人工智能辅助基于结构虚拟筛选博士研究生项目

【项目介绍】 利用人工智能（AI）方法构建的预测模型是发现具有治疗特定疾病潜力的药物分子的有力工具。这些模型可以利用训练数据集，通过对海量分子库进行计算（虚拟）筛选来识别潜在的药物先导化合物。

具体而言，AI模型可以在大分子靶点的原子分辨率结构及其相关分子活性的基础上进行训练，从而预测其他分子在不同靶点上的活性。

尽管取得了重要进展，但仍存在一些重大挑战限制了此类AI模型的潜力。其中一些挑战是该问题特有的（例如，如何以提升模型性能的方式扩充训练数据集）。其他挑战也存在于其他监督学习问题中（例如，如何预测模型在其适用域之外的表现）。

本博士项目旨在利用合成数据集和真实数据集，在克服这些挑战方面取得进展。成功申请者将加入伦敦帝国理工学院Pedro Ballester教授的研究团队，并在其直接指导下开展博士研究。

课题组相关论文： https://www.nature.com/articles/s41596-023-00885-w https://www.nature.com/articles/d41586-023-03948-w https://www.sciencedirect.com/science/article/pii/S2090123224000377 https://link.springer.com/article/10.1186/s13321-024-00832-1 https://onlinelibrary.wiley.com/doi/abs/10.1002/wcms.1478 https://onlinelibrary.wiley.com/doi/10.1002/wcms.1465 https://wires.onlinelibrary.wiley.com/doi/10.1002/wcms.1225 https://doi.org/10.1016/j.ddtec.2020.09.001 http://dx.doi.org/10.1093/bioinformatics/btz183

【申请要求】 必备条件： · 拥有与项目直接相关领域的大学学位 · 修读过机器学习算法在科学问题中的应用相关课程 · 本科和/或硕士学位成绩优异，特别是在侧重计算数据分析的研究项目中表现突出 · 熟练掌握Python或R语言进行科学数据分析 · 英语语言能力达到要求（详见：https://www.imperial.ac.uk/study/pg/apply/requirements/english/）

优先条件： · 有将监督学习应用于解决现实生物医学问题（尤其是虚拟筛选）的研究项目经验 · 具有开源化学信息学工具包（如RDKit、OpenBabel）使用经验 · 具有机器学习平台（如DeepChem、TorchDrug、Scikit-Learn、Caret）使用经验 · 接触过结构生物学数据库（如PDBe、AlphaFold、PDBbind） · 具有药物化学数据库（如ChEMBL、SureChEMBL、PubChem、ZINC）使用经验 · 接触过应用于药物设计的机器学习方法（如QSAR） · 具有计算化学软件（如Vina、DOCK）使用经验

【资助信息】 该研究生项目提供以下资助： · 生活津贴：每年23,805英镑（免税，享受增强型资助标准） · 博士学费：每年31,100英镑 资助期限为三年，有可能延长至第四年。

这是一个令人兴奋的机会，适合一位聪明且积极进取的科学家，从事具有重大治疗意义的及时且重要的数据科学问题研究。学生将加入伦敦帝国理工学院生物工程系的Ballester研究组（https://ballestergroup.github.io/），该研究组提供国际化且富有激励性的研究环境。就学生体验而言，伦敦被评为全球最适合大学生的城市（https://www.topuniversities.com/city-rankings/2026）。

【申请方式】 申请者须发送电子邮件，包含以下材料： · 个人简历（CV） · 已完成大学学位的所有课程成绩单 · 求职信（不超过两页）

请将申请材料发送至：p.ballester@imperial.ac.uk 邮件主题：“PhD in AI for SBVS”

求职信必须说明： · 您如何满足必备选拔标准 · 您还满足哪些优先条件 · 该职位如何契合您的未来职业规划

邮件还须包括： · 两位学术推荐人的姓名和电子邮箱地址，他们可以对您的学术表现进行评价 · 请注明您是在何处看到该职位招聘信息的