状态、细胞互作、信号通路或疾病机制形成过自己的判断。接受过良好临床训练更佳。

2. 接触过抗体改造或多阶段分子实验数据，考虑过跨阶段数据为何需要重新对齐后再建模。

3. 在蛋白质结构预测、抗体从头设计、稳定性工程、亲和力优化或相关算法上有深入实践。

4. 有生成式模型、图神经网络等建模经验