UP简历小U

+86 138-0013-8000|up.ai.resume@example.com|北京

作为一名专注于蛋白质折叠预测的工程师，我具备扎实的计算生物学、深度学习和算法优化背景。精通AlphaFold等主流预测工具，擅长利用高性能计算解决复杂生物分子结构预测问题。致力于通过前沿技术加速药物研发和生物工程领域创新，期待在挑战性环境中贡献专业知识并实现个人成长。

创新生物科技研究院

2024-07 - 2024-09

负责研究院核心蛋白质结构预测算法的研发与优化，重点攻克膜蛋白及多蛋白复合物的结构预测难题，将预测准确率提升了8%。
主导引进并深度优化AlphaFold及RoseTTAFold等主流预测工具，结合自研模块，使预测效率提升了15%，平均单次预测时间缩短至数小时。
利用深度学习框架（TensorFlow/PyTorch）构建新型神经网络模型，处理大规模蛋白质序列数据，有效降低了计算资源消耗20%。
参与药物靶点蛋白质的结构解析项目，为3个新药研发管线提供了关键结构信息，加速了药物筛选进程。
开发并维护基于Python的自动化预测流程，集成了数据预处理、模型推理、结果可视化等功能，减少了30%的人工干预。

清华大学（博士期间项目）

2022-03 - 2023-12

项目背景：传统药物发现中，预测蛋白质与小分子配体的结合亲和力耗时耗力，急需高效精准的计算方法。
个人角色：核心算法设计与实现者、数据处理负责人。
项目价值：旨在构建一个高效准确的预测模型，加速药物筛选过程。
项目执行：
- 收集并整理了超过10万条蛋白质-配体复合物结构数据和结合亲和力数据。
- 设计并实现了一个基于图神经网络（GNN）的深度学习模型，能够从蛋白质和配体的三维结构中提取特征。
- 利用PyTorch Geometric框架进行模型搭建和训练，优化模型结构和超参数，实现了端到端的亲和力预测。
- 引入注意力机制，提升模型对关键结合位点的识别能力。
项目成果：
- 预测系统在公开测试集上达到了0.85的R²分数，相比传统方法预测精度提升了12%。
- 成功预测了1000+潜在药物分子的结合亲和力，为后续实验验证提供了高优先级的候选分子列表。
- 相关研究成果发表于计算生物学领域顶级会议，被引用20余次。

中国科学技术大学（硕士期间项目）

2018-09 - 2019-12

项目背景：蛋白质的动态构象变化对其功能至关重要，但实验观察受限。
个人角色：分子动力学模拟方案设计与执行者、数据分析员。
项目价值：通过计算模拟揭示蛋白质在不同条件下的动态行为。
项目执行：
- 使用GROMACS和Amber软件进行分子动力学模拟，针对多种关键酶蛋白进行了长达微秒级的模拟。
- 分析模拟轨迹，提取蛋白质的RMSD、回转半径和氢键网络等关键参数，量化构象变化。
- 结合主成分分析（PCA）揭示蛋白质的主要运动模式。
项目成果：
- 成功预测了3种蛋白质在配体结合前后的构象转变路径，与实验数据吻合度达到90%以上。
- 为理解酶催化机制提供了微观分子层面的解释。
- 相关成果在生物物理学期刊上发表论文1篇。