[Mogam Biotechnology Research Institute] Small Molecule AI নতুন ওষুধ উন্নয়ন গবেষক (পিএইচডি, নবীন·অভিজ্ঞ) নিয়োগ
(재)목암생명과학연구소 · 서울 서초구 강남대로41길 15-19
✨কাজের বিবরণ - Small Molecule AI নতুন ওষুধ উন্নয়ন গবেষক - ছোট অণুর ওষুধ উন্নয়নে AI/ML মডেল উন্নয়ন ও প্রয়োগ করে পরীক্ষার মাধ্যমে যাচাইযোগ্য hit/lead প্রার্থী নির্ধারণ - গবেষণাপত্র হিসেবে প্রকাশযোগ্য স্তরের পদ্ধতি উন্নয়ন - কার্যকারিতা, ADMET, এবং বিষাক্ততা পূর্বাভাস মডেল উন্নয়ন - জেনারেটিভ মডেল এবং কাঠামো-ভিত্তিক অণু নকশা, পাশাপাশি বহু-উদ্দেশ্য অপ্টিমাইজেশন সম্পাদন - ভার্চুয়াল স্ক্রিনিং, active learning, এবং প্রশিক্ষণ ডেটা কিউরেশন সম্পাদন - সর্বশেষ মডেল পুনরুত্পাদন ও উন্নতি করা, এবং SCI জার্নাল ও AI সম্মেলনে গবেষণাপত্র উপস্থাপন - ফলাফল ব্যাখ্যা করে প্রার্থীসমূহ রাসায়নিক-জৈবিক গবেষণা দলের সঙ্গে ভাগ করে নেওয়া ✅আবেদনকারীর যোগ্যতা - পিএইচডি ডিগ্রিধারী অথবা যোগদানের আগে ডিগ্রি অর্জন করার প্রত্যাশিত ব্যক্তি - কম্পিউটার বিজ্ঞান·AI, গণনামূলক রসায়ন, কেমইনফরমেটিক্স, ফার্মেসি, রসায়ন অথবা সংশ্লিষ্ট বিষয়ে পিএইচডি - পিএইচডি অর্জনের পর 0~5 বছরের অভিজ্ঞতা (পোস্টডক্টরাল অভিজ্ঞতা অন্তর্ভুক্ত) - AI ওষুধ উন্নয়ন ক্ষেত্রে পিএইচডি-স্তরের গবেষণার অভিজ্ঞতা - সংশ্লিষ্ট ক্ষেত্রে কমপক্ষে 1টি প্রথম-লেখক প্রধান প্রবন্ধ - Python এবং PyTorch অথবা JAX দিয়ে দক্ষতার সঙ্গে মডেল উন্নয়নের সক্ষমতা - গবেষণাপত্র ও ওপেন-সোর্স মডেল পুনরুত্পাদন ও যাচাই করার সক্ষমতা - ঔষধ রসায়নের মৌলিক জ্ঞান (SAR, ADMET) এবং RDKit ব্যবহারের সক্ষমতা - গবেষণা প্রতিষ্ঠানের চাকরির নিয়ম অনুযায়ী অযোগ্যতার কারণ নেই এমন ব্যক্তি - বিদেশ ভ্রমণ ও কর্মসংস্থানের ক্ষেত্রে অযোগ্যতার কারণ নেই এমন ব্যক্তি 💖অগ্রাধিকার - NeurIPS, ICML, ICLR প্রবন্ধের অভিজ্ঞতা - Diffusion-এর মতো জেনারেটিভ মডেল, equivariant GNN, co-folding মডেলের অভিজ্ঞতা - Active learning, Bayesian optimization, বৃহৎ পরিসরের virtual screening-এর অভিজ্ঞতা - বাস্তব ওষুধ উন্নয়ন প্রকল্পে অংশগ্রহণের অভিজ্ঞতা বা ওপেন-সোর্স·সম্মেলনে অবদান - Docking, FEP, MD-এর অভিজ্ঞতা - প্রিপ্রিন্ট বা প্রকাশিত মডেল·কোডের মালিকানা - পূর্বাভাসের অনিশ্চয়তা মূল্যায়নের অভিজ্ঞতা (calibration, applicability domain) - কর্মসংস্থান সুরক্ষার আওতাভুক্ত ব্যক্তি (veterans, disabled persons, ইত্যাদি) 🏠কর্মস্থল - 3য় তলা, M11 বিল্ডিং, 15-19 Gangnam-daero 41-gil, Seocho-gu, Seoul - Yangjae স্টেশনের কাছে ⚡️নিয়োগ প্রক্রিয়া - আবেদনপত্র → ব্যক্তিত্ব পরীক্ষা (অনলাইন) → 1ম সাক্ষাৎকার (প্রেজেন্টেশন সাক্ষাৎকার) → 2য় সাক্ষাৎকার → পারিশ্রমিক আলোচনা - 1ম সাক্ষাৎকারে প্রধান গবেষণা সম্পর্কে প্রায় 20 মিনিট উপস্থাপনার পর প্রশ্নোত্তর ও প্রযুক্তিগত প্রশ্ন করা হবে - জমা দেওয়া পাবলিক কোডও পর্যালোচনা করা হবে - অভিজ্ঞতার ভিত্তিতে রেফারেন্স যাচাইয়ের পর পারিশ্রমিক আলোচনা, এবং স্বাস্থ্য পরীক্ষা শেষে চূড়ান্ত নিয়োগ - সব ফলাফল, উত্তীর্ণ বা অনুত্তীর্ণ, E-mail ও SMS-এর মাধ্যমে জানানো হবে 👉আবেদনের সময়/পদ্ধতি - আবেদনকাল: নিয়োগ সম্পন্ন হওয়া পর্যন্ত - আবেদন পদ্ধতি: নিয়োগ ওয়েবসাইটের মাধ্যমে আবেদন 📋অন্যান্য - এটি একটি স্থায়ী পদ, এবং যোগদানের পর 2 মাসের পরীক্ষাকাল থাকবে - সপ্তাহে 5 দিন অফিসে কাজ, 08:30~17:30 ভিত্তিক নমনীয় কর্মঘণ্টা - Mokam Life Science Research Institute এবং সহযোগী প্রতিষ্ঠানের অন্য নিয়োগ বিজ্ঞপ্তির সঙ্গে একই সঙ্গে আবেদন করা যাবে না - পদমর্যাদা ও পারিশ্রমিক অভিজ্ঞতা ও সাফল্য অনুযায়ী আলোচনা সাপেক্ষ - ক্লাউড ও GPU সম্পদ সহায়তা - গবেষণাপত্র ও সম্মেলন উপস্থাপনা উৎসাহিত করা হয় - নিয়োগ নথি ফেরতের আবেদন করা যেতে পারে, এবং সংরক্ষণকাল শেষ হলে তা ধ্বংস করা হবে
কর্ম শর্ত
- কর্মকাল
- দীর্ঘমেয়াদি
- কর্মসময়
- 08:30 ~ 17:30
নিয়োগ শর্ত
- আবেদনের শেষ তারিখ
- নিয়োগ সম্পন্ন হলে বন্ধ
- কাজের ধরন
- ফুল-টাইম
- বেতন
- সাক্ষাৎকারের পর নির্ধারিত
আবেদনের যোগ্যতা
- অভিজ্ঞ
- অভিজ্ঞতা প্রয়োজন নেই
- শিক্ষাগত যোগ্যতা
- স্নাতকোত্তর বা তার বেশি
- অগ্রাধিকার শর্ত
- NeurIPS, ICML, ICLR পেপারের অভিজ্ঞতা Diffusion-এর মতো জেনারেটিভ মডেল, equivariant GNN, co-folding মডেলের অভিজ্ঞতা Active learning, Bayesian optimization, বৃহৎ পরিসরের virtual screening-এর অভিজ্ঞতা বাস্তব ড্রাগ ডেভেলপমেন্ট প্রকল্পে অংশগ্রহণের অভিজ্ঞতা অথবা open source / সম্মেলনে অবদান Docking, FEP, MD-এর অভিজ্ঞতা preprint বা প্রকাশিত model/code থাকা predictive uncertainty মূল্যায়নের অভিজ্ঞতা (calibration, applicability domain) কর্মসংস্থান সুরক্ষিত শ্রেণি (ভেটেরান, প্রতিবন্ধী ব্যক্তি ইত্যাদি)
- সুবিধা ও কল্যাণ
- ক্লাউড·GPU সম্পদ সহায়তা গবেষণাপত্র·সম্মেলনে উপস্থাপনাকে উৎসাহিত করা