포지션 상세
회사 소개
AinB(Artificial Intelligence in Bioscience)는 인공지능(AI) 기술과 바이오사이언스를 융합하여 차세대 항체 치료제를 개발하는 바이오테크 기업입니다.
AI 기반 항체 설계 기술을 통해 환자에게 필요한 치료제를 보다 신속하게 제공하는 Just-In-Time 신약개발을 목표로 하고 있습니다. 이를 위해 AI 모델 개발팀과 실험팀이 긴밀하게 협력하며, 항체 발굴(Discovery)의 전 과정을 혁신하고 있습니다.
포지션 소개 – AI Engineer
AinB의 AI 엔지니어는 치료용 항체 후보의 서열(Sequence) 및 구조(Structure) 정보를 기반으로 항체의 다양한 물성을 예측하는 머신러닝(ML) 모델을 개발하고, 이를 사내 항체 설계 및 생성 파이프라인에 통합하는 역할을 담당합니다.
이 포지션의 핵심 목표는 단순히 높은 모델 성능이나 벤치마크 점수를 달성하는 것이 아니라, AI 모델이 실제 항체 후보 발굴에 얼마나 기여하고, 모델이 선정한 후보가 실험에서 얼마나 우수한 결과를 만들어 내는지를 입증하는 것입니다.
이를 위해 실험팀과 긴밀하게 협업하며 Design-Build-Test-Learn(DBTL) 사이클을 반복적으로 수행합니다. 모델 개발부터 후보 물질 예측, 실험적 검증, 결과 분석 및 모델 재학습에 이르기까지 전 과정에 직접 참여하며, AI 기술이 실제 신약개발 성과로 이어지는 과정을 함께 만들어 갑니다.
• 데이터 누수를 막는 평가 체계 구축 (sequence identity·cluster 기반 split, cross-validation 전략 수립)
• 예측 불확실성 정량화 및 후보 우선순위화 로직 설계
• 실험팀·항체 설계팀과 협업하여 예측을 실험으로 검증하고, 결과를 모델과 파이프라인에 반영
• 사내 실험 데이터 및 공개 데이터(OAS, SAbDab, Thera-SAbDab 등) 큐레이션·정제, 학습·추론 인프라 구축 및 재현 가능한 실험 관리
• PyTorch 또는 JAX로 모델을 직접 설계·학습·디버깅한 실무 경험
• 생물학적·분자 데이터 또는 시퀀스 데이터를 딥러닝으로 모델링한 경험 (단백질이 아니어도 무방)
• 적은 데이터, 노이즈, 유사 샘플 중복 환경에서 data leakage를 통제하며 모델 성능을 비판적으로 검증한 경험
AinB(Artificial Intelligence in Bioscience)는 인공지능(AI) 기술과 바이오사이언스를 융합하여 차세대 항체 치료제를 개발하는 바이오테크 기업입니다.
AI 기반 항체 설계 기술을 통해 환자에게 필요한 치료제를 보다 신속하게 제공하는 Just-In-Time 신약개발을 목표로 하고 있습니다. 이를 위해 AI 모델 개발팀과 실험팀이 긴밀하게 협력하며, 항체 발굴(Discovery)의 전 과정을 혁신하고 있습니다.
포지션 소개 – AI Engineer
AinB의 AI 엔지니어는 치료용 항체 후보의 서열(Sequence) 및 구조(Structure) 정보를 기반으로 항체의 다양한 물성을 예측하는 머신러닝(ML) 모델을 개발하고, 이를 사내 항체 설계 및 생성 파이프라인에 통합하는 역할을 담당합니다.
이 포지션의 핵심 목표는 단순히 높은 모델 성능이나 벤치마크 점수를 달성하는 것이 아니라, AI 모델이 실제 항체 후보 발굴에 얼마나 기여하고, 모델이 선정한 후보가 실험에서 얼마나 우수한 결과를 만들어 내는지를 입증하는 것입니다.
이를 위해 실험팀과 긴밀하게 협업하며 Design-Build-Test-Learn(DBTL) 사이클을 반복적으로 수행합니다. 모델 개발부터 후보 물질 예측, 실험적 검증, 결과 분석 및 모델 재학습에 이르기까지 전 과정에 직접 참여하며, AI 기술이 실제 신약개발 성과로 이어지는 과정을 함께 만들어 갑니다.
주요업무
• 서열·구조 기반 항체 물성 예측 모델 개발 및 고도화 (예: 발현량, 응집성, 열안정성, 비특이적 결합)단백질 언어모델·구조 예측 모델의 표현과 항체 특이적 feature 활용multi-task·transfer learning으로 적은 실험 데이터에서 여러 물성을 동시에 예측• 데이터 누수를 막는 평가 체계 구축 (sequence identity·cluster 기반 split, cross-validation 전략 수립)
• 예측 불확실성 정량화 및 후보 우선순위화 로직 설계
• 실험팀·항체 설계팀과 협업하여 예측을 실험으로 검증하고, 결과를 모델과 파이프라인에 반영
• 사내 실험 데이터 및 공개 데이터(OAS, SAbDab, Thera-SAbDab 등) 큐레이션·정제, 학습·추론 인프라 구축 및 재현 가능한 실험 관리
자격요건
• ML, 전산학, 전산생물학·생물정보학, 구조기반 생물학 등 관련 분야 석사 이상 학위 또는 이에 준하는 연구·개발 경력 (졸업 예정자 지원 가능)• PyTorch 또는 JAX로 모델을 직접 설계·학습·디버깅한 실무 경험
• 생물학적·분자 데이터 또는 시퀀스 데이터를 딥러닝으로 모델링한 경험 (단백질이 아니어도 무방)
• 적은 데이터, 노이즈, 유사 샘플 중복 환경에서 data leakage를 통제하며 모델 성능을 비판적으로 검증한 경험
