[Mogam Biotechnology Research Institute] Tuyển dụng Nghiên cứu viên phát triển thuốc mới AI Small Molecule (Tiến sĩ, mới ra trường·có kinh nghiệm)
(재)목암생명과학연구소 · 서울 서초구 강남대로41길 15-19
✨Nội dung công việc - Nhà nghiên cứu phát triển thuốc mới phân tử nhỏ AI - Phát triển và ứng dụng các mô hình AI/ML cho phát triển thuốc mới phân tử nhỏ để xác định các ứng viên hit/lead có thể được xác nhận bằng thí nghiệm - Phát triển phương pháp ở مستوى có thể công bố trên bài báo khoa học - Phát triển mô hình dự đoán hoạt tính, ADMET và độc tính - Phát triển mô hình sinh học/sinh mô và thiết kế phân tử dựa trên cấu trúc, thực hiện tối ưu hóa đa mục tiêu - Thực hiện sàng lọc ảo, active learning, và tuyển chọn dữ liệu huấn luyện - Tái tạo và cải tiến các mô hình mới nhất, đồng thời công bố bài báo trên tạp chí SCI và hội nghị AI - Phân tích kết quả và chia sẻ ứng viên với nhóm nghiên cứu hóa sinh ✅Điều kiện ứng tuyển - Người đã có bằng tiến sĩ hoặc dự kiến sẽ nhận bằng trước khi vào làm - Tiến sĩ các ngành khoa học máy tính·AI, hóa học tính toán, tin sinh hóa học, dược học, hóa học hoặc lĩnh vực liên quan - Có 0~5 năm kinh nghiệm sau khi nhận bằng tiến sĩ (bao gồm kinh nghiệm sau tiến sĩ) - Có kinh nghiệm nghiên cứu ở cấp tiến sĩ trong lĩnh vực phát triển thuốc mới bằng AI - Có ít nhất 1 bài báo tiêu biểu với tư cách tác giả chính thứ nhất trong lĩnh vực liên quan - Có năng lực phát triển mô hình thành thạo bằng Python và PyTorch hoặc JAX - Có năng lực tái tạo và kiểm chứng các bài báo và mô hình mã nguồn mở - Có kiến thức cơ bản về hóa dược (SAR, ADMET) và khả năng sử dụng RDKit - Không có lý do bị hạn chế theo quy định tuyển dụng của viện nghiên cứu - Không có lý do bị hạn chế đối với việc đi công tác và làm việc ở nước ngoài 💖Ưu tiên - Có kinh nghiệm bài báo trên NeurIPS, ICML, ICLR - Có kinh nghiệm với mô hình sinh như Diffusion, GNN tương đương, mô hình co-folding - Có kinh nghiệm active learning, Bayesian optimization, sàng lọc ảo quy mô lớn - Có kinh nghiệm tham gia các đề tài phát triển thuốc thật hoặc đóng góp cho mã nguồn mở/hội nghị - Có kinh nghiệm docking, FEP, MD - Có preprint hoặc mô hình/mã nguồn đã công bố - Có kinh nghiệm đánh giá độ không chắc chắn trong dự đoán (calibration, applicability domain) - Đối tượng được bảo hộ khi tuyển dụng (đối tượng ưu đãi, người khuyết tật, v.v.) 🏠Nơi làm việc - Tầng 3, tòa nhà M11, 15-19, Gangnam-daero 41-gil, Seocho-gu, Seoul - Gần ga Yangjae ⚡️Quy trình tuyển chọn - Hồ sơ → Kiểm tra tính cách (trực tuyến) → Phỏng vấn vòng 1 (phỏng vấn thuyết trình) → Phỏng vấn vòng 2 → Thỏa thuận đãi ngộ - Phỏng vấn vòng 1: thuyết trình khoảng 20 phút về nghiên cứu tiêu biểu, sau đó hỏi đáp và câu hỏi kỹ thuật - Cả mã nguồn công khai đã nộp cũng sẽ được xem xét - Đối với ứng viên có kinh nghiệm, sẽ thỏa thuận đãi ngộ sau khi tham khảo ý kiến đánh giá, và trúng tuyển chính thức sau kiểm tra sức khỏe tuyển dụng - Tất cả kết quả sẽ được thông báo qua E-mail và SMS, bất kể đậu hay trượt 👉Thời gian/phương thức tuyển dụng - Thời gian nhận hồ sơ: kết thúc khi tuyển đủ người - Cách ứng tuyển: nộp qua trang web tuyển dụng 📋Khác - Là nhân viên chính thức, có thời gian thử việc 2 tháng sau khi vào làm - Làm việc tại văn phòng 5 ngày/tuần, chế độ giờ làm linh hoạt dựa trên khung 08:30~17:30 - Không được đồng thời ứng tuyển vào các thông báo tuyển dụng khác của Viện Nghiên cứu Khoa học Sự sống Mokam và các công ty thành viên - Chức vụ và đãi ngộ sẽ được thỏa thuận theo kinh nghiệm và thành tích - Hỗ trợ tài nguyên cloud·GPU - Khuyến khích công bố bài báo·hội nghị - Hồ sơ tuyển dụng có thể yêu cầu hoàn trả và sẽ bị tiêu hủy sau khi hết thời gian lưu trữ
Điều kiện làm việc
- Thời gian làm việc
- Dài hạn
- Giờ làm việc
- 08:30 ~ 17:30
Yêu cầu
- Hạn nộp hồ sơ
- Hết hạn sau khi tuyển
- Hình thức làm việc
- Việc làm chính thức
- Mức lương
- Quyết định sau phỏng vấn
Điều kiện ứng tuyển
- Có kinh nghiệm
- Không yêu cầu kinh nghiệm
- Học vấn
- Thạc sĩ trở lên
- Điều kiện ưu tiên
- Kinh nghiệm với bài báo tại NeurIPS, ICML, ICLR Kinh nghiệm với mô hình sinh như Diffusion, GNN bất biến theo phép đối xứng, mô hình co-folding Kinh nghiệm với học chủ động, tối ưu hóa Bayes, sàng lọc ảo quy mô lớn Kinh nghiệm tham gia các nhiệm vụ phát triển thuốc thực tế hoặc đóng góp cho mã nguồn mở/hội nghị học thuật Kinh nghiệm với Docking, FEP, MD Có preprint hoặc mô hình/mã nguồn đã công bố Kinh nghiệm đánh giá độ bất định trong dự đoán (calibration, miền áp dụng) Đối tượng được ưu tiên bảo hộ việc làm (đối tượng được ưu tiên theo chế độ người có công, người khuyết tật, v.v.)
- Phúc lợi & Chế độ
- Hỗ trợ nguồn lực đám mây·GPU Khuyến khích công bố bài báo·thuyết trình tại hội nghị