AI生物信息工程师

该职位来源于猎聘 关于这个岗位 AI4S是恩和技术先进性的重要战略方向。 AI4S 技术团队需要探索AI4S 前沿技术。是探索面向生物制造的 AI4S 前沿方向——包括虚拟细胞/条件化细胞状态建模、蛋白与酶的生成式设计等，判断哪些方法真正具备落地价值，并为其设计可验证的实验路径；第二是推进 AI 驱动的合成生物学项目，用模型指导菌株、酶与代谢途径的设计，并在实验端完成验证与迭代。第三是建设 WetBench 实验评测平台，把研发中的关键问题转化为定义清晰、可重复执行、结果可量化评价的实验任务，建立 AI for Biomanufacturing 的主流任务与评测体系； 作为团队的生物科学家 Lead，你将是公司 AI4S 技术路线中生物学的主要定义者：主导重点探索任务方向与项目课题，把前沿方法转化为公司可持续投入的技术资产。 你将负责 1. 主导 AI4S 前沿技术方向的科学定义与验证路径 - 虚拟细胞方向：围绕条件化细胞状态建模，定义哪些生物学量需要被测量、在什么条件梯度下测量、以何种结构记录，才足以支撑"给定遗传背景与培养条件、预测细胞状态与表型"的建模目标；设计基因扰动—表型、培养条件—生理响应、多组学—生产性能的配套实验体系。 - 蛋白与酶设计方向：围绕序列—结构—功能关系，建立生成式设计、定向进化与机器学习辅助设计的实验验证闭环；定义能真实区分设计方法优劣的表征指标（活性、底物特异性、稳定性、表达量等）与参照体系。 - 技术判断：持续跟踪领域前沿生物学与人工智能模型建立的方法，评估其在生物制造场景下的适用边界与落地可能性，进行有效的判断，构建可验证的生物学验证，可信，可评测机制数据集与机制。 2. 主导代表性任务集合的设计与推进 围绕大肠杆菌、解脂酵母、毕赤酵母等底盘，按科学价值、测量可靠性与资源可行性分阶段建设，独立负责其中一到多个方向： - 基因扰动与表型预测：利用敲除库等资源，系统测量生长、胁迫耐受、细胞形态及生产相关表型。 - 代谢途径设计：选择代表性短途径与长途径产物，验证途径构建、整合与逐轮优化方案。 - 途径组合优化：构建调控元件与基因表达组合文库，评估有限实验预算下的优化效率。 - 底盘性能改造：围绕副产物降低、耐受性提升、复杂酶表达等需求建立遗传干预任务。 - 发酵过程优化：研究培养条件、底盘改造及细胞群体响应对高密度生长与生产表现的影响。 3. 推动 AI 驱动的合成生物学项目落地 - 在模型辅助的设计—构建—测试—学习（DBTL）流程中承担科学主导与实验落地： - 将模型输出的序列、元件组合、途径方案或突变体设计转化为可执行的构建与检测方案，完成菌株/酶/途径的构建、表达与性能测量。 - 设计能够真正区分候选优劣的验证实验，包括对照设置、阴阳性参考、梯度条件与必要的重复安排。 - 反馈结构化实验结果用于模型迭代，包括失败案例与异常现象；对模型预测与实验结果的偏差给出基于实验证据的科学判断，而非简单接受或否定预测。 - 主导主动学习/贝叶斯优化等迭代筛选轮次的实验规划，在有限预算下推进逐轮优化。 4. 建立稳定、高通量的实验与质量体系 开发并维护实验 SOP、对照体系、参考菌株与检测方法，组织独立重复与跨批次验证；识别并控制板位效应、批次差异、测量误差及规模转换带来的偏差；结合自动化与高通量技术提升实验效率与数据一致性。 5. 建设完整、可追溯的实验数据资产 与数据及算法团队共同制定数据规范，完整记录亲本菌株、遗传改造、培养基、温度、pH、溶氧、诱导策略、发酵时间与采样时间点，并按任务收集关联组学数据；建立从设计、样本、实验批次到原始测量及分析结果的追溯链路，为条件化细胞状态建模提供可靠数据。 6. 共同建立可信的 AI 评测机制 将实验任务组织为适用于 zero-shot、few-shot 与迭代优化的评测场景，明确模型可获得的信息及实验反馈预算；早期结合内部模型能力选择可落地任务，并在正式评测前固定任务、指标与测试集；控制数据泄漏，设计跨遗传背景、跨条件及跨产物的泛化评测。 7. 实验计划与成果交付 制定所负责方向的实验路线图、通量与物料计划及里程碑，与内部实验团队和自动化平台协同；以小规模试点验证任务可行性，再推进规模化采集；沉淀可发布的任务说明、数据集、评测报告和方法文档，支持学术发表及产业合作。 我们希望你具备 - 合成生物学、代谢工程、微生物学、生物化工、生物工程或相关专业背景；博士，或硕士并具备扎实的相关研发经验。 - 在至少一种主流微生物底盘上具有系统研发经验，能够独立推进菌株构建、表型测量及生产性能验证。 - 在高通量筛选、遗传扰动文库、代谢途径优化、发酵工程中至少一个方向有深入实践，并能与其他方向协作。 - 扎实的实验设计与数据分析能力，理解生物学重复、技术重复、随机化、批次效应及测量不确定性，能够判断实验数据是否足以支撑结论。 - 对实验标准化、数据质量和可复现性有明确追求，能够将探索性实验转化为稳定执行的流程。 - 能够与算法及数据工程团队沟通，将生物学问题转化为可计算、可测量、可验证的任务；对 AI 辅助设计持开放但有判断力的态度。 - 良好的项目推进能力，能够管理长周期实验中的依赖关系、交付风险和优先级。 加分项 - 参与过机器学习辅助菌株/酶设计、主动学习、贝叶斯优化或 DBTL 闭环研发，有把模型设计推进到实验验证的完整经历。 - 建设或运行过自动化实验平台、高通量筛选平台、LIMS 或实验数据管理体系。 - 具有微孔板、摇瓶与生物反应器之间的验证和放大经验。 - 使用过 Python、R 或其他工具进行实验数据处理与统计分析。 - 交付过高质量公共数据集、实验方法标准或基准评测，并具备跨团队复现经验。