【THETA TEAM | AI + Medicine 国际跨学科团队】招募AI4Science博士/RA/Intern

📣 【THETA TEAM | AI + Medicine 国际跨学科团队】招募AI4Science博士/RA/Intern

Monash University · Griffith University · 同济大学 ·The Alfred Hospital

图片

🔬 团队介绍：跨越边界的国际合作 THETA TEAM (AI + Medicine)

ThetaTeam 官网：https://www.thetateam.net

图片

THETA TEAM (AI + Medicine)不是一个独立实验室，更是一个聚焦于 AI for Medicine 的跨学科科研组织团队。团队成员具备计算机、药学、物理、生物等多学科交叉背景，整体年轻化，研究氛围开放，强调原创性与系统性建设。我们由以下单位相关团队共同打造：

• • 莫纳什大学 (Monash University, 世界排名36) 转化医学部 (LTI Lab)
• • 格里菲斯大学 (Griffith University) TrustAGI Lab
• • 同济大学 生物信息系（软科排名全国第一）智能药物发现课题组
• • Paula Fox Melanoma & Cancer Center (The Alfred Hospital)

我们的目标不仅仅是发表论文，而是建立“计算-实验-临床”的深度耦合系统。团队以 (Theta) 为名，既代表模型参数的极致优化，也象征着“干湿迭代”的无缝融合。在这里，我们将前沿 AI 技术与工程方法论深度融合，致力于解决免疫、肿瘤、药物研发中的核心挑战。此外，THETA TEAM依托澳洲最大一期临床试验医院体系有着全球最快转化成果入临床试验的独特优势。

团队主要成员近两年已积累发表多篇Nature大子刊/顶会成果。我们也在积极的推动临床转化；希望继续推动相关的合作

🚀 为什么选择我们？

1️⃣ 充足的计算资源支持 (Infrastructure)

• • 团队可以提供工业级计算资源，包括但不限于上百张 H200 / B200 GPU 集群 保障你的Idea不为资源瓶颈而受限, 天马行空，大胆探索。

图片

2️⃣ 干湿一体，闭环验证

• • 实验室就在门口： 澳洲办公区紧邻 PC2 实验室。
• • 领域专家支持： 让你的ideas不再是纸上谈兵，一线领域专家深度参与与进行下游验证。
• • 世界级设施： 配备 cryo-ET / cryo-EM 等世界一流设施。
• • 真实临床数据： 接入澳洲最大临床实验平台，赋能从模型到临床验证的完整闭环。

图片

3️⃣ 跨界组合，联合指导，选择多元

你将身处一个由 AI Scientist、生物学家、生化学家、免疫学家及临床医生 组成的“高密度跨学科团队”。在 AI × Medicine 的交叉领域，打造属于你的独特学术标签。

团队成员既可以选择留在国内深造，也可以选择国外升学，为不同背景的同学提供多样化的升学通道；同时还可以支持优秀同学短期、长期国际交流。

🧭 Theta Team 研究方向

团队学术氛围自由，鼓励在 AI Foundation 与 Biomedical Application上进行原创研究，为加入的每位成员个性化制定研究方向；我们的目标不止是“做工具”，而是推动 AI4Scientific Discovery ——让模型成为“科学合作者”，帮助产生可验证的新假设与新发现。

🧬 AI for Science (Biomedical)｜生物医药方向

1) 生物分子发现与设计（Small Compound/ Protein / Peptide / Antibody/...）

• • 聚焦 AlphaFold 及其后续 CoFolding 技术的创新应用
• • 探索小分子/ 蛋白质 / 多肽 / 抗体的精准设计与可实验验证的优化策略（亲和力、稳定性、免疫原性、可制造性等）

2) 多组学多模态生物建模（Sequence × Structure × Function × Multi-Omics｜多组学）

• • 融合序列（Sequence）、结构（Structure, 多组学(Multi-Omics)和功能（Function）数据 ；构建个性化药物推荐系统
• • 构建通用生物医药基座模型，支持：功能预测、机制解释、生成设计与下游任务泛化
• • 探索细胞建模：将分子扰动（药物/突变/环境）映射到细胞状态变化（基因表达、通路、表型），用于机制模拟、靶点发现与转化预测

3) 临床转化 AI（Real-world Clinical Data）

• • 面向真实世界数据：WSI / Omics / Clinical Text / EHR
• • 开发辅助诊断、分型分层、预后预测、治疗反应评估等智能系统
• • 强调可解释性、临床可用性与跨中心泛化能力

🤖 LLM 智能体系统（Agentic Systems for Discovery）

推进“科研智能体”，用于自动化科研流程并产生可检验的科学产出：

• • 多智能体协作：文献综述 → 假设生成 → 实验/模拟设计 → 结果分析 → 复现实验记录
• • 工具调用与工作流编排：自动运行分析脚本、检索数据库、生成结构与候选分子、汇总证据
• • 科学发现导向：围绕“能否提出新机制/新靶点/新设计原则”的指标来评估，而不仅是 benchmark 分数

🧠 Scientific AI (Foundation)｜基础模型与方法学

1) 前沿生成模型（Generative Paradigms）

• • 探索 Discrete Diffusion / Flow Matching 等范式在离散生物结构上的应用
• • 关注：可控生成、约束满足、长程依赖建模、结构一致性与稳定训练

2) 图与几何深度学习（Graph & Geometric Deep Learning）

• • 针对分子与生物网络的几何特性，研发高效 Graph Models
• • 方向包括：几何等变（equivariance）、多尺度表示、复杂相互作用建模、可扩展训练

3) 可解释性与多模态融合（Reasoning & Transparency）

• • 提升模型在复杂生物场景中的推理能力与透明度
• • 目标：从相关性走向因果/机制线索，支持科学假设生成与证据链追踪

📚 团队代表作 (Selected Publications)

团队近年来在 AI4Science 领域保持高频产出，连续在 Nature 子刊、计算机顶会发表多项突破性成果，涵盖扩散模型、蛋白质设计、大模型应用及物理先验融合，基座模型等核心方向：

🌟 2025 (Latest Breakthroughs)

• • AI-Driven Protein Design Nature Reviews Bioengineering, 2025
  • • 亮点： 系统性综述了 AI 驱动的蛋白质设计路线图，从从头设计到合成生物学应用，为该领域的未来方向提供参考。
• • SurfDock is a surface-informed diffusion generative model for reliable and accurate protein–ligand complex prediction Nature Methods, 2025
  • • 亮点： 提出了基于表面的扩散生成模型，显著提升了蛋白-配体复合物预测的可靠性与精度。
• • Large language models for scientific discovery in molecular property prediction Nature Machine Intelligence, 2025
  • • 亮点： 扩展了 LLM 在分子性质预测中的能力，利用大模型内嵌知识实现了比传统方法更精准、更具可解释性的预测。
• • G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge ICLR , 2026
• • 亮点： 提出了可以联合捕获图拓扑和文本语义的基础模型增强下游任务的推理能力

🏆 2024 (Foundation Works)

• • Physicochemical graph neural network for learning protein–ligand interaction fingerprints from sequence data Nature Machine Intelligence, 2024
  • • 亮点： 提出新型理化图神经网络架构，直接从序列数据学习相互作用指纹，为药物发现提供了高效的新范式。
• • Generic protein–ligand interaction scoring by integrating physical prior knowledge and data augmentation modelling Nature Machine Intelligence, 2024
  • • 亮点： 融合物理先验知识与数据增强建模，构建通用的蛋白-配体相互作用评分方法。

🎯 招募计划

招生对象： 博士（PhD）候选人、RA、Intern

招生名额： 26fall莫纳什大学/格里菲斯大学博士（PhD）候选人(5-7);27fall 同济大学 (26届推免) 博士（PhD）候选人(2)；博士后（1-2名）;RA、Intern 不限

我们寻找这样的你：愿意持续思考，能够快速迭代

✅ 基本要求

• • 自 驱 力： 一切后续面试/合作的基石
• • 学历背景： 计算机、生物信息、物理、数学或相关专业，数理基础扎实。
• • 建模能力： 熟练使用 PyTorch / JAX 等框架，具备 Graph Models / Transformers / 多模态建模 的实战经验（训练、调参、评估与落地）。
• • 科研能力： 对 AI × Medicine 有强烈探索欲，具备独立思考、快速复现前沿论文并持续迭代的能力。愿意团队合作，沟通能力强。英语良好，能够阅读和撰写英文科研文档。

🌟 加分项（Preferred Qualifications）

• • 顶会/顶刊发表： 在 NeurIPS / ICML / ICLR / CVPR 或 Nature / Science 子刊有发表经验（含一作/共一作/核心贡献者更佳）。
• • 跨界复合背景： 既懂算法与工程实现，也理解生物/化学机制（蛋白结构与功能、组学数据、药物发现或临床任务等），能在跨学科团队中高效协作与推动落地。
• • 结构建模专长： 对 AlphaFold / RoseTTAFold 及相关 CoFolding 技术有深入理解，具备二次开发、创新应用或实证研究经验。
• • 工程与开源影响力： 拥有高质量 GitHub 开源项目（清晰文档、可复现、持续维护），或在 Kaggle / ACM / 相关竞赛 取得优异成绩。

✅ 我们特别看重

• • 学术功底： 在 AI / 计算生物 / 生物医药方向具备扎实研究积累与发表记录。
• • 深度见解： 对 AlphaFold 系列及 CoFolding模型 的开发与应用有独到理解，能提出可验证的新思路。
• • 硬核建模： 在 序列/结构建模、多模态融合 与系统化实验评估上具备强执行力。
• • 跨界热情： 愿意深入问题本质，快速迭代、持续推进，快速实现从idea到结果闭环。

💡 你的未来：从模型到生物的真实落地

如果你渴望：

• • 开启深度学跨学科研究之旅，但是不知道如何入门
• • 计算建模经验丰富缺少科学问题和落地场景，希望冲击 Nature / Science / Cell 等顶级跨学科刊物。
• • 在 AI × Medicine 交叉最前沿形成自己的学术标签。
• • 做“从模型到生物”真正有落地、有影响的研究。

诚邀您加入 THETA TEAM

📩 如何加入？

有意者请准备好个人简历及代表性成果，请发送邮件标题：`Theta Team Application-[Your Name]-[Position of Interest]） (attach CV和个人介绍以及其他证明你能力的材料)。

To: yizhen.zheng@monash.edu, caodh@tongji.edu.cn, huan.koh@monash.edu

CC: s.pan@griffith.edu.au, vivek.naranbhai@monash.edu