工作職責(zé)及核心工作內(nèi)容（特別優(yōu)秀人員待遇可協(xié)商）
（一）核心算法研發(fā)與落地
1. 1、 純化工藝智能優(yōu)化算法開發(fā)
o 基于蛋白純化系統(tǒng)經(jīng)典的層析純化流程（如親和層析、離子交換層析、凝膠過濾），構(gòu)建 AI 算法模型（如強(qiáng)化學(xué)習(xí)、貝葉斯優(yōu)化、梯度提升樹），實(shí)現(xiàn)純化參數(shù)（流速、pH 值、洗脫液濃度、溫度、柱壓）的智能推薦與自動調(diào)優(yōu)，替代人工試錯式參數(shù)摸索。
結(jié)合不同蛋白（重組蛋白、抗體、酶類等）的特性數(shù)據(jù)，訓(xùn)練算法模型，實(shí)現(xiàn) “輸入目標(biāo)蛋白類型 + 純化目標(biāo)（純度 / 收率）→ 算法輸出最優(yōu)純化工藝參數(shù)組合”。
2. 2、純化過程實(shí)時(shí)智能監(jiān)控與異常預(yù)警
針對蛋白純化系統(tǒng)的實(shí)時(shí)監(jiān)測指標(biāo)（UV 吸收峰、電導(dǎo)、壓力、pH 值、流速曲線），開發(fā)時(shí)序數(shù)據(jù)異常檢測算法（如 LSTM-AE、Isolation Forest），實(shí)時(shí)識別純化過程中的異常（如柱床塌陷、氣泡干擾、流速波動、樣品污染），并觸發(fā)智能預(yù)警與自動糾偏策略（如自動調(diào)整流速、暫停洗脫）。
構(gòu)建純化過程狀態(tài)分類模型，實(shí)現(xiàn) “正常 / 異常 / 臨界” 狀態(tài)的實(shí)時(shí)判定，降低人工值守成本。
3. 3、純化結(jié)果智能分析與預(yù)測o
開發(fā)基于計(jì)算機(jī)視覺 + 機(jī)器學(xué)習(xí)的純化圖譜（洗脫峰）分析算法，自動識別峰形、計(jì)算峰面積 / 純度 / 收率，替代人工手動解析；同時(shí)構(gòu)建預(yù)測模型，基于實(shí)時(shí)過程數(shù)據(jù)提前預(yù)測最終純化結(jié)果（純度、收率），實(shí)現(xiàn) “過程中預(yù)判結(jié)果，及時(shí)調(diào)整策略”。
4. 4、儀器智能決策與自學(xué)習(xí)能力構(gòu)建o
設(shè)計(jì)多模態(tài)融合算法，整合儀器運(yùn)行數(shù)據(jù)、工藝參數(shù)、蛋白特性數(shù)據(jù)庫、歷史純化案例，構(gòu)建智能決策引擎，實(shí)現(xiàn)儀器的 “自學(xué)習(xí)”：基于歷史成功案例持續(xù)優(yōu)化參數(shù)推薦模型，適配不同用戶的個性化純化需求（如不同實(shí)驗(yàn)室的設(shè)備差異、樣品批次差異）。o
對接儀器嵌入式系統(tǒng)，完成 AI 算法的工程化部署（如模型輕量化、邊緣計(jì)算適配），確保算法在全自動儀器端高效、穩(wěn)定運(yùn)行。
（二）數(shù)據(jù)與模型管理
1. 負(fù)責(zé)整理蛋白純化系統(tǒng)的歷史純化數(shù)據(jù)（工藝參數(shù)、過程曲線、結(jié)果數(shù)據(jù)），構(gòu)建標(biāo)準(zhǔn)化的蛋白純化 AI 訓(xùn)練數(shù)據(jù)集，制定數(shù)據(jù)清洗、標(biāo)注、質(zhì)控規(guī)則。
2. 跟蹤 AI 模型在儀器端的運(yùn)行效果，通過用戶反饋、數(shù)據(jù)復(fù)盤持續(xù)迭代模型（如調(diào)參、特征工程優(yōu)化、模型重構(gòu)），提升算法的準(zhǔn)確率與魯棒性。
3. 與硬件、軟件、生物研發(fā)團(tuán)隊(duì)協(xié)作，明確 AI 算法的硬件適配要求、軟件集成接口，確保算法落地與儀器整體功能兼容。