为什么这个领域重要

一款新药走到上市，通常要花十年以上，耗资数十亿。其中大部分都消耗在最早的一步——找到一个值得推进的分子。数百万个候选里，能进入临床的寥寥无几，而这少数大多还是以失败收场。机器学习正在改写这道算术题。2020年，DeepMind的AlphaFold攻克了悬置五十年的蛋白质折叠难题，仅凭氨基酸序列就能在几分钟内预测出三维结构，“先有结构才能设计药物"这个瓶颈本身就此消失。

资本随即涌入。字母表旗下的Isomorphic Labs以AlphaFold 3为基础，与礼来、诺华签下约30亿美元的合作，并正在准备首批AI设计药物的临床试验。领英联合创始人里德·霍夫曼与肿瘤学家悉达多·穆克吉于2025年创立Manas AI，凭2460万美元种子轮，从乳腺癌、前列腺癌和淋巴瘤切入。Recursion、Xaira、Eikon、Generate Biomedicines——一批把机器学习和生物学放进同一支团队的公司接连出现。中国这边，晶泰科技(XtalPi)、英矽智能(Insilico Medicine)等企业也在同一条赛道上加速。

它们要的都是同一种人：能从实验和数据两头判断模型吐出的分子是否真在细胞里有效、有没有毒性、能不能合成的研究员。既不是纯粹的机器学习研究者，也不是纯粹的药物化学家，而是一个能讲两种语言的人。

所需技能

这份工作的核心是双语能力。你能搭出深度学习模型，同时又能读懂它的输出在生物学上是否说得通。只擅长一头，就只是半个研究员。

• 分子与蛋白质表示及化学信息学。 用SMILES或图来表示分子，用RDKit处理，预测ADMET(吸收、分布、代谢、排泄、毒性)。定量判断"这个分子能不能合成、有没有成药性"是基本功。
• 结构生物学与分子对接。 理解蛋白质与配体的结合，把AlphaFold一脉的结构预测和分子对接用到真实靶点上。你得能验证预测出的结合姿态在物理上是否合理。
• 生成模型。 驾驭能从头生成分子的扩散与生成模型，以及蛋白质设计模型。以目标性质为条件去搜索候选空间，正是这个领域的最前沿。
• 杂乱的实验数据。 生物数据小、偏、噪声大。每次试验的测定条件都不同，阴性数据几乎从不公开。懂得这些局限并加以应对，往往比模型架构更重要。
• 熟悉湿实验闭环。 要知道设计-合成-测试-分析(DMTA)循环在真实实验室里怎么转。和实验台前的科学家讲同一种语言，一起决定下一个实验跑什么。

职业路径

入行有两条路。生物或化学博士补上机器学习再转过来，或者从计算机、机器学习一侧出发，扎进生物学。无论哪条，目标都是成为"翻译者”——能在模型的语言和实验台的语言之间双向搬运的人。招聘时最硬的一张牌，是真的在一个项目里把这两头接通过。

需求毫不含糊。从全球大药企(礼来、诺华、武田)到AI生物创业公司，都在大力招聘化学信息学、结构生物学、AI智能体和ADMET建模的人才。在美国，生成式AI制药岗位平均年薪约11万美元，博士级资深者远高于此。中国这边，传统药企与晶泰科技、英矽智能这类AI制药公司从两端开出席位。但要注意，多数真正的研究岗位仍然要求博士学位——这与其说是一次快速转行，不如说是一次赛道的重新设计。

最快的自证方式，是用公开数据亲手跑通一整轮。在ChEMBL或Tox21这样的数据集上搭一个预测分子毒性或活性的模型，用RDKit处理分子，再给一个公开蛋白质结构接上对接。完整跑通这一小轮的经历，在面试里胜过简历上任何一个关键词。