2026 · AI for Science 求职指南

AI + 生命科学
核心技能与学习路线

两个真实岗位 JD 拆解 → 六大技能赛道 → 精选 YouTube 学习资源
从企业实际需求出发,帮你建立可验证的技术栈

查看岗位需求 ↓ 直达学习资源

两个真实在招岗位

下面是两个 AI+生命科学方向的典型岗位 JD。我们把每条职责拆开,对应到需要学什么。

北京
AI 算法工程师
(化学方向)
  • 主导设计 GNN、Transformer 模型,用于化学反应预测、逆合成分析、反应条件优化及合成可行性评估
  • 构建高质量化学反应数据库,制定数据标准,数据挖掘与清洗
  • 整合量子化学计算(DFT)、分子模拟,生成多维数据与 AI 模型结合
  • 作为 AI 技术核心接口,与化学科研团队紧密合作,将化学问题转化为 AI 项目
  • 负责技术架构决策,确保可扩展性、稳定性和可维护性
  • 跟踪 AI for Chemistry 最新进展,评估引入新技术
📱 微信: 19921973017
上海
抗体工程与药物设计专家
(计算方向)
  • 运用 AlphaFold3、RFdiffusion 等 AI 平台,主导抗体设计、优化与功能预测
  • 分子对接、分子动力学模拟、自由能微扰(FEP)进行蛋白质-配体相互作用分析
  • 协同 ML 团队,将计算生物学洞见转化为模型开发需求
  • 整合多维实验数据(测序、质谱、结构、功能),解决抗体/药物设计关键问题
任职资格
博士学位 + 2-3年相关经验
精通 AlphaFold3 / RFdiffusion / Rosetta
精通 GROMACS / AMBER / NAMD
分子对接、同源建模、结构分析
📱 联系人: Alina 13120540146

六大核心技能赛道

从两份 JD 中提炼出的关键能力要求,按技术方向归类。

🧠
AI / ML 建模
两个岗位共同核心
  • PyTorch / TensorFlow 框架
  • GNN 图神经网络
  • Transformer 架构
  • 强化学习 (RL)
  • 生成式模型 (Diffusion)
  • 模型训练 / 微调 / 评估
⚗️
计算化学
岗位1 重点
  • DFT 密度泛函理论
  • 化学反应预测
  • 逆合成分析 (Retrosynthesis)
  • 反应条件优化
  • SMILES / 分子表征
  • 化学数据库构建
🧬
结构/计算生物
岗位2 重点
  • AlphaFold3 蛋白质预测
  • RFdiffusion 蛋白质设计
  • Rosetta 套件
  • 抗体工程 / Nanobody
  • 蛋白质-配体相互作用
  • 结构生物学理论
🔧
模拟与对接
两个岗位共需
  • 分子动力学 (GROMACS/AMBER/NAMD)
  • 分子对接 (AutoDock/Glide)
  • 自由能微扰 (FEP/FEP+)
  • 同源建模
  • MM-GBSA/MM-PBSA
  • PyMOL / VMD 可视化
💻
工程能力
岗位1 杶构要求
  • Python 工程化
  • 数据管遑 / ETL
  • Docker / Linux 运维
  • GPU 集群管理
  • API 设计与部署
  • Git / CI-CD
📚
领域知识
不可替代的壁垒
  • 有机化学 / 药物化学
  • 蛋白质结构-功能关系
  • ADMET 药代动力学
  • 临床前开发流程
  • 文献追踪与评估
  • 跨团队沟通能力

YouTube 学习资源精选

每个技能方向对应的免费视频教程,从入门到实战。点击直达 YouTube。

AI / MACHINE LEARNING
GNN 图神经网络 · 分子性质预测
用 PyTorch Geometric 从零搭建 GCN,在 QM9 数据集上训练分子属性预测模型。配套代码仓库。
AI / DRUG DISCOVERY
TorchDrug · PyTorch 药物发现平台
涵盖 GNN、生成模型、强化学习(覆盖分子生成、性质预测、逆合成全流程。
COMPUTATIONAL CHEMISTRY
Transformer 逆合成分析
Chemformer 在 1800 万反应数据上训练,荮物發现常见反应类型 top-10 round-trip 准确率 >0.97。
QUANTUM CHEMISTRY
DFT 密度泛函理论入门
从理论基础到上手计算,理解电子密度如何替代泥函数描述多体系统。
MOLECULAR DYNAMICS
GROMACS 分子动力学模拟
从安装到蛋白质在水中的完整 MD 模拟,适合零基础。2025-2026 最新教程。
PROTEIN DESIGN
AlphaFold3 + RFdiffusion 蛋白质设计
RFdiffusion3 在全原子层面生成蛋白质,与配体、DNA 的复杂交互一步到位。50+ 在线课程可选。
MOLECULAR DOCKING
AutoDock Vina 分子对接实操
从软件安装到结果分析的全流程教学,涵盖蛋白准备、配体准备、网格设定、结果可视化。
FREE ENERGY PERTURBATION
FEP 自由能微扰 · 药物设计
预测小分子与靶蛋白的结合亲和力。Schrödinger FEP+ 是业界标准,同时 NAMD 提供免费方案。

学习路线建议

不是"三个月速成"的鸡汤,而是一条务实的、从基础到项目的行进路线。

MONTH 1-3 · 打基础
理论 + 工具上手
化学方向:有机化学核心概念复习 → 学 RDKit 处理 SMILES 分子表征 → PyTorch 基础 → GNN 原理与简单实现
生物方向:结构生物学基础 → AlphaFold3 跑通第一个蛋白预测 → GROMACS 完成第一个 MD 模拟 → AutoDock Vina 入门对接
MONTH 3-6 · 模型实战
从教程到真实数据
化学方向:在公开反应数据集上训练自己的 GNN/Transformer 模型 → 逆合成预测项目 → DFT 入门计算 → 与 ML 结果交叉验证
生物方向:RFdiffusion 蛋白设计 → Rosetta 抗体建模 → FEP 结合自由能计算 → 完整的 docking → MD → FEP 流程
MONTH 6-9 · 端到端项目
构建可展示的成果
选一个真实靶点,做完从分子生成/筛选 → 对接 → MD → 候选化合物推荐的全流程。把代码整理成可复现的 GitHub 仓库。这是面试时最有力的材料。
MONTH 9-12 · 论文 + 求职
建立行业存在感
在项目基础上产出预印本或技术博客 → 参加行业 meetup 和学术会议 → 跟踪目标公司的技术方向 → 针对性准备面试,用项目经验说话而不是堆笀历关键词。

想聊聊?

有兴趣的朋友欢迎加微信交流

微信: 498600859

无论你是在准备转行、正在学习、还是已经在行业釆想切磷,都欢迎来聊。