微信扫一扫
筛选标准：隶属于计算机学院，核心聚焦深度学习/大模型与多组学、蛋白质或临床数据的交叉研究，产业转化能力突出，毕业生多进入药企、AI生物公司或大厂医疗AI岗位，属于H1B高薪资赛道。内容涵盖招生偏好、近年课题、产业资源及适配人群。
1. Anshul Kundaje｜斯坦福大学 CS（AI基因组表观天花板）
基础信息
职位：计算机科学与遗传学副教授，Bio-X中心成员，ENCODE计划计算模块负责人
核心方向
基因组深度学习、非编码DNA功能预测、染色质调控机制、生成式生物模型、基因组基础大模型
经典工作
DeepSEA、Basenji、ChromBPNet（基因组领域CNN/Transformer模型标杆）
近年课题
- 基因组多模态大模型构建
- 单细胞多组学生成式AI算法
- 罕见病变异预测AI模型
招生偏好
- 优先背景：机器学习/深度学习（熟悉PyTorch/TensorFlow），有序列建模、Transformer开发经验者优先。
- 数学要求：线性代数、概率统计基础扎实；无需深厚湿实验背景，纯CS学生友好。
- 加分项：基因组数据处理经验、开源模型开发经历、Kaggle生物竞赛成绩。
产业 & 就业资源
- 合作机构：Google DeepMind、Illumina（测序巨头）、基因编辑药企Editas。
- 毕业生去向：DeepMind AlphaFold团队、23andMe（消费级基因检测）、斯坦福医疗AI实验室、Flagship Labs（生物科技风投）。
适配人群
目标方向为基础生物大模型、基因序列AI研发，希望进入大厂生物AI部门或测序头部企业，偏好算法研发岗。
2. Su-In Lee｜华盛顿大学 UW CS（可解释AI + 癌症临床多组学）
基础信息
波音讲席教授，计算分子生物学项目主任，SHAP可解释性框架核心提出人（师从AI先驱Daphne Koller）
核心方向
医疗可解释AI（XAI）、癌症多组学整合分析、衰老预测模型、肿瘤药物响应预测、临床电子病历与组学融合AI
近年课题
- 生物大模型可信度校准算法
- 肿瘤免疫微环境深度学习建模
- 多模态临床预测大模型（整合影像、病理与组学数据）
招生偏好
- 优先背景：机器学习、统计学习（熟悉SHAP/LIME等解释工具），擅长表格数据/多模态数据融合。
- 友好群体：不强制基因组背景，临床数据处理、医疗AI转码学生适配性高。
- 能力要求：注重严谨的实验验证与模型落地能力，排斥“纯调参无逻辑”型研究。
产业 & 就业资源
- 合作机构：微软医疗AI部门、Amazon Health、西雅图Fred Hutch癌症研究所、礼来制药。
- 毕业生去向：微软研究院（MSR）医疗AI团队、药企计算研发部门、AI医疗初创公司（如Owkin）、高校教职。
适配人群
聚焦临床癌症AI、医药预测模型、可解释生物机器学习，目标岗位为药企研发或互联网医疗高薪职位。
3. Manolis Kellis｜MIT CSAIL（多组学整合大模型，干湿结合顶配）
基础信息
CSAIL全职教授，Broad研究所核心PI（师从计算生物奠基人Bonnie Berger），ENCODE计划核心科学家
核心方向
比较基因组学、表观组学、染色质调控网络、多物种进化分析、单细胞多组学大模型、疾病调控通路AI
近年课题
- 跨组织多组学基础大模型（整合基因组、表观组与转录组）
- 阿尔茨海默病/糖尿病多组学AI预测
- 细胞状态生成模型（模拟疾病进展中的细胞表型变化）
招生偏好
- 欢迎类型：①理论算法/机器学习背景学生；②具备少量生物基础的跨学科学生。
- 实验室优势：体量庞大（NIH巨额基金支持），干湿实验平台齐全（可开展计算与实验验证闭环研究）。
- 能力侧重：强大规模数据工程能力，熟悉分布式训练、大数据流水线构建者优先。
产业 & 就业资源
- 合作机构：Moderna（mRNA疫苗龙头）、Biogen（ neurodegenerative疾病药企）、Google Health、Atlas Venture（生物风投）。
- 毕业生去向：头部生物AI初创公司高管（如Insilico Medicine）、Broad研究所/Flatiron Institute（顶ji研究机构）、大厂生命科学部门（如Google DeepMind）。
适配人群
希望兼顾基础科研与产业转化，未来可选择 academia 或生物制药AI研发，资源与平台上限ji高。
4. Bonnie Berger｜MIT CSAIL（蛋白质AI + 生物隐私计算奠基人）
基础信息
西蒙讲席教授，计算生物学领域奠基人，国际计算生物学学会（ISCB）终身成就奖得主
核心方向
蛋白质结构预测、蛋白质大模型、生物数据隐私安全、单细胞算法、生物网络深度学习
近年课题
- 轻量化蛋白质Transformer模型（降低计算资源依赖）
- 抗体设计AI（优化抗原结合效率）
- 隐私计算基因组大模型（联邦学习在医疗数据中的应用）
招生偏好
- 强偏好：理论计算机科学、算法、计算几何、优化理论与深度学习复合型人才。
- 数学门槛：要求较高，注重模型理论边界推导，不鼓励“简单应用调参”。
- 加分项：图神经网络（GNN）经验、分子几何建模能力、分布式计算开发经历。
产业 & 就业资源
- 合作机构：DeepMind、Novartis（药企）、Moderna、隐私计算AI初创公司（如Inpher）。
- 毕业生去向：AlphaFold团队核心成员、药企计算结构生物学部门、隐私安全AI公司（如H2O.ai）。
适配人群
主攻蛋白质/抗体AI、分子结构大模型，对标DeepMind、药企药物设计等高薪岗位。
5. Gill Bejerano｜斯坦福大学 CS（临床遗传病AI，干湿一体）
基础信息
计算机科学与发育生物学教授，Bio-X中心成员，兼具计算实验室与小型湿实验平台
核心方向
人类进化保守序列分析、罕见病基因组AI诊断、儿童遗传病临床预测模型、患者个人基因组解读大模型
近年课题
- 临床级基因组诊断大模型（提升罕见病检出率）
- 新生儿罕见病筛查AI系统（整合基因组与临床表型）
招生偏好
- 背景要求：机器学习+统计基础，愿意少量参与湿实验验证（如分子生物学实验）；偏好对医学/遗传学有明确兴趣的CS学生。
- 研究导向：注重模型的临床落地价值，排斥“纯理论无临床意义”的研究。
产业 & 就业资源
- 合作机构：斯坦福儿童医院、Illumina、遗传病诊断初创公司（如FDNA）。
- 毕业生去向：临床测序企业（如Invitae）、医疗AI诊断公司（如Tempus）、医学院计算科室。
适配人群
专注临床遗传病AI、诊断模型开发，目标进入医疗诊断或基因检测企业。
