[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