Образование и квалификация: Высшее образование: биофизика, вычислительная биология, молекулярная биология. Ученая степень кандидата физико-математических Научные метрики: индекс Хирша (h-index) не менее 8-10 (по данным Google Scholar, Scopus или Web of Science). Наличие не менее 25 статей в рецензируемых журналах, индексируемых в базах Scopus и Web of Science (а также РИНЦ). Участие в международных конференциях. Обязательные профессиональные навыки: 1. Классическое молекулярное моделирование и структурная биоинформатика: • Уверенный опыт проведения расчетов молекулярной динамики (GROMACS, AMBER, OpenMM или аналоги) и использования различных алгоритмов анализа траекторий, включая скрытые марковские модели, кластеризацию, анализ главных компонент и т.д. • Навыки молекулярного докинга и оценки белок-лигандных и белков-белковых взаимодействий. • Понимание основ QM/MM-моделирования для исследования механизмов химических реакций в активных центрах ферментов. • Опыт расчета свободной энергии связывания (MM-PBSA/GBSA, FEP или аналоги). 2. Применение современных методов AI/ML в структурной биологии: • Использования инструментов предсказания структур (AlphaFold2/3, Boltz-1/2) для моделирования белков и белковых комплексов. • Понимание принципов работы и применение языковых моделей для белков (pLMs, например, ESM, ProtT5) для анализа последовательностей и предсказания эффектов мутаций. • Применение методов инверсного фолдинга (например, ProteinMPNN) для оценки эффектов мутаций и генеративного дизайна. Важно: Умение критически оценивать достоверность предсказаний нейросетей (анализ pLDDT, стерических конфликтов, физико-химических аспектов взаимодействий). 3. Понимание методов экспериментальной структурной биологии (РСА, крио-ЭМ). Кандидат с опытом рентгеноструктурного анализа (от кристаллизации до решения и уточнения структуры) или крио-ЭМ имеет значительный приоритет. Так как мы ищем исследователя, который понимает природу экспериментальных данных, знает об артефактах эксперимента, и может грамотно спланировать вычислительный эксперимент так, чтобы его результаты можно было корректно проверить, и наоборот – объяснить аномалии в экспериментальных данных с помощью компьютерного моделирования. 4. Программирование и работа с данными: • Уверенное владение Python для научных вычислений (NumPy, Pandas, SciPy, Biopython) • Навыки написания скриптов для автоматизации вычислительных пайплайнов. • Опыт написание научного ПО. • Работа с библиотеками и фреймворками машинного обучения (scikit-learn, TensorFlow/PyTorch). • Опыт работы с молекулярными графическими системами (PyMOL, VMD, Chimera) • Опыт работы с базами данных белковых структур (PDB, UniProt) • Опыт работы в среде Linux и на кластерах высокопроизводительных вычислений (HPC). Будет дополнительным преимуществом: • Опыт научного руководства студентами и аспирантами. • Наличие патентов на изобретения в области биомедицины или биотехнологий. • Опыт успешного получения и выполнения грантовой поддержки. • Знание английского языка на уровне B2 и выше (свободное чтение литературы, написание статей, участие в международных конференциях). Обязанности: 1. Структурный дизайн (SBDD) и оптимизация низкомолекулярных ингибиторов или пептидов с заданными свойствами, гибридных белковых конструкций, синтетических антител. 2. Применение гибридных подходов: использование предсказаний AI (AlphaFold, ESM) как стартовой точки для последующего уточнения методами молекулярной динамики и QM/MM. 3. Проведение вычислительных исследований механизмов функционирования белковых комплексов (включая вирусные мишени), антител и ферментов. 4. Разработка и адаптация вычислительных протоколов и скриптов для анализа структурных данных. 5. Подготовка и публикация результатов в высокорейтинговых научных журналах (целевой показатель: 2–3 статьи в год). 6. Научное руководство аспирантами и младшими научными сотрудниками. 7. Взаимодействие с экспериментальными группами для планирования и интерпретации совместных исследований. 8. Участие в подготовке заявок на научные гранты (РНФ, РФФИ и др.).