한국에서 꿈을 이루세요.

지금 바로 비잡과 함께 시작하세요.

[Mogam Biotechnology Research Institute] Small Molecule AI ဆေးအသစ်ဖွံ့ဖြိုးရေး သုတေသီ (PhD, လုပ်ငန်းစတင်သူ·အတွေ့အကြုံရှိ) ခန့်အပ်ခြင်း

(재)목암생명과학연구소 · 서울 서초구 강남대로41길 15-19

✨အလုပ်တာဝန်များ - Small Molecule AI ဆေးအသစ်ဖန်တီးရေး သုတေသီ - သေးငယ်မော်လီကျူး ဆေးအသစ်ဖန်တီးရေးတွင် AI/ML မော်ဒယ်များကို ဖန်တီး·အသုံးချ၍ စမ်းသပ်အတည်ပြုနိုင်သော hit/lead ကိုယ်စားလှယ်များကို ရှာဖွေရန် - စာတမ်းအဖြစ် ထုတ်ဝေနိုင်သောအဆင့်ရှိ နည်းလမ်းများ ဖန်တီးခြင်း - activity · ADMET · toxicity ခန့်မှန်းမော်ဒယ်များ ဖန်တီးခြင်း - generative model နှင့် structure-based molecular design, multi-objective optimization လုပ်ဆောင်ခြင်း - virtual screening, active learning, training data curation လုပ်ဆောင်ခြင်း - နောက်ဆုံးပေါ် model များကို ပြန်လည်တည်ဆောက်·တိုးတက်စေခြင်းနှင့် SCI journal · AI conference စာတမ်းများ ထုတ်ဝေခြင်း - ရလဒ်များကို အနက်ဖွင့်ရှင်းလင်းပြီး ကိုယ်စားလှယ်များကို chemical biology သုတေသနအဖွဲ့နှင့် မျှဝေခြင်း ✅လျှောက်ထားရန်လိုအပ်ချက် - PhD ဘွဲ့ရရှိပြီးသူ သို့မဟုတ် ဝင်ရောက်မီ ရရှိမည့်သူ - ကွန်ပျူတာသိပ္ပံ·AI, computational chemistry, chemoinformatics, pharmacy, chemistry သို့မဟုတ် ဆက်စပ်နယ်ပယ် PhD - PhD ရရှိပြီးနောက် 0~5 နှစ် အတွေ့အကြုံ (postdoctoral research အတွေ့အကြုံပါဝင်) - AI drug discovery နယ်ပယ်တွင် PhD အဆင့် သုတေသန အတွေ့အကြုံ - ဆက်စပ်နယ်ပယ်တွင် ပထမစာရေးသူ အဓိကစာတမ်း 1 ပုဒ်အနည်းဆုံး - Python နှင့် PyTorch သို့မဟုတ် JAX ဖြင့် model များကို ကျွမ်းကျင်စွာ ဖန်တီးနိုင်မှု - စာတမ်း·open source model များကို ပြန်လည်တည်ဆောက်ပြီး စိစစ်အတည်ပြုနိုင်မှု - medicinal chemistry အခြေခံဗဟုသုတ (SAR, ADMET) နှင့် RDKit အသုံးပြုနိုင်မှု - သုတေသနဌာန အလုပ်ခန့်အပ်စည်းမျဉ်းအရ တားမြစ်ချက်မရှိသူ - နိုင်ငံခြားခရီးသွားခြင်းနှင့် အလုပ်လုပ်ခြင်းအတွက် တားမြစ်ချက်မရှိသူ 💖ဦးစားပေးအချက်များ - NeurIPS, ICML, ICLR စာတမ်းအတွေ့အကြုံ - Diffusion ကဲ့သို့ generative model များ, equivariant GNN, co-folding model အတွေ့အကြုံ - Active learning, Bayesian optimization, ကြီးမားသည့် virtual screening အတွေ့အကြုံ - အမှန်တကယ် drug discovery project တွင် ပါဝင်ခဲ့သည့် အတွေ့အကြုံ သို့မဟုတ် open-source·conference contribution - Docking, FEP, MD အတွေ့အကြုံ - preprint သို့မဟုတ် ထုတ်ပြန်ထားသော model·code ရှိမှု - ခန့်မှန်းမရေရာမှု အကဲဖြတ်အတွေ့အကြုံ (calibration, applicability domain) - အလုပ်အကိုင်ကာကွယ်ရေးသတ်မှတ်ခံရသူများ (ဘီယာသူရဲကောင်းခံစားခွင့်ရသူ, မသန်စွမ်းသူ စသည်) 🏠အလုပ်နေရာ - ဆိုးလ်၊ ဆောချို-gu၊ Gangnam-daero 41-gil 15-19၊ M11 Building 3rd floor - Yangjae Station အနီး ⚡️ရွေးချယ်ရေးလုပ်ငန်းစဉ် - စာရွက်စာတမ်း → ကိုယ်ရည်ကိုယ်သွေးစစ်ဆေးမှု(အွန်လိုင်း) → ပထမအကြိမ် အင်တာဗျူး(တင်ပြအင်တာဗျူး) → ဒုတိယအကြိမ် အင်တာဗျူး → လစာနှင့်အခြေအနေ ညှိနှိုင်းခြင်း - ပထမအကြိမ် အင်တာဗျူးတွင် အဓိကသုတေသနကို ခန့်မှန်းခြေ 20 မိနစ် တင်ပြပြီးနောက် မေးခွန်းဖြေကြားမှုနှင့် နည်းပညာဆိုင်ရာ မေးခွန်းများ ဆက်လက်ပြုလုပ် - တင်သွင်းထားသော 공개ကုဒ်များကိုလည်း တစ်ပါတည်း စစ်ဆေးမည် - အတွေ့အကြုံရှိသူများအတွက် ရာထူးအမှန်တော်အတည်ပြုပြီးနောက် လစာနှင့်အခြေအနေ ညှိနှိုင်းမည်၊ အလုပ်ခန့်အပ်ဆေးစစ်ပြီးနောက် နောက်ဆုံးအတည်ပြု - ရလဒ်အားလုံးကို အောင်/မအောင် မခွဲဘဲ E-mail နှင့် SMS ဖြင့် အသိပေးမည် 👉လျှောက်လွှာကာလ/နည်းလမ်း - လက်ခံကာလ: ခန့်အပ်ချိန်အထိ ပိတ်မည် - လျှောက်ထားနည်း: အလုပ်ခန့်အပ်ရေး ဝက်ဘ်ဆိုက်မှတစ်ဆင့် လျှောက်ထားရန် 📋အခြား - အမြဲတမ်းဝန်ထမ်းဖြစ်ပြီး ဝင်ရောက်ပြီးနောက် 2 လ စမ်းသပ်ကာလ ရှိသည် - တစ်ပတ် 5 ရက် ရုံးလုပ်ငန်း၊ 08:30~17:30 အခြေခံ flexible working system - Mokam Life Science Institute နှင့် ဆက်စပ်ကုမ္ပဏီများ၏ အခြားခေါ်ယူကြေညာချက်များနှင့် တစ်ပြိုင်နက် လျှောက်ထား၍ မရ - ရာထူးအဆင့်·လစာနှင့် အခြေအနေကို အတွေ့အကြုံနှင့် ရလဒ်ပေါ်မူတည်၍ ညှိနှိုင်းမည် - cloud·GPU အရင်းအမြစ်များ ထောက်ပံ့မည် - စာတမ်း·conference တင်ပြမှုကို အားပေးမည် - အလုပ်ခန့်အပ်စာရွက်စာတမ်းများကို ပြန်လည်တောင်းယူနိုင်ပြီး သိမ်းဆည်းကာလ ကျော်လွန်ပါက ဖျက်သိမ်းမည်

အလုပ်အခြေအနေများ

အလုပ်ကာလ
ရှည်လျား
အလုပ်ချိန်
08:30 ~ 17:30

အလုပ်အကိုင် အခြေအနေများ

လျှောက်ထားရန် အဆုံးသတ်နေ့
ခေါ်ယူပြီးမှ ပိတ်ထားသည်
အလုပ်လုပ်မှုပုံစံ
အမြဲတမ်းအလုပ်
လစာ
မေးမြန်းပြီးဆုံးဖြတ်ပါ

လျှောက်ထားရန် အရည်အချင်း

အတွေ့အကြုံရှိ
အတွေ့အကြုံ မလိုအပ်
ပညာအဆင့်
မാസ്റ്റာနှင့်အထက်
ဦးစားပေး အချက်များ
NeurIPS, ICML, ICLR စာတမ်းအတွေ့အကြုံ Diffusion ကဲ့သို့သော generative model များ၊ equivariant GNN၊ co-folding model များအတွေ့အကြုံ Active learning၊ Bayesian optimization၊ ကြီးမားသော virtual screening အတွေ့အကြုံ လက်တွေ့ ဆေးဝါးတီထွင်ရေးလုပ်ငန်းများတွင် ပါဝင်ခဲ့သည့်အတွေ့အကြုံ သို့မဟုတ် open source / ပညာရေးဆိုင်ရာ conference contribution အတွေ့အကြုံ Docking၊ FEP၊ MD အတွေ့အကြုံ Preprint သို့မဟုတ် အများပြည်သူသုံးအဖြစ် ထုတ်ပြန်ထားသော model/code ရှိခြင်း ခန့်မှန်းမှု မသေချာမှု အကဲဖြတ်ခြင်းအတွေ့အကြုံ (calibration, applicability domain) အလုပ်အကိုင်ကာကွယ်ရေးအဖွဲ့ဝင် (စစ်မှုထမ်းဂုဏ်ပြုခံရသူများ၊ မသန်စွမ်းသူများ စသည်)
အကျိုးခံစားခွင့်နှင့်福利
Cloud·GPU အရင်းအမြစ် ပံ့ပိုးမှု စာတမ်း·သင်တန်း/ညီလာခံတင်ပြမှုများကို အားပေးခြင်း