[목암생명과학연구소] Small Molecule AI 신약개발 연구원 (박사, 신입·경력) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 활성·ADMET·독성 예측 모델을 개발합니다(GNN, transformer 등).

  이렇게 볼 수 있어요

  ADMET는 흡수·분포·대사·배설·독성, 곧 약물성을 가리킵니다. 측정 조건이 실험실마다 달라 학습 데이터가 적고 고르지 않은 것이 이 모델의 오래된 어려움입니다. GC PEOPLE에서 Small molecule AI팀은 연합학습 국가 프로젝트에서 ADMET 예측 모델을 개발한다고 소개합니다. 직접 개발한 예측 모델이 있다면 예측 대상과 학습 데이터에 더해 데이터가 적거나 조건이 섞인 문제를 어떻게 다뤘는지 설명합니다.

• 생성 모델과 구조 기반 분자 설계, 다중 목표 최적화(multi-objective optimization)를 합니다.

  이렇게 볼 수 있어요

  이 항목은 새 분자를 만들어 내는 설계 업무입니다. 활성과 ADMET처럼 서로 부딪치는 목표를 함께 맞춘 설계 경험이 있다면 어떤 목표를 어떻게 조정했는지가 경력 설명의 중심이 됩니다.

• 가상 스크리닝과 active learning, 학습 데이터 큐레이션(ChEMBL, PDB, 연구소 내부 데이터)을 합니다.

  이렇게 볼 수 있어요

  공개 데이터베이스와 연구소 데이터를 함께 다룹니다. ChEMBL이나 PDB 데이터를 정제해 학습셋을 만든 경험이 있다면 정제 기준과 데이터 규모를 숫자로 밝히면 됩니다.

• 최신 모델을 재현·개선하고 SCI 저널·AI 학회에 논문을 발표합니다.

  이렇게 볼 수 있어요

  이 공고는 발표처로 SCI 저널과 AI 학회를 함께 들었습니다. 이 자리는 신약개발 적용 연구와 머신러닝 방법론 연구를 모두 논문으로 냅니다. 재현해 본 모델을 개선한 결과가 있다면 개선 폭과 함께 논문 목록과 나란히 제시합니다. 그 결과가 저널 쪽 적용 연구인지 학회 쪽 방법론 연구인지도 나눠 적습니다.

• 결과를 해석하고 후보를 화학·생물 연구팀과 공유합니다.

  이렇게 볼 수 있어요

  이 업무에서는 모델 결과를 실험하는 연구자가 쓸 수 있는 형태로 넘깁니다. 예측 결과를 SAR 관점에서 풀어 화학 연구자와 함께 후보를 고른 경험이 있다면 그 과정을 사례로 들 수 있습니다.

2자격 요건

• 박사 학위가 필요하고 전공은 컴퓨터공학·AI, 계산화학, 화학정보학, 약학, 화학 또는 관련 분야입니다.

  이렇게 볼 수 있어요

  전공으로 AI 쪽과 화학·약학 쪽을 함께 적었습니다. 컴퓨터공학 전공이라면 학위 연구에서 다룬 화합물 데이터를, 화학·약학 전공이라면 직접 만든 모델을 중심으로 경력을 소개할 수 있습니다.

• 경력은 박사 학위 취득 후 0~5년이고 박사후연구원 경력도 포함합니다.

  이렇게 볼 수 있어요

  분석 시점에 같은 연구소 Computational Biology 연구원 공고는 박사 후 연차 상한을 두지 않았지만 이 공고는 0~5년으로 상한이 붙습니다. 박사후연구원 경력이 이 연차에 포함되므로 포닥 시절의 모델과 논문도 경력의 일부로 함께 소개합니다. 유의사항에 따르면 처우를 정할 때는 석·박사 학위 기간도 연구 경력으로 인정합니다.

• AI 신약개발 분야의 박사급 연구 경험이 필요합니다.

  이렇게 볼 수 있어요

  공고는 평가에서 보는 것으로 'AI 신약개발 연구에서 스스로 문제를 정의하고 풀어 온 과정'을 명시했습니다. 1차 면접은 대표 연구를 약 20분 발표하는 자리입니다. 이 과정은 발표와 질의응답에서 직접 확인됩니다. 학위 연구에서 문제를 어떻게 정했고 어떤 방법으로 풀었는지를 발표 흐름으로 이어 설명하는 연습이 필요합니다.

• 관련 분야 제1저자 대표 논문이 1편 이상 필요합니다(저널·학회 무관).

  이렇게 볼 수 있어요

  AI 신약개발 논문은 계산 쪽과 실험 쪽 연구자가 공동 제1저자(equal contribution)로 오르는 경우가 흔합니다. 공고는 평가 항목으로 '대표 논문에서 본인이 기여한 부분'을 들었습니다. 공동 제1저자나 공동 연구였다면 모델 설계, 데이터 구축, 실험 검증 가운데 본인이 맡은 부분을 구분해 밝힙니다.

• Python과 PyTorch 또는 JAX로 모델을 능숙하게 개발하는 역량이 필요합니다.

  이렇게 볼 수 있어요

  우대 사항의 co-folding 모델 가운데 AlphaFold 공식 구현은 JAX로, Boltz는 PyTorch로 쓰였습니다. 공고는 모델을 직접 구현하는 수준을 공개 코드와 발표 면접 질의응답으로 확인한다고 밝혔습니다. 라이브러리를 불러 쓴 것과 레이어나 손실 함수를 직접 짠 것을 구분해 보여 주면 질의응답에서 구현 깊이가 전해집니다.

• 논문·오픈소스 모델을 재현하고 검증할 수 있는 역량이 필요합니다.

  이렇게 볼 수 있어요

  분자 예측 모델은 무작위 분할과 scaffold 분할에서 성능 차이가 큽니다. 데이터베이스 버전이나 중복 분자 처리에 따라서도 결과가 달라지기 쉽습니다. 평가 항목은 재현한 모델의 한계와 적용 범위를 설명하는 능력도 봅니다. 재현 과정에서 원 논문과 결과가 달랐다면 분할 방식이나 데이터 차이 같은 원인까지 설명할 수 있게 정리합니다.

• 의약화학 기초 지식(SAR, ADMET)과 RDKit 활용 능력이 필요합니다.

  이렇게 볼 수 있어요

  AI 전공자에게도 의약화학 지식을 요구합니다. RDKit으로 분자 특성을 계산하거나 필터를 만든 경험, 예측 결과를 SAR로 해석해 본 경험이 이 요건과 바로 이어집니다.

• 지원자격(공통)은 박사 학위 소지자 또는 입사 전 취득 예정자이고, 연구소 취업규칙상 결격사유에 해당하지 않으며 해외 여행 및 근무에 결격사유가 없어야 합니다.

  이렇게 볼 수 있어요

  취득 예정자는 학위를 받은 뒤 바로 출근할 수 있어야 합니다. 같은 공통 자격에 목암생명과학연구소와 계열사의 다른 공고에 동시에 지원할 수 없다는 조건도 있습니다. 해외여행 결격 사유 조항은 해외 출장에 대비하는 뜻도 있지만, 형사재판을 받고 있거나 출국금지·여권 발급 제한으로 출국할 수 없는 지원자를 간접적으로 거르려는 목적이 더 큽니다.

3우대 사항

• NeurIPS, ICML, ICLR 논문을 우대하고 워크숍 논문도 포함합니다.

  이렇게 볼 수 있어요

  분자·신약 AI 연구는 NeurIPS의 AI for Science나 ICLR의 GEM 같은 워크숍에서 먼저 발표되는 경우가 많습니다. 워크숍 논문을 포함한 것도 이 분야 사정과 맞습니다. FAQ는 AI 학회 논문이 없어도 불리하지 않고 저널 논문과 공개 코드 같은 연구 결과를 함께 본다고 답했습니다. 워크숍 논문이 있다면 본 학회 논문과 구분해 목록에 올립니다.

• Diffusion 등 생성 모델, equivariant GNN, co-folding 모델(AlphaFold3, Boltz 등) 경험을 우대합니다.

  이렇게 볼 수 있어요

  co-folding 모델은 단백질과 리간드의 복합체 구조를 함께 예측해 결정 구조가 없는 표적에서도 구조 기반 설계를 시작하게 해 줍니다. 이 팀은 생성 모델과 구조 기반 분자 설계를 직접 수행합니다. diffusion으로 만든 분자를 co-folding이나 equivariant GNN으로 평가하는 흐름이 이 우대와 가깝습니다. 써 본 모델이 있다면 어떤 표적이나 과제에 적용했고 결과를 무엇으로 검증했는지까지 적습니다.

• Active learning, Bayesian optimization, 대규모 가상 스크리닝 경험을 우대합니다.

  이렇게 볼 수 있어요

  수십억 개 규모의 가상 화합물 라이브러리는 모두 도킹하거나 실험하기 어렵습니다. 그래서 active learning과 Bayesian optimization으로 다음에 평가할 분자를 골라 비용을 줄입니다. 연구소 소개에 따르면 도출한 후보는 외부 실험 파트너와 함께 검증합니다. 실험에 넘길 후보 수가 곧 비용을 좌우합니다. 업무의 가상 스크리닝과 active learning을 해 봤다면 스크리닝한 화합물 수와 실험으로 확인한 후보 수를 함께 밝혀 hit rate가 보이게 합니다.

• 실제 신약개발 과제 참여 경험 또는 오픈소스·특허 기여, 프리프린트나 공개한 모델·코드를 우대합니다.

  이렇게 볼 수 있어요

  산업 과제는 비밀유지 때문에 표적이나 구조를 밝히기 어렵습니다. 그래서 표적 계열, 과제 단계(hit 발굴, lead 최적화), 본인 모델이 맡은 역할 정도로 설명하는 것이 보통입니다. 제출서류 가운데 공개 코드 링크는 선택입니다. 1차 면접에서는 제출한 공개 코드를 함께 검토합니다. 공개한 저장소나 프리프린트, 특허가 있다면 지원서에 링크와 번호를 붙입니다.

• Docking, FEP, MD 경험을 우대합니다.

  이렇게 볼 수 있어요

  Docking, FEP, MD는 모두 물리 기반 계산 방법입니다. AI 예측과 물리 기반 계산을 함께 써서 후보를 좁혀 본 경험이 있다면 두 방법을 어떤 순서로 썼는지가 이야깃거리가 됩니다.

• 예측 불확실성 평가(calibration, applicability domain) 경험을 우대합니다.

  이렇게 볼 수 있어요

  모델이 어느 범위의 분자에서 믿을 만한지 따지는 일입니다. 후보를 실험으로 넘기기 전에 예측을 걸러 낸 기준이 있었다면 그 기준과 방법을 사례로 들 수 있습니다.

4기타 사항

• 게시일 : 2026년 10월 23일
• 고용형태 : 정규직(수습 2개월)
• 근무지 : 서울 서초구 강남대로41길 15-19 M11빌딩 3층 (양재역 인근)
• 경력 조건 : 경력 0~5년 (박사 학위 취득 후, 박사후연구원 경력 포함)
• 학력 조건 : 박사 (컴퓨터공학·AI, 계산화학, 화학정보학, 약학, 화학 또는 관련 분야)

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Python
• PyTorch
• JAX
• RDKit
• GNN
• transformer
• ChEMBL
• PDB
• AlphaFold3
• Boltz

전형과 지원

GC녹십자그룹 채용 사이트의 공고는 법인마다 전형 단계가 다릅니다. 인성검사와 평판조회가 있는지, 처우협의가 몇 번째에 오는지가 공고마다 달라서 지원하는 공고 아래쪽의 전형단계 항목에서 그 순서를 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   대표 연구 20분 발표 준비하기

   1차 면접은 대표 연구 약 20분 발표 뒤 질의응답과 기술 질문으로 이어집니다. 연구 경력기술서에서 고른 대표 연구 1건으로 발표 자료를 만들면 서류와 면접에서 같은 연구를 한 흐름으로 설명할 수 있습니다.

2. 2

   연구 경력기술서에 본인 기여 나누기

   연구 경력기술서는 자율양식이고 수행한 연구와 개발한 모델, 본인 역할, 결과에 대표 연구를 고른 이유까지 쓰라고 안내합니다. 공동 연구는 본인 기여를 구분해 달라고 적었고, 파일명 형식은 '이름_서류명'입니다.

3. 3

   공개 코드 다듬기

   공개 코드 링크는 선택 서류지만 1차 면접에서 함께 검토합니다. 대표 논문의 모델을 다른 사람이 재현할 수 있도록 README와 실행 방법을 정리해 두세요.