سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین)
Computational Toxicologist (Predictive Safety & ML)
سم‌شناس محاسباتی مدل می‌سازد تا پیش از آزمایش حیوانی و پیش از ورود دارو به بدن انسان، پیش‌بینی کند یک مولکول چه آسیبی می‌تواند بزند: آسیب کبدی، جهش‌زایی، اتصال به هدف‌های ناخواسته و از جمله خطر قلبی مثل بلوک کانال hERG و طولانی شدن QT. ورودی کارش ساختار شیمیایی، دادهٔ omics، نتیجهٔ سنجش‌های سلولی و تصویر است و خروجی‌اش عددی است که تیم دارو با آن تصمیم می‌گیرد مولکول را جلو ببرد یا کنار بگذارد. نکتهٔ مهم: عنوان «Cardiac Safety Modeling Scientist» عنوان شغلی موجود در بازار نیست؛ در بررسی آگهی‌ها هیچ آگهی با این عنوان پیدا نشد. کارفرماها این کار را با عنوان‌هایی مثل Computational Toxicologist، Scientist, Computational Safety یا ML Scientist, Predictive Toxicology آگهی می‌کنند و ایمنی قلبی یکی از چند اندام و چند نوع خطر در آن است، نه کل شغل.
مقدمه و تعریف شغل
سم‌شناس محاسباتی (Computational Toxicologist) در واحد ایمنی پیش‌بالینی یک شرکت دارویی کار می‌کند و مدل‌هایی می‌سازد که پیش‌بینی می‌کنند یک مولکول چه خطری برای بدن انسان دارد. آگهی Boehringer Ingelheim این نقش را چنین توصیف می‌کند: رهبری علمی در ارزیابی ایمنی in silico در سراسر کشف و توسعهٔ دارو، با استفاده از دادهٔ multi omics پیشرفته، سم‌شناسی سیستمی و روش‌های AI/ML برای پیدا کردن پیش‌دستانهٔ خطرهای ایمنی و تصمیم‌گیری ریسک‌محور. در آگهی J&J همین کار این‌طور نوشته شده است: «توسعه و استقرار مدل‌های ML/AI برای پشتیبانی از شناسایی سیگنال ایمنی، انتخاب دوز، مدل‌سازی PK/PD، بینش سم‌شناسی و تفسیر ترجمه‌ای». خطر قلبی یکی از خروجی‌های این مدل‌هاست: سرور عمومی ADMET-AI هم در میان خروجی‌هایش احتمال بلوک نشدن کانال hERG را گزارش می‌کند، در کنار ده‌ها ویژگی دیگر.
دو نیروی بیرونی این شغل را جلو می‌برند. اول نهاد تنظیم‌گر: FDA در آوریل ۲۰۲۵ «نقشهٔ راه کاهش آزمایش حیوانی در مطالعات ایمنی پیش‌بالینی» را منتشر کرد و مدل‌سازی محاسباتی و AI/ML را یکی از ستون‌های روش‌های جدید (NAMs) نام برد؛ در همان سند نوشته است که در بازهٔ بلندمدت ۳ تا ۵ سال هدفش این است که مطالعهٔ حیوانی در آزمون ایمنی پیش‌بالینی به استثنا تبدیل شود، نه قاعده. دوم فشار ملی: در شرح نقش یک پروژهٔ پژوهشی در دانشگاه Nottingham آمده که دولت بریتانیا هدف گذاشته است مطالعات ایمنی قلبی‌عروقی درون‌تنی روی سگ و پریمات را تا ۲۰۳۰ دست‌کم ۵۰٪ کم کند، و صنعت داروسازی هنوز چارچوب کمّی دقیقی ندارد که بگوید این مطالعات کِی ارزش پیش‌بینی تازه‌ای اضافه می‌کنند. دربارهٔ حقوق صریح باشیم: در این حوزه فقط آگهی‌های آمریکا و بخش عمومی بریتانیا بازهٔ حقوق چاپ می‌کنند؛ آگهی‌های بلژیک، اسپانیا، آلمان و بریتانیای صنعتی که بررسی شد هیچ عددی ندارند، پس جدول این صفحه فقط آمریکا و بریتانیا را دارد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین)
مدل پیش‌بینی سمیت از ساختار شیمیایی
مدلی که از ساختار مولکول حدس می‌زند آسیب کبدی، جهش‌زایی یا بلوک کانال قلبی hERG رخ می‌دهد یا نه. چالش دادهٔ Tox21 هدف را همین گذاشته بود: پیش‌بینی اختلال مولکول‌ها در مسیرهای زیستی «فقط با دادهٔ ساختار شیمیایی». آگهی Apheris معماری‌های این کار را نام می‌برد: شبکه‌های عصبی گرافی، message-passing و مدل‌های transformer-محور.
مدل‌های پایه روی دادهٔ چندلایهٔ omics
آگهی Boehringer Ingelheim جزو وظایف آورده است: «پیشبرد مدل‌های AI/ML و مبتنی بر multi omics، از جمله مدل‌های پایه (foundation models)، برای پیش‌بینی ایمنی و liability». یعنی مدلی که روی دادهٔ بیان ژن و سایر لایه‌ها آموزش دیده و برای چند خطر مختلف به کار می‌رود.
مسیر پیامد نامطلوب (AOP) با کمک AI
AOP زنجیرهٔ «این مولکول به این پروتئین می‌چسبد ← این مسیر سلولی خراب می‌شود ← این آسیب بافتی رخ می‌دهد» را مستند می‌کند. آگهی Boehringer Ingelheim «هدایت توسعهٔ AoP با کمک AI برای پشتیبانی از ارزیابی ریسک مکانیسمی» را جزو وظایف آورده است و ویکی عمومی AOP-Wiki مرجع این مسیرهاست (نسخهٔ ۲.۹ در اکتبر ۲۰۲۶ منتشر شد).
pipeline دادهٔ آماده برای AI
بخش بزرگی از کار، ساختن داده است نه مدل. آگهی J&J می‌خواهد «خروجی خام آزمایش‌ها را با Python، R و سرویس‌های ابری به دادهٔ استاندارد، آمادهٔ تحلیل و آمادهٔ AI تبدیل کنید» و منابع دادهٔ مطالعات سم‌شناسی، PK/PD، نشانگرها و مخزن مطالعات حیوانی را یکپارچه کنید.
شبیه‌سازی مکانیسمی سلول قلبی
در مسیر مکانیسمی، مدل ریاضی کانال‌های یونی و پتانسیل عمل سلول قلبی ساخته می‌شود تا اثر دارو روی ریتم قلب پیش‌بینی شود. ابزارهای این کار عمومی‌اند: ApPredict برای پیش‌بینی پتانسیل عمل زیر بلوک دارویی، Myokit برای شبیه‌سازی سلولی و کد مدل in silico پروژهٔ CiPA که FDA منتشر کرده است.
بستهٔ ایمنی برای تصمیم پورتفولیو
خروجی نهایی یک عدد نیست، یک جمع‌بندی قابل‌تصمیم است. آگهی Boehringer Ingelheim «تحویل بسته‌های یکپارچهٔ ایمنی محاسباتی برای پشتیبانی از تصمیم‌های برنامه و پورتفولیو» و «نقش پل بودن میان تحلیل محاسباتی و ذی‌نفعان چندرشته‌ای» را در یک فهرست کنار هم گذاشته است.
تخصص‌های مختلف سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین)
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
سم‌شناسی پیش‌بینانه روی ساختار مولکول
Predictive Toxicology (structure-based ML)
مدل‌هایی که از ساختار شیمیایی خطر را پیش‌بینی می‌کنند: DILI، ژنوتوکسیسیتی، سایتوتوکسیسیتی و بلوک کانال hERG. تمرکز آگهی Apheris و استارتاپ Inductive Bio، و همین است که بنچمارک‌های عمومی Therapeutics Data Commons می‌سنجند.
سم‌شناسی سیستمی و toxicogenomics
Systems Toxicology & Toxicogenomics
یکپارچه کردن transcriptomics با پروتئومیکس، متابولومیکس، تصویر و پاتولوژی برای فهم مکانیسم آسیب و ارتباط آن با انسان؛ عنوان و شرح آگهی Distinguished Scientist, Systems Toxicology در Sanofi و بخشی از نقش Boehringer Ingelheim (یکپارچه‌سازی دادهٔ TGx).
مهندسی دادهٔ ایمنی و هستی‌شناسی
Safety Data Engineering & Ontologies
ساختن دادهٔ تمیز و قابل‌مقایسه از مطالعات مختلف؛ کاری که J&J هم با آگهی Senior Data Scientist و هم با آگهی Principal Ontologist در همان تیم دنبال می‌کند و در آن آشنایی با هستی‌شناسی، گراف دانش و استانداردهای SEND/CDISC امتیاز است.
ایمنی قلبی in silico و مدل‌سازی آریتمی
In Silico Cardiac Safety (proarrhythmia modelling)
مدل‌سازی کانال یونی و پتانسیل عمل برای پیش‌بینی خطر آریتمی. تخصص واقعی اما باریکی است که بیشتر در دانشگاه، نهاد تنظیم‌گر و کنسرسیوم‌ها زندگی می‌کند: جریان کاری in silico پروژهٔ CiPA، کد منتشرشدهٔ FDA و گروه‌های دانشگاهی مثل گروه Gary Mirams در Nottingham. کارگروه ICH هم برنامه دارد پرسش‌وپاسخ تازه‌ای دربارهٔ «نحوهٔ استفاده از الگوریتم‌ها یا نتایج مدل‌های پیش‌بینی آریتمی» تدوین کند.
علم مقرراتی و روش‌های جدید (NAMs)
Regulatory & NAMs Science
ارزیابی اینکه چه مدلی برای چه تصمیمی قابل‌قبول است. MHRA برای برنامهٔ «Beyond ADMET: AI for Medicines Safety» رهبر فنی می‌خواهد که روش‌ها، داده‌ها و شواهد مرتبط با توسعه و ارزیابی ایمنی داروی مبتنی بر AI را ارزیابی کند؛ آگهی Isomorphic Labs هم کمک به کاهش آزمایش حیوانی را صریحاً جزو هدف نقش آورده است.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
این مهم‌ترین تفاوتی است که باید بدانید، چون بیشتر آگهی‌های «ایمنی قلبی» از این جنس‌اند و کار آزمایشگاهی است. آگهی Advisor / Senior Advisor, Cardiovascular NAMs در Eli Lilly خودش را «نقشی عمدتاً آزمایشگاهی» معرفی می‌کند: تولید کاردیومیوسیت از سلول بنیادی انسانی (hiPSC-CM)، ثبت MEA، تصویربرداری کلسیم، بافت قلبی مهندسی‌شده و مدل رگ روی چیپ؛ و فقط «با گروه in silico ADMET Intelligence شرکت همکاری می‌کند تا پیش‌بینی‌های محاسباتی را با دادهٔ مکانیسمی in vitro یکی کند». در Incyte هم نقش Investigative Safety Scientist دکترای سم‌شناسی با ۶ تا ۱۰ سال تجربه می‌خواهد و از کار محاسباتی فقط «آشنایی» می‌خواهد. اگر پیش‌زمینهٔ شما داده و برنامه‌نویسی است، آن آگهی‌ها برای شما نیستند.
این نقش‌ها پرتعدادترند و خوب هم پول می‌دهند، اما کارشان مدل‌سازی مکانیسمی است نه AI. آگهی Director, Quantitative Systems Pharmacology در GSK (اکتبر ۲۰۲۶، بازهٔ ۱۸۸٬۱۰۰ تا ۳۱۳٬۵۰۰ دلار برای چند شهر آمریکا) «دست‌کم ۷ سال تجربه در مدل‌سازی ریاضی مکانیسمی، مدل‌سازی مسئلهٔ معکوس و/یا روش‌های یادگیری ماشین علمی» می‌خواهد؛ یعنی ML در آن یک ابزار کمکی است. سم‌شناس محاسباتی از سمت داده می‌آید: مدل را بر مجموعهٔ ترکیبات و نتایج سنجش آموزش می‌دهد. سند FDA هر دو را، در کنار هم، ستون‌های in silico می‌شمارد: PBPK، مدل‌های پیش‌بینی ML/AI، QSP و غربالگری هدف ناخواسته.
شیمی‌دان محاسباتی عمدتاً به طراحی مولکول بهتر کمک می‌کند (قدرت اتصال، خواص ADME)؛ سم‌شناس محاسباتی روی سمت «چه چیزی ممکن است آسیب بزند» تمرکز دارد و ارزیابی‌اش باید با زبان ایمنی و مقررات جمع شود. ابزار و معماری‌ها مشترک است و عبور از یک سمت به سمت دیگر رایج: استارتاپ Inductive Bio که مدل‌های ADMET و سمیت می‌سازد، در آگهی Member of Technical Staff - Machine Learning خود (۱۸۰ تا ۲۵۰ هزار دلار) ۴ سال تجربهٔ ML و دکترا در شیمی، زیست‌شناسی یا فیزیک را ترجیح می‌دهد، بدون اینکه عنوان شغلی کلمهٔ toxicology داشته باشد.
آن‌ها با دادهٔ بیماران کار می‌کنند، این نقش با دادهٔ ترکیبات. دانشمند داده‌های سلامت (که صفحهٔ جداگانه‌ای در همین سایت دارد) روی EHR، دادهٔ بیمه و شواهد دنیای واقعی کار می‌کند، و تیم‌های Safety Data Science مثل آگهی Director, Safety Data Science در J&J سیگنال ایمنی داروی عرضه‌شده را در دادهٔ بیماران پیدا می‌کنند. سم‌شناس محاسباتی پیش از انسان کار می‌کند: هدفش این است که مولکول خطرناک هیچ‌وقت به بیمار نرسد. نقش «دانشمند پزشکی دقیق» هم که صفحهٔ دیگری در این سایت دارد، روی نشانگر و انتخاب بیمار در کارآزمایی تمرکز دارد، نه خطر خودِ مولکول.
زیست‌شناس محاسباتی ژنومیک (صفحهٔ جداگانه در همین سایت) با توالی DNA و RNA و پرسش‌های زیستی ژنوم کار می‌کند؛ ورودی اصلی سم‌شناس محاسباتی ساختار شیمیایی و نتیجهٔ سنجش ترکیبات است. محل تلاقی، دادهٔ omics است: آگهی Sanofi برای Distinguished Scientist, Systems Toxicology تخصص عمیق در transcriptomics و تحلیل مسیر و شبکه می‌خواهد، و آگهی Boehringer Ingelheim دکترا در زیست‌شناسی محاسباتی یا بیوانفورماتیک را هم می‌پذیرد. یعنی از آن سمت می‌شود به این شغل رسید، به شرط یاد گرفتن زبان سم‌شناسی و مقررات.
تأثیر در صنایع مختلف
سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین) در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
داروسازی بزرگ
Boehringer Ingelheim واحد Computational Safety دارد و از این نقش می‌خواهد با مدل‌های AI/ML و multi-omics خطرها را پیش‌دستانه پیدا کند تا «کیفیت پورتفولیو بالا برود و ریزش در مراحل آخر کم شود»
تیم‌های دادهٔ R&D
Johnson & Johnson همین کار را در سازمان R&D Data Science و برای واحد Preclinical Sciences & Translational Safety آگهی کرده، همزمان در چهار محل (آمریکا، بلژیک و دو شهر اسپانیا)، در کنار یک نقش Principal Ontologist در همان تیم
شرکت‌های کشف دارو با AI
Isomorphic Labs تیم سم‌شناسی‌اش را «در تلاقی توسعهٔ پیش‌بالینی و هوش مصنوعی» معرفی می‌کند، همهٔ کار آزمایشگاهی را به CRO می‌سپارد و تولید داده را عمداً برای آموزش مدل‌های سم‌شناسی طراحی می‌کند
استارتاپ‌های مدل ADMET و سمیت
Inductive Bio می‌گوید مدل‌های ADMET/PK آن سه بار پیاپی در بزرگ‌ترین مسابقهٔ AI کشف دارو در بنچمارک‌های ADMET اول شده‌اند و فناوری‌اش در ده‌ها همکاری با شرکت‌های دارویی به کار رفته است
زیرساخت دادهٔ مشترک صنعت
Apheris شبکه‌های فدرال می‌سازد تا چند شرکت دارویی روی دادهٔ خصوصی یکدیگر مدل آموزش دهند بدون اینکه داده را به اشتراک بگذارند؛ دلیلش را این می‌داند که هر شرکت به‌تنهایی فقط تعداد محدودی ترکیب و نقطهٔ پایانی سمیت می‌تواند بسنجد
نهادهای تنظیم‌گر
FDA کد مدل in silico پروژهٔ CiPA را منتشر کرده و در نقشهٔ راه ۲۰۲۵ خود مدل‌سازی محاسباتی را ستون روش‌های جدید شمرده؛ MHRA هم برنامهٔ سندباکس «Beyond ADMET: AI for Medicines Safety» را راه انداخته است
دانشگاه و پژوهش
دانشگاه Nottingham پروژه‌ای با همکاری AstraZeneca و GSK دارد تا با مدل مکانیسمی و آماری نشان دهد هر سنجش ایمنی قلبی‌عروقی پیش‌بالینی چه مقدار اطلاعات تازه اضافه می‌کند و کجا می‌شود مطالعهٔ حیوانی را کنار گذاشت
سازندهٔ ابزار و نرم‌افزار ایمنی
Lhasa Limited، سازمان غیرانتفاعی سازندهٔ ابزارهای in silico toxicology که در صنعت استفاده می‌شوند، برای همین حوزه آگهی استخدام دارد (Senior Application Scientist، دورکاری در آمریکا، مهلت ۲ دسامبر ۲۰۲۶)
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
شغلی هست به نام «دانشمند مدل‌سازی ایمنی قلب»
در جست‌وجوی آگهی‌ها در ۱۲ نوامبر ۲۰۲۶، با عنوان دقیق «Cardiac Safety Modeling Scientist» هیچ آگهی‌ای پیدا نشد. آنچه وجود دارد سه چیز است: آگهی‌های بالینی قلب (مثل Medical Director و متخصص الکتروفیزیولوژی در بیمارستان‌ها و شرکت‌های تجهیزات)، آگهی‌های آزمایشگاهی سمیت قلبی، و آگهی‌های ایمنی محاسباتی که خطر قلبی یکی از چند خروجی آن‌هاست. اگر دنبال این کار هستید، باید با عنوان‌های Computational Toxicologist، Scientist, Computational Safety و Predictive Toxicology جست‌وجو کنید.
عنوانی که کلمهٔ Cardiac Modeling دارد یعنی کار با کامپیوتر
آگهی «Associate Scientist III, Cardiac Modeling» در شرکت insitro (سپتامبر ۲۰۲۶، ۱۰۷ تا ۱۱۴ هزار دلار) در واقع کار آزمایشگاهی است: تمایز سلول بنیادی به کاردیومیوسیت، سنجش انقباض و الکتروفیزیولوژی، PCR و وسترن‌بلات، و حضور پنج روز در هفته در آزمایشگاه. در این حوزه کلمهٔ «model» بیشتر به «مدل سلولی بیماری» اشاره دارد تا به مدل ریاضی. همیشه متن وظایف را بخوانید، نه عنوان را.
بدون دکترا هم می‌شود وارد شد
تقریباً همهٔ آگهی‌های بررسی‌شده دکترا می‌خواهند: Boehringer Ingelheim دکترا به‌علاوهٔ ۳ یا ۷ سال، Apheris دکترا یا تجربهٔ معادل به‌علاوهٔ ۶ سال ML در کشف دارو، Sanofi کارشناسی ارشد با ۸ سال یا دکترا با ۵ سال، Isomorphic Labs دکترا با ۸ سال تجربهٔ ارشد سم‌شناسی. تنها آگهی با شرط پایین‌تر، آگهی Senior Data Scientist در J&J است: مدرک تحصیلات تکمیلی (کارشناسی ارشد یا دکترا) به‌علاوهٔ ۲ سال کار ML یا مهندسی داده روی دادهٔ علمی یا زیست‌پزشکی. یعنی مسیر ورود واقع‌بینانه برای کسی که از داده می‌آید، همین نقش‌های data science در تیم‌های ایمنی است.
هر کسی که مدل‌سازی دارویی می‌کند همین شغل را دارد
دو خانوادهٔ متفاوت وجود دارد. QSP و PBPK مدل‌سازی مکانیسمی‌اند و تعدادشان در بازار بیشتر است؛ آگهی Director, Quantitative Systems Pharmacology در GSK از «مدل‌سازی ریاضی مکانیسمی، مسئلهٔ معکوس و/یا یادگیری ماشین علمی» حرف می‌زند، یعنی ML در حاشیه است. آگهی‌های این صفحه از سمت داده می‌آیند: مدل روی مجموعهٔ ترکیبات و نتایج سنجش آموزش داده می‌شود. پیش از اینکه برای آگهی‌ای وقت بگذارید، ببینید کلمهٔ کلیدی‌اش mechanistic است یا machine learning.
کار اصلی، آموزش دادن مدل است
بخش بزرگی از زمان صرف داده و اعتبار می‌شود. آگهی J&J صریح می‌گوید وظیفه شامل ساخت pipeline برای یکپارچه‌سازی منابع دادهٔ سم‌شناسی، PK/PD و پاتولوژی، تبدیل خروجی خام به دادهٔ استاندارد و آمادهٔ AI، و «افزایش قابلیت مقایسهٔ مطالعات با واژگان استاندارد، رویه‌های متادیتا و کنترل کیفیت» است. Boehringer Ingelheim هم «نقش پل بودن و انتقال روشن بینش محاسباتی به ذی‌نفعان چندرشته‌ای» را در فهرست وظایف آورده است؛ یعنی توضیح دادن هم بخشی از شغل است، نه کار اضافه.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور / پسادکترا (۰–۲ سال پس از دکترا)
روی یک مسئلهٔ مشخص و قابل‌انتشار کار می‌کنید. بیشتر وقت صرف جمع کردن و تمیز کردن داده، آموزش مدل و سنجیدن آن در برابر روش‌های موجود می‌شود. شرح پسادکترای گروه Computational Toxicology در Merck همین است: ساخت workflow تکرارپذیر، مدل چندحالته، بنچمارک و مقالهٔ نویسندهٔ اول.
- ◆یکپارچه کردن چند منبع دادهٔ زیستی و ساختاری در یک workflow تکرارپذیر
- ◆آموزش و تنظیم یک مدل و مقایسهٔ آن با روش مرجع
- ◆بررسی اینکه مدل روی داده‌ای بیرون از توزیع آموزش چطور رفتار می‌کند
- ◆نوشتن کد مستند و قابل‌استفادهٔ دوباره برای بقیهٔ تیم
میانی (۲–۵ سال)
مالک یک سرویس یا خط مدل‌سازی برای تیم ایمنی می‌شوید. نیمی از وقت مهندسی داده و مدل است و نیم دیگر گفت‌وگو با سم‌شناسان و شیمی‌دانان: سؤالشان را به مسئلهٔ محاسباتی تبدیل می‌کنید و جواب را به زبان خودشان برمی‌گردانید.
- ◆نشستن با سم‌شناس یا تیم DMPK و تبدیل طراحی یک مطالعه به نیاز محاسباتی
- ◆به‌روزرسانی pipeline داده پس از اضافه شدن یک منبع یا سنجش تازه
- ◆بازآموزی و اعتبارسنجی مدل و ثبت نسخهٔ تازه طبق قواعد حاکمیت مدل
- ◆پاسخ به این سؤال تیم پروژه که آیا به پیش‌بینی مدل برای کنار گذاشتن یک مولکول می‌شود تکیه کرد یا نه
ارشد و Principal (۵+ سال)
کمتر کد می‌زنید و بیشتر راهبرد تعیین می‌کنید: چه قابلیتی ساخته شود، با چه داده‌ای و برای کدام تصمیم. آگهی Boehringer Ingelheim این سطح را «رهبری و/یا تولید راهبرد ارزیابی ایمنی هدف به‌صورت in silico» و تحویل بستهٔ ایمنی برای تصمیم پورتفولیو توصیف می‌کند. بخشی از کار هم بیرونی است: انتشار، کنفرانس و حضور در کنسرسیوم‌ها.
- ◆تعیین اینکه برای یک هدف دارویی تازه چه ارزیابی ایمنی محاسباتی لازم است
- ◆داوری دربارهٔ اینکه یک مدل برای تصمیم‌گیری به‌قدر کافی معتبر است یا نه
- ◆ارائهٔ جمع‌بندی ریسک به تیم‌های کشف، ایمنی بالینی و مدیران
- ◆منتورینگ دانشمندان جوان‌تر و تعیین استاندارد اعتبارسنجی برای تیم
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈ساخت مدل‌های یادگیری ماشین برای پیش‌بینی خطرهای ایمنی یک مولکول، از ساختار شیمیایی و دادهٔ سنجش‌های سلولی
- ◈یکپارچه‌سازی دادهٔ multi-omics (به‌ویژه toxicogenomics) با نتیجهٔ سنجش‌ها و پاتولوژی برای فهم مکانیسم آسیب
- ◈ساخت و نگهداری pipeline دادهٔ آماده برای AI از مطالعات سم‌شناسی، PK/PD و مخزن مطالعات حیوانی
- ◈شناسایی اتصال به هدف‌های ناخواسته (off-target) و ساخت مدل پیش‌بینی liability
- ◈اعتبارسنجی، کالیبراسیون و نسخه‌بندی مدل‌ها طبق استانداردهای حاکمیت مدل در R&D
- ◈تحویل بستهٔ ایمنی محاسباتی برای پشتیبانی از تصمیم‌های برنامه و پورتفولیو
- ◈تبدیل بینش محاسباتی پیچیده به توصیهٔ روشن برای سم‌شناسان، شیمی‌دانان و تیم‌های بالینی
- ◈همکاری با گروه‌های سم‌شناسی، DMPK، بیوانفورماتیک و IT و فهم محدودیت دادهٔ هر کدام
- ◈قضاوت دربارهٔ اینکه کجا می‌شود به پیش‌بینی مدل تکیه کرد و کجا باید آزمایش انجام شود
- ◈تعیین راهبرد علمی ایمنی محاسباتی و رهبری علمی بدون اختیار سازمانی (در سطح Principal)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین) موفق به آن‌ها نیاز دارد
مهارت‌های فنی
زبان اصلی کار؛ آگهی J&J «تسلط به Python و/یا R، SQL و ابزارهای مهندسی دادهٔ امروزی» را شرط کرده و Sanofi «تسلط قوی به R و/یا Python و ابزارهای بیوانفورماتیک»
از مدل‌های جدولی تا شبکه‌های گرافی و transformer؛ آگهی Apheris «پایه‌های قوی یادگیری عمیق برای AI مولکولی» می‌خواهد
تبدیل ساختار شیمیایی به ورودی مدل با RDKit: fingerprint، descriptor و گراف مولکول
split درست، کالیبراسیون، عدم‌قطعیت و محدودهٔ کاربرد؛ پسادکترای Merck «آشنایی با کمی‌سازی عدم‌قطعیت، کالیبراسیون مدل و بنچمارک دقیق» را امتیاز می‌داند
ساخت pipeline از منابع ناهمگون مطالعات؛ خواستهٔ صریح آگهی J&J همراه با orchestration و کنترل نسخه
RNA-seq و transcriptomics، تحلیل مسیر و شبکه؛ Sanofi «تخصص عملی عمیق در transcriptomics» می‌خواهد
اجرای آموزش روی GPU و معماری دادهٔ ابری؛ J&J آشنایی با AWS S3، Snowflake و Redshift را امتیاز می‌داند و Merck راحتی با محیط HPC/GPU را شرط کرده است
نسخه‌بندی، پایش و اعتبارسنجی مدل در چارچوب رویه‌های AI سازمان (از وظایف آگهی J&J)
مدل ریاضی کانال یونی، پتانسیل عمل و PK/PD؛ Boehringer Ingelheim «تجربه با مدل‌سازی مکانیسمی» را در کنار AI/ML خواسته است
کار با دادهٔ high-content imaging و cell painting؛ امتیاز آگهی Apheris
واژگان استاندارد و گراف برای یکی کردن مطالعات مختلف؛ امتیاز آگهی J&J و موضوع نقش Principal Ontologist همان تیم
مهارت‌های نرم
Boehringer Ingelheim «توانایی ترجمهٔ نتایج محاسباتی پیچیده به بینش عملی برای مخاطبان با پیش‌زمینه‌های متفاوت» را شرط گذاشته است
J&J می‌خواهد مستقیم با سم‌شناسی، DMPK و ذی‌نفعان ایمنی کار کنید و بافت علمی مطالعه را به نیاز محاسباتی تبدیل کنید
دانستن اینکه کجا مدل کافی است و کجا باید آزمایش کرد؛ MHRA «ارزیابی نقادانهٔ شواهد علمی، روش‌های AI، کارایی مدل و رویکردهای اعتبارسنجی» را می‌خواهد
Sanofi نقش Distinguished Scientist خود را «موقعیت ارشد و عملی فردی با نفوذ علمی جهانی» توصیف می‌کند؛ اثرگذاری از راه اعتبار علمی است نه جایگاه مدیریتی
گزارش، مستند مدل و بخش‌های مدارک مقرراتی؛ MHRA تجربهٔ تهیهٔ گزارش فنی، ارزیابی علمی و مدارک مقرراتی را می‌خواهد
دانش حوزه‌ای
فهم اینکه آسیب چطور رخ می‌دهد؛ J&J «درک سم‌شناسی مبتنی بر مکانیسم و مفاهیم exposure-response» را می‌خواهد
دانستن اینکه تصمیم‌ها کجا گرفته می‌شوند؛ Apheris می‌خواهد بدانید این داده‌ها در R&D دارویی چطور تولید و استفاده می‌شوند
hERG، طولانی شدن QT و چارچوب CiPA؛ CiPA برای بهبود ویژگی (specificity) پیش‌بینی خطر آریتمی نسبت به ترکیب سنجش hERG و مطالعهٔ Thorough QT ساخته شد
اینکه مدل سلولی، چیپ اندامی و مدل محاسباتی چطور جای مطالعهٔ حیوانی را می‌گیرند؛ ستون‌های نقشهٔ راه ۲۰۲۵ FDA
راهنماهای ICH و استاندارد SEND/CDISC؛ Boehringer Ingelheim دانش سم‌شناسی GLP و راهنمای مقرراتی را امتیاز می‌داند و J&J آشنایی با SEND را
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین)
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه: Python، آمار و کار با داده
همهٔ آگهی‌های این حوزه Python یا R را می‌خواهند. آگهی J&J صریحاً «تسلط به Python و/یا R، SQL و ابزارهای مهندسی دادهٔ امروزی (رایانش ابری، orchestration، کنترل نسخه)» را شرط گذاشته است. از همین‌جا شروع کنید: نوشتن اسکریپت، کار با جدول و فایل، Git و نوتبوک.
زبان سم‌شناسی و توسعهٔ دارو
بدون این مرحله مدل‌هایتان بی‌معنا می‌شوند. باید بدانید «liability» چیست، چرخهٔ کشف دارو تا ورود به انسان چه مراحلی دارد، سنجش‌های in vitro چه می‌سنجند و خطر قلبی چطور ارزیابی می‌شود (hERG، طولانی شدن QT، torsade). آگهی Apheris از نامزد می‌خواهد نشان دهد «نگرانی‌هایی که ارزیابی سمیت در کشف دارو را هدایت می‌کنند» را می‌فهمد، هر کدام از نقاط پایانی سمیت که روی آن کار کرده باشد.
یادگیری ماشین روی مولکول: cheminformatics و مدل‌های گرافی
اینجا هستهٔ فنی کار است: تبدیل ساختار شیمیایی به ورودی مدل و ساخت مدل پیش‌بینی ویژگی مولکول. آگهی Apheris «پایه‌های قوی یادگیری عمیق برای AI مولکولی، مثلاً معماری‌های رایج در مدل‌سازی ویژگی مولکول (شبکه‌های عصبی گرافی، message-passing و مدل‌های transformer-محور)» را می‌خواهد. با مجموعه‌های عمومی مثل Tox21 و وظایف سمیت در Therapeutics Data Commons تمرین کنید.
omics، تصویر و مدل‌های مکانیسمی
آگهی‌های سطح بالا فقط ساختار شیمیایی نمی‌خواهند. آگهی Sanofi «تخصص عملی عمیق در transcriptomics و تجربهٔ یکپارچه‌سازی چند نوع دادهٔ مولکولی یا فنوتیپی» و «تخصص در تحلیل مسیر و شبکه، امضاهای مولکولی و تولید فرضیه» می‌خواهد، و Boehringer Ingelheim «تخصص در سم‌شناسی محاسباتی، مدل‌سازی AI/ML و یکپارچه‌سازی دادهٔ multi-omics (TGx)». در همین مرحله با مدل‌های مکانیسمی قلبی آشنا شوید: ApPredict و Myokit پیش‌بینی پتانسیل عمل زیر بلوک دارویی را انجام می‌دهند و کد مدل in silico پروژهٔ CiPA هم عمومی است.
رساندن مدل به تصمیم: اعتبارسنجی، استقرار و مقررات
مدلی که کسی به آن تصمیم نمی‌سپارد، ارزشی ندارد. آگهی J&J «اعمال استانداردهای حاکمیت مدل، نسخه‌بندی و اعتبارسنجی هم‌راستا با رویه‌های AI در R&D» را جزو وظایف آورده و Apheris «شواهد اعتبارسنجی آیندهٔ مدل‌های پیش‌بینی سمیت و استفاده از آن‌ها برای اثرگذاری روی طراحی و اولویت‌بندی مولکول در برنامه‌های واقعی» را امتیاز می‌داند. در همین مرحله زبان مقررات را یاد بگیرید: استاندارد دادهٔ SEND، راهنماهای ایمنی ICH و پرسش‌وپاسخ E14/S7B.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
شیمی محاسباتی و یادگیری ماشین مولکولی
جعبه‌ابزار متن‌باز cheminformatics؛ خواندن ساختار مولکول و ساخت descriptor و fingerprint برای ورودی مدل
پیاده‌سازی شبکهٔ message-passing برای پیش‌بینی ویژگی مولکول؛ از همان خانوادهٔ معماری‌هایی که آگهی Apheris نام می‌برد
دادهٔ عمومی سمیت و زیست‌شناسی
مجموعهٔ حدود ۱۰٬۰۰۰ ترکیب با دادهٔ سنجش؛ چالش داده‌اش هدف را همین گذاشت: پیش‌بینی اختلال در مسیرهای زیستی فقط از ساختار شیمیایی
بنچمارک‌های آمادهٔ سمیت: hERG blockers، DILI، Ames، ClinTox، Tox21 و ToxCast
مدل‌سازی مکانیسمی قلبی
دانش حوزه، چارچوب و استاندارد
ویکی عمومی مسیرهای پیامد نامطلوب؛ آگهی Boehringer Ingelheim توسعهٔ AoP با کمک AI را جزو وظایف آورده است
ابتکاری که سنجش پیش‌بینی آریتمی را با چهار جریان کاری (کانال یونی، in silico، سلول‌های مشتق از سلول بنیادی، ECG بالینی) ساخت
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
پسادکترا / دانشمند دادهٔ جونیور در ایمنی
۰ تا ۲ سال پس از دکترا
~$87K
میانگین سالانه (آمریکا)
کار روی یک مسئلهٔ مشخص مدل‌سازی زیر نظر یک دانشمند ارشد: پاک‌سازی و یکپارچه‌سازی داده، ساخت و بنچمارک مدل و نوشتن مقاله؛ مثل پسادکترای گروه Computational Toxicology در Merck
دانشمند / دانشمند دادهٔ ارشد ایمنی محاسباتی
۲ تا ۵ سال
~$176K
میانگین سالانه (آمریکا)
مالکیت یک خط مدل‌سازی برای تیم ایمنی: ساخت pipeline دادهٔ آماده برای AI، آموزش و استقرار مدل و پاسخ به سؤال‌های سم‌شناسان؛ شرح وظایف آگهی Senior Data Scientist در J&J همین است
Principal Scientist / رهبر علمی
۵+ سال
~$220K
میانگین سالانه (آمریکا)
تعیین راهبرد ایمنی محاسباتی برای پورتفولیو: چه مدلی ساخته شود، با چه داده‌ای و در چه تصمیمی به کار برود؛ آگهی Boehringer Ingelheim این نقش را «رهبری علمی در ارزیابی ایمنی in silico در سراسر کشف و توسعهٔ دارو» توصیف می‌کند
Distinguished Scientist یا مدیر / نقش مقرراتی
پس از سطح Principal
یا مرجع علمی جهانی یک حوزه (آگهی Distinguished Scientist, Systems Toxicology در Sanofi: «موقعیت ارشد و عملی فردی با نفوذ علمی جهانی»)، یا ساخت و رهبری تیم، یا رفتن به سمت نهاد تنظیم‌گر؛ MHRA برای برنامهٔ «Beyond ADMET: AI for Medicines Safety» دنبال رهبر فنی است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
دادهٔ کم و پراکنده برای یک مسئلهٔ گسترده
عمومیسمیت نقاط پایانی زیادی دارد و دادهٔ هر کدام محدود است. Apheris دلیل وجود محصولش را همین می‌داند: هر سازمان به‌تنهایی فقط می‌تواند تعداد محدودی ترکیب را در سنجش‌ها، جریان‌های زیست‌شناسی ساختاری و نقاط پایانی پیچیدهٔ ADME و سمیت بسنجد، و همین کارایی مدل‌های آموزش‌دیده بر دادهٔ درون‌سازمانی را محدود می‌کند.
مدل خوب در بنچمارک، بی‌فایده در پروژه
عمومیمدلی که روی دادهٔ عمومی عالی کار می‌کند ممکن است روی شیمی‌های جدید یک برنامهٔ دارویی بی‌دقت باشد. برای همین Apheris «اعتبارسنجی آیندهٔ مدل‌های پیش‌بینی سمیت و اثرگذاری آن‌ها روی طراحی و اولویت‌بندی مولکول در برنامه‌های واقعی» را امتیاز می‌داند، نه فقط نتیجهٔ بنچمارک را.
اعتماد گرفتن از سم‌شناس و شیمی‌دان
شرکت بزرگتصمیم نهایی را تیم‌های تجربی و مدیران پروژه می‌گیرند. نقش شما موقعی اثر دارد که آن‌ها به عدد شما تکیه کنند؛ آگهی Boehringer Ingelheim دقیقاً همین را به‌عنوان مهارت لازم آورده است: پل بودن و انتقال روشن بینش محاسباتی به ذی‌نفعان چندرشته‌ای.
نبود پاسخ قطعی برای اینکه مدل کِی کافی است
تحقیقاتیدر شرح پروژهٔ دانشگاه Nottingham آمده که صنعت داروسازی چارچوب کمّی دقیقی ندارد تا بگوید مطالعهٔ حیوانی کِی واقعاً اطلاعات تازه‌ای به پیش‌بینی ریسک انسانی اضافه می‌کند، بیشتر از آنچه دادهٔ in vitro و in silico قبلی می‌گفت. یعنی خودِ معیار پذیرش هنوز موضوع پژوهش است.
وزن مقررات روی دوش مدل
عمومیپیشبینی مدل باید در چارچوبی قابل‌قبول برای نهاد تنظیم‌گر جا بگیرد. کارگروه ICH پس از پرسش‌وپاسخ فوریهٔ ۲۰۲۲ برنامه دارد مرحلهٔ دومی تدوین کند دربارهٔ «نحوهٔ استفاده از الگوریتم‌ها یا نتایج مدل‌های پیش‌بینی آریتمی». تا آن موقع، جای مدل در تصمیم رسمی در بعضی حوزه‌ها روشن نیست.
تعداد کم آگهی و شرط ورود بالا
عمومیدر جست‌وجوی سراسری ۱۲ نوامبر ۲۰۲۶، شمار آگهی‌های آزمایشگاهی سم‌شناسی چند برابر آگهی‌های محاسباتی بود و بیشتر آگهی‌های محاسباتی هم در سطح Principal و بالاتر. برای کسی که تازه وارد می‌شود، تعداد موقعیت‌های جونیور کم است و بیشترشان پسادکترا یا نقش data science در تیم ایمنی‌اند.
حقوق و بازار کار جهانی
حقوق جهانی سم‌شناس محاسباتی (ایمنی پیش‌بینانه و یادگیری ماشین)
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- آگهی Merck، پسادکترای گروه Computational Toxicology در Nonclinical Drug Safety (دکترا، بدون سابقهٔ پس از آن)، ۵ نوامبر ۲۰۲۶؛ میانه = میانگین دو سر بازه
- آگهی Boehringer Ingelheim، Sr. Principal Scientist, Computational Safety (دکترا + ۷ سال، دست‌کم ۳ سال در ارزیابی ریسک ایمنی)، ۷ نوامبر ۲۰۲۶؛ میانه = میانگین دو سر بازه
- آگهی MHRA، Technical Lead, Medicines Safety Technologies (برنامهٔ «Beyond ADMET: AI for Medicines Safety»)، Grade 6، درج ۲۲ اکتبر ۲۰۲۶؛ میانه = میانگین دو سر بازه
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱ تا ۲: Python و تحلیل داده در حد کار روزمره
هدف این است که بتوانید بدون کمک، داده را بخوانید، تمیز کنید و نمودار بکشید و کدتان را با Git نگه دارید.
ماه ۳: cheminformatics و اولین مدل
با RDKit مولکول را به عدد تبدیل کنید و با scikit-learn یک مدل hERG روی دادهٔ Therapeutics Data Commons بسازید.
ماه ۴: یادگیری عمیق روی مولکول
با Chemprop یا DeepChem مدل گرافی آموزش دهید و با مدل سادهٔ قبلی مقایسه کنید.
ماه ۵: زبان سم‌شناسی و مقررات
دورهٔ Toxicology 21 را ببینید، چند AOP را در AOP-Wiki بخوانید و نقشهٔ راه FDA را مرور کنید تا بدانید مدل شما کجای تصمیم می‌نشیند.
ماه ۶: پورتفولیو و اقدام
برای دو مدلتان کارت مدل بنویسید (داده، محدودهٔ کاربرد، کالیبراسیون) و برای نقش‌های پسادکترای سم‌شناسی محاسباتی و data science در تیم‌های ایمنی اقدام کنید؛ رزومه را با واژگان همان آگهی‌ها بنویسید.
پروژه‌های پیشنهادی برای رزومه
پیش‌بینی بلوک کانال hERG از ساختار شیمیایی
مبتدیبا مجموعهٔ hERG blockers در Therapeutics Data Commons یک مدل طبقه‌بندی بسازید: اول با descriptor و مدل درختی، بعد با یک شبکهٔ گرافی. مهم‌تر از دقت، گزارش صادقانهٔ آن است: با split تصادفی و با split بر اساس اسکلت مولکول (scaffold) چه تفاوتی در نتیجه می‌بینید؟ این همان نقطهٔ خطر قلبی است که آگهی‌های سم‌شناسی به آن اشاره می‌کنند.
بازتولید یک کار روی Tox21
متوسطروی چند نقطهٔ پایانی از دادهٔ Tox21 مدل چندوظیفه‌ای آموزش دهید و نتیجه را با مدل تک‌وظیفه‌ای مقایسه کنید. چالش Tox21 دقیقاً همین را پرسیده بود: فقط از ساختار شیمیایی چقدر می‌توان اختلال در مسیرهای زیستی را پیش‌بینی کرد؟ در README بنویسید مدل کجا شکست می‌خورد.
امضای toxicogenomics از دادهٔ بیان ژن
متوسطیک مجموعهٔ عمومی transcriptomics از سلول‌های در معرض ترکیبات بگیرید و با تحلیل مسیر و شبکه، امضای مولکولی مرتبط با یک مکانیسم آسیب را بیرون بکشید. این همان کاری است که آگهی Sanofi از Distinguished Scientist خود می‌خواهد: «تولید و اولویت‌بندی فرضیه‌های مکانیسمی با تحلیل مسیر، شبکه و امضاهای مولکولی».
شبیه‌سازی پتانسیل عمل قلبی زیر بلوک چندکاناله
پیشرفتهبا Myokit یا ApPredict اثر بلوک چند کانال یونی را روی پتانسیل عمل سلول قلبی شبیه‌سازی کنید و خروجی را با دادهٔ ترکیبات شناخته‌شده بسنجید. بعد عدم‌قطعیت ورودی‌ها را وارد کنید؛ کد مدل in silico پروژهٔ CiPA هم برای همین کمی‌سازی عدم‌قطعیت منتشر شده است. این پروژه مسیر مکانیسمی را، در مقابل مسیر داده‌محور، نشان می‌دهد.
کارت مدل با تمرکز بر اعتبار و محدودهٔ کاربرد
پیشرفتهیکی از مدل‌های قبلی را بردارید و برایش مستند تصمیم‌گیری بنویسید: روی چه داده‌ای آموزش دیده، برای چه شیمی‌هایی معتبر است (domain of applicability)، خروجی چقدر کالیبره است و در کدام تصمیم می‌شود به آن تکیه کرد. آگهی J&J «حاکمیت مدل، نسخه‌بندی و اعتبارسنجی» را جزو وظایف آورده و MHRA «توانایی ارزیابی نقادانهٔ شواهد علمی، روش‌های AI، کارایی مدل و رویکردهای اعتبارسنجی» را می‌خواهد.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
استاد فیزیولوژی ریاضی در مرکز پزشکی و زیست‌شناسی ریاضی دانشکدهٔ علوم ریاضی دانشگاه Nottingham است و به گفتهٔ صفحهٔ خودش در حال حاضر مدیر پژوهش آن دانشکده. در معرفی پژوهشش در صفحهٔ دانشگاه آمده: «کار من مدل‌سازی برای پرسش‌های الکتروفیزیولوژی قلبی است، به‌ویژه ایمنی داروهای دارویی؛ که شامل مدل‌سازی ریاضی کانال‌های یونی، اثر دارو بر کانال‌ها، مدل‌سازی پتانسیل عمل و بافت قلبی و مکانیسم‌های آریتمی است.»
به گفتهٔ صفحهٔ خودش، پیش‌تر یک جایزهٔ راهبردی NC3Rs/EPSRC در ریاضیات در سم‌شناسی را رهبری کرده با عنوان «پیش‌بینی طولانی شدن QT سمی برای قلب انسان با دادهٔ چندکاناله in vitro و مدل‌های ریاضی سلول قلبی»، در همکاری با واحدهای مدل‌سازی و فارماکولوژی ایمنی GlaxoSmithKline و AstraZeneca. تیمش به پروژهٔ CiPA کمک می‌کند که از مدل‌های ریاضی برای بهبود ارزیابی ریسک داروهای تازه در صنعت و سیاست‌گذاری مقرراتی بین‌المللی استفاده می‌کند، و ابزارهای متن‌بازی مثل Myokit، PINTS و Cardiac Electrophysiology Web Lab از همین گروه بیرون آمده‌اند. پژوهشش با بورسیهٔ پژوهشی ارشد Wellcome Trust (۲۰۱۹ تا ۲۰۲۵) و پیش از آن بورسیهٔ Sir Henry Dale (۲۰۱۴ تا ۲۰۱۹) پشتیبانی شده است.
مسیر او نشان می‌دهد ایمنی قلبی in silico به‌عنوان یک تخصص تمام‌وقت بیشتر در دانشگاه و در همکاری با صنعت و نهاد تنظیم‌گر ممکن شده است، نه به‌شکل یک عنوان شغلی در شرکت دارویی. انتشار ابزار متن‌باز هم به نظر می‌رسد راهی بوده که کار یک گروه کوچک به استاندارد صنعت تبدیل شود.
طبق ویکی‌پدیا، در دانشگاه ایالتی آریزونا دو رشتهٔ علوم ریاضی محاسباتی و علوم زیستی مولکولی خواند (۲۰۰۸) و بعد در دانشکدهٔ پزشکی Stanford زیر نظر Russ Altman دکترای انفورماتیک زیست‌پزشکی گرفت؛ عنوان رساله‌اش «شناسایی، پیش‌بینی و اعتبارسنجی داده‌محور تعامل‌های دارویی» بود. در دورهٔ دکترا طبقه‌بندی‌کننده‌ای ساخت که عوارض داروها را از دادهٔ سامانهٔ گزارش رویدادهای نامطلوب FDA پیدا می‌کرد. از ۲۰۱۲ در Columbia تدریس کرد و از ۲۰۲۳ در Cedars-Sinai است.
طبق ویکی‌پدیا، میان ۲۰۱۶ و ۲۰۱۸ با یک روزنامه‌نگار برندهٔ پولیتزر همکاری کرد و در همین مسیر با پزشکی آشنا شد که فهرست داروهای شناخته‌شده برای طولانی کردن QT قلب را در اختیارش گذاشت؛ از همان دادهٔ اولیه کشف کردند تجویز همزمان ceftriaxone و lansoprazole در بیماران آریتمی قلبی ایجاد می‌کند. تمرکز پژوهشش، به روایت همان منبع، یکپارچه کردن دادهٔ بالینی و مولکولی، از جمله پروندهٔ الکترونیک سلامت و پایگاه‌های ژنومیک، با هوش مصنوعی و یادگیری ماشین برای بررسی ایمنی دارو و تعامل‌های دارویی است.
کار او یادآور این است که خطر قلبی دو سر دارد: پیش‌بینی پیش از انسان، و پیدا کردن سیگنال در دادهٔ بیماران پس از عرضه. به نظر می‌رسد ترکیب مهارت محاسباتی با یک پرسش بالینی مشخص، حتی وقتی از بیرون صنعت دارو می‌آید، می‌تواند به نتیجهٔ قابل‌اتکا برسد.
طبق ویکی‌پدیا، کارشناسی ارشد شیمی را در دانشگاه دولتی مسکو (۱۹۸۲) و دکترای بیوشیمی و فارماکولوژی را در ۱۹۸۶ گرفت، در ۱۹۸۹ به آمریکا مهاجرت کرد و از ۱۹۹۱ در دانشگاه North Carolina در Chapel Hill کارش را به‌عنوان استادیار و مدیر آزمایشگاه مدل‌سازی مولکولی آغاز کرد. امروز استاد و معاون دانشکدهٔ داروسازی UNC در حوزهٔ pharmacoinformatics و علم داده است و حوزهٔ اصلی پژوهشش cheminformatics و مدل‌سازی QSAR در بافت کشف دارو است.
طبق ویکی‌پدیا، کار اخیر او روی روش‌های اعتبارسنجی سخت‌گیرانهٔ مدل‌های QSAR و تدوین گردش‌کارهای بهترین‌عمل متمرکز است؛ مقالهٔ «Best Practices for QSAR Model Development, Validation, and Exploitation» (۲۰۱۰) از همین جنس است. گروه او دربارهٔ سودمندی «هشدارهای ساختاری» در سم‌شناسی هم تردید جدی مطرح کرده (مقالهٔ «Alarms about structural alerts»، ۲۰۱۶) و از ۲۰۱۵ ویراستار همکار مجلهٔ Journal of Chemical Information and Modeling انجمن شیمی آمریکا است.
تمرکز او بر اعتبارسنجی و بر نقد قاعده‌های ساده، به نظر می‌رسد همان چیزی است که این شغل را از «آموزش دادن یک مدل» جدا می‌کند: ارزش کار در این است که بدانید پیش‌بینی‌تان کجا معتبر است و کجا نیست.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Senior Principal/ Principal Scientist, Computational Safety
تحلیل نیازمندی‌ها
Ph.D. in Computational Toxicology, Computational Biology, Bioinformatics, Molecular Biology, or related field
دکترا شرط است، اما رشته‌اش باز است: زیست‌شناسی محاسباتی و بیوانفورماتیک هم پذیرفته می‌شود. یعنی اگر از سمت داده و زیست‌شناسی محاسباتی می‌آیید، در شرط تحصیلی رد نمی‌شوید؛ شکاف شما دانش سم‌شناسی و ارزیابی ریسک است.
ضروریPrincipal Scientist Requirements: 3+ years of post-doctoral and/or industry experience in drug discovery and development and safety risk assessment is a must
برای سطح پایین‌تر این آگهی هم سه سال تجربهٔ پس از دکترا در کشف و توسعهٔ دارو و ارزیابی ریسک ایمنی لازم است. این نقطه را جدی بگیرید: این آگهی نقطهٔ ورود نیست و برای رسیدن به آن معمولاً یک دورهٔ پسادکترا یا چند سال کار در تیم ایمنی لازم است.
ضروریSenior Principal Scientist Requirements: 7+ years of post-doctoral and/or industry experience in drug discovery and development and ≥3 years of experience in safety risk assessment is a must
سطح بالاتر هفت سال تجربه می‌خواهد که دست‌کم سه سالش مستقیماً ارزیابی ریسک ایمنی باشد. تفاوت دو سطح در آگهی فقط سابقه است، نه مهارت فنی؛ یعنی مسیر رشد در این نقش از راه تجربهٔ تصمیم‌های ایمنی می‌گذرد، نه ابزار تازه.
ضروریExpertise in computational toxicology, AI/ML modeling, and multi-omics (TGx) data integration
سه مهارت در یک خط: سم‌شناسی محاسباتی، مدل‌سازی AI/ML و یکپارچه‌سازی دادهٔ چندلایهٔ omics (TGx یعنی toxicogenomics). کسی که فقط ML می‌داند یا فقط سم‌شناسی، این شرط را کامل نمی‌کند؛ ارزش شما در تلاقی این سه است.
ضروریExperience with in silico safety, liability prediction, and mechanistic modeling
mechanistic modeling کنار ML آمده است. یعنی در این نقش فقط مدل آماری کافی نیست و باید بتوانید مکانیسم را هم مدل کنید؛ همین جاست که آشنایی با مدل‌های کانال یونی و پتانسیل عمل قلبی به کار می‌آید.
مهمStrong collaboration, scientific leadership, and communication skills, with the ability to translate complex computational results into actionable insights for stakeholders with diverse backgrounds
این شرط هم‌وزن شرط‌های فنی نوشته شده است. در عمل یعنی بخشی از ارزیابی شما در مصاحبه این است که می‌توانید نتیجهٔ یک مدل را برای سم‌شناس، شیمی‌دان و مدیر پروژه، هر کدام به زبان خودش، توضیح دهید.
ضروریFamiliar with toxicology related data curation, and interpretation, and knowledge of GLP toxicology and regulatory guidance will be a favorable plus
دانش مقرراتی امتیاز است، نه شرط. اگر آن را دارید، تمایزی جدی است؛ و اگر ندارید، با خواندن راهنماهای ICH و استاندارد SEND می‌شود در چند ماه به سطح قابل‌قبولی رسید.
مفیدMust be legally authorized to work in the United States without restriction.
آگهی مجوز کار بی‌قیدوشرط در آمریکا می‌خواهد؛ یعنی حمایت ویزا در این نقش روی میز نیست. برای متقاضی بین‌المللی، معادل‌های اروپایی این نقش (مثل آگهی‌های J&J در بلژیک و اسپانیا یا Apheris به‌صورت دورکاری در اروپا) مسیر عملی‌تری هستند.
ضروریتحلیل مسئولیت‌ها
Lead and/or generate in silico target safety assessment strategy development
پیش از آنکه مولکولی ساخته شود، ارزیابی می‌شود که خودِ «هدف» دارویی چه خطری دارد. در این نقش شما راهبرد این ارزیابی را با ابزار محاسباتی تعیین می‌کنید؛ کاری که بیشتر قضاوت علمی است تا کدنویسی.
Develop and deliver integrated computational safety packages to support program and portfolio decisions
خروجی کار یک بستهٔ جمع‌بندی‌شده است که در جلسهٔ تصمیم‌گیری دربارهٔ ادامه یا توقف یک برنامه خوانده می‌شود. یعنی باید نتیجهٔ چند مدل و چند منبع داده را به یک روایت ریسک تبدیل کنید.
Advance AI/ML and multi omics–based models, including foundation models, for safety and liability prediction
کلمهٔ foundation models نشان می‌دهد سمت‌وسوی کار از مدل‌های تک‌منظوره به مدل‌های پایهٔ آموزش‌دیده بر دادهٔ زیستی می‌رود. برای کسی که از ML می‌آید این بخش آشناترین قسمت کار است.
Drive AI enabled Adverse Outcome Pathway (AoP) development to support mechanistic risk assessment
AOP زنجیرهٔ مکانیسمی از رویداد مولکولی تا آسیب بافتی است و تا امروز بیشتر دستی ساخته می‌شده. این وظیفه یعنی خودکار کردن بخشی از آن ساخت با AI؛ یکی از تازه‌ترین بخش‌های این شغل.
Proactively identify and communicate on target and off target safety risks
دو نوع خطر: ناشی از خودِ هدف دارو و ناشی از اتصال ناخواسته به پروتئین‌های دیگر. کلمهٔ proactively مهم است؛ انتظار این نیست که منتظر درخواست بمانید، باید خودتان خطر را پیدا و اعلام کنید.
Collaborate closely with Toxicology, Discovery, Clinical Safety, Bioinformatics, Data Science, and IT teams
شش تیم در یک خط. تصویر واقعی این شغل همین است: شما در مرکز چند واحد می‌نشینید و بخش زیادی از وقتتان هماهنگی و ترجمهٔ بین آن‌هاست.
Serve as a bridge and clearly communicate complex computational insights to multidisciplinary stakeholders.
آگهی «پل بودن» را جزو وظایف رسمی آورده است، نه مهارت جانبی. اگر توضیح دادن را دوست ندارید، این نقش برایتان خسته‌کننده می‌شود.
نتیجه‌گیری کلی
این آگهی نشان می‌دهد شکل واقعی این شغل در یک شرکت دارویی بزرگ چیست: واحدی به نام Computational Safety، کاری که از ارزیابی خطر هدف دارویی تا مدل‌های پایهٔ multi-omics و مسیرهای پیامد نامطلوب را در بر می‌گیرد، و ایمنی قلبی در آن یکی از چند liability است، نه عنوان شغل. بازهٔ حقوق هر دو سطح چاپ شده است: ۱۴۰٬۸۰۰ تا ۲۱۱٬۲۰۰ دلار برای Principal و ۱۷۰٬۰۰۰ تا ۲۶۹٬۰۰۰ دلار برای Senior Principal. در مقابل، تنها آگهی تخصصی قلب که در این بررسی پیدا شد، آگهی Cardiovascular NAMs در Eli Lilly بود که خودش را «عمدتاً آزمایشگاهی» معرفی می‌کند؛ پس اگر هدفتان کار محاسباتی است، آگهی‌هایی از جنس همین آگهی Boehringer Ingelheim را هدف بگیرید.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS برای گروه شغلی Medical Scientists در آمریکا رشد ۱۳٪ از ۲۰۲۵ تا ۲۰۳۵ را پیش‌بینی می‌کند که «بسیار سریع‌تر از میانگین» است، و می‌گوید به‌طور میانگین سالانه حدود ۱۰٬۵۰۰ فرصت شغلی در این گروه ایجاد می‌شود. همین صفحهٔ BLS سم‌شناسان را عضو این گروه می‌داند: «سم‌شناسان اثرهای منفی مواد شیمیایی و آلاینده‌ها بر سلامت انسان را مطالعه می‌کنند.» توجه کنید که این گروه رسمی، پژوهشگران آزمایشگاهی و دانشگاهی را هم در بر می‌گیرد، پس رقم مخصوص نسخهٔ محاسباتی این کار نیست.
منبع: BLS Occupational Outlook Handbook — Medical Scientists (Employment Projections 2025–2035)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
به نوشتهٔ شرح نقش پروژهٔ دانشگاه Nottingham، دولت بریتانیا هدف گذاشته است مطالعات ایمنی قلبی‌عروقی درون‌تنی روی سگ و پریمات را تا ۲۰۳۰ دست‌کم ۵۰٪ کاهش دهد؛ جای خالی این مطالعات را باید مدل‌های in vitro و in silico پر کنند.
FDA در نقشهٔ راه آوریل ۲۰۲۵ خود نوشته است که در بازهٔ بلندمدت ۳ تا ۵ سال هدفش این است که مطالعهٔ حیوانی در آزمون ایمنی و سمیت پیش‌بالینی به استثنا تبدیل شود و چشم‌اندازش این است که جعبه‌ابزار یکپارچهٔ NAMs، شامل مدل‌های سلولی انسانی و مدل‌های محاسباتی، به استاندارد تازه تبدیل شود.
BLS پیش‌بینی می‌کند اشتغال گروه Medical Scientists در آمریکا از ۱۸۱٬۰۰۰ نفر در ۲۰۲۵ با افزودن ۲۲٬۷۰۰ شغل به حدود ۲۰۳٬۷۰۰ نفر در ۲۰۳۵ برسد (۱۳٪ رشد)؛ سم‌شناسان جزو همین گروه‌اند.
سه ریسک روشن است. اول، تعداد آگهی: در جست‌وجوی سراسری ۱۲ نوامبر ۲۰۲۶، آگهی‌های آزمایشگاهی سم‌شناسی چند برابر آگهی‌های محاسباتی بودند و اکثر آگهی‌های محاسباتی در سطح Principal و بالاتر، یعنی راه ورود باریک است. دوم، وابستگی به سیاست‌گذاری: بخش بزرگی از رشد این حوزه به فشار نهادهای تنظیم‌گر برای کاهش آزمایش حیوانی گره خورده است؛ خودِ سند FDA هدف ۳ تا ۵ سالهٔ خود را مشروط به این می‌کند که روش‌های جدید اعتبارسنجی شوند و «همهٔ حوزه‌های حیاتی» را بپوشانند. سوم، جابه‌جایی تمرکز: چون ابزار عمومی ساخت مدل (از RDKit و Chemprop تا سرورهای آمادهٔ پیش‌بینی ADMET) در دسترس همه است، ارزش متخصص بیشتر در قضاوت دربارهٔ اعتبار و محدودهٔ کاربرد مدل است تا در آموزش دادن آن؛ همان چیزی که MHRA «ارزیابی نقادانهٔ روش‌های AI، کارایی مدل و رویکردهای اعتبارسنجی» می‌نامد.
منابع
اطلاعات این صفحه در تاریخ ۲۱ آبان ۱۴۰۵ از این ۳۵ منبع بررسی شده است.
- Senior Principal/ Principal Scientist, Computational Safety — Boehringer Ingelheim (job posting)
- Senior Data Scientist, Preclinical Sciences & Translational Safety — Johnson & Johnson (job posting)
- Principal ML Scientist – Predictive Toxicology — Apheris (job posting)
- Research Leader (Toxicology), London — Isomorphic Labs (job posting)
- Research Leader (Toxicology), Cambridge MA — Isomorphic Labs (job posting)
- Distinguished Scientist, Systems Toxicology — Sanofi (job posting)
- Post Doc Fellow, Computational Toxicology group / Nonclinical Drug Safety — Merck (job posting)
- Technical Lead, Medicines Safety Technologies — MHRA (job posting)
- Advisor / Senior Advisor, Cardiovascular NAMs – Investigative Toxicology — Eli Lilly (job posting)
- Associate Scientist III, Cardiac Modeling — insitro (job posting)
- Member of Technical Staff, Machine Learning — Inductive Bio (job posting)
- Director, Quantitative Systems Pharmacology — GSK (job posting)
- Investigative Safety Scientist/Toxicologist — Incyte (job posting)
- Research Associate/Fellow in Statistical Modelling, cardiovascular safety project — University of Nottingham (role profile, PDF)
- Senior Research Fellow in Cardiac Electrophysiology Modelling — University of Nottingham (role profile, PDF)
- BLS Occupational Outlook Handbook — Medical Scientists
- FDA — Roadmap to Reducing Animal Testing in Preclinical Safety Studies (PDF)
- CiPA — Comprehensive in vitro Proarrhythmia Assay initiative
- FDA/CiPA — in silico model code (GitHub)
- ICH — Safety Guidelines (S7B و پرسش‌وپاسخ E14/S7B)
- AOP-Wiki — Adverse Outcome Pathways
- Therapeutics Data Commons — Toxicity prediction tasks
- Tox21 Data Challenge — NCATS
- EPA ToxCast — Toxicity Forecasting
- EPA CompTox Chemicals Dashboard
- CDISC SEND — Standard for Exchange of Nonclinical Data
- Gary Mirams — research homepage, University of Nottingham
- Gary Mirams — University of Nottingham staff profile
- Nicholas Tatonetti — Wikipedia
- Alexander Tropsha — Wikipedia
- ADMET-AI — public ADMET/toxicity prediction server
- Chaste — Cancer, Heart and Soft Tissue Environment
- ApPredict — Cardiac Action Potential Prediction under drug-induced block
- Myokit — cardiac cellular electrophysiology simulation
- Lhasa Limited — Careers (ابزارهای in silico toxicology)