說到 Roche（羅氏），很多同學第一時間想到的是它的醫藥研發實力。 作為全球領先的生物製藥公司，Roche 在 AI for Drug Discovery 和 Precision Medicine 上的投入這幾年相當激進，因此 Data Scientist 的招聘也是長期熱門，尤其偏向懂 Healthcare 業務的交叉背景人才。
本篇是 programhelp 協助學員遠端準備 Roche DS 面試的實錄內容，我們協助同學從 coding 細節、domain knowledge 到 ML system design 全流程梳理，確保他不僅能寫出代碼，更能講出 reasoning。 這輪面試技術含量不低，很適合準備 pharma / biotech 方向 DS 崗位的朋友參考。
面試內容概覽（Technical Round）
| 模組 | 內容 | 難度 |
|---|---|---|
| Part 1 | Coding + 統計推斷 + Confounder 分析 | ⭐⭐⭐⭐☆ |
| Part 2 | ML system design（药物相互作用预测） | ⭐⭐⭐⭐☆ |
| Part 3 | 領域知識問答（Pharma-specific） | ⭐⭐⭐☆☆ |
面試一共分三塊內容：
第一部分：真實世界臨床試驗數據分析
面試官直接甩了一段簡化版 clinical trial 數據讓我看，核心變數有 treatment group、primary endpoint、response rate、adverse events、一些病人的 baseline 特徵。 我大概掃了一眼就意識到這題考的其實是——
“你能不能基於數據判斷某個藥有沒有效？”
所以我第一反應是跑了一下分組的均值和標準差，然後用 t-test 去檢驗 treatment vs control 的差異。
比較 tricky 的點是，面試官會追問你為啥選這個檢驗方法、有沒有考慮過 confounders。 幸好我平時在 healthcare 數據專案里遇到過類似的事，知道要看 baseline 是否平衡，所以我馬上接了：
“除了直接看 endpoint 差異，我也會去比較兩個 treatment group 在 age、baseline severity、comorbidity 這些變數上的分佈，確保組間沒有系統性差異。”
然後我寫了段 Python 代碼分別對這些變數做了 t-test 或 chi-square，看平衡性。
這塊我準備時 Programhelp 幫我理了一遍口徑，比如：
- continuous 變數 vs categorical 變數該怎麼檢驗？
- 什麼情況下我們要做 propensity score matching？
這種細節如果平時沒踩過坑，是很容易被面試官 challenge 住的。
第二部分：Machine Learning 設計題
這一輪面試官出的題很有趣，偏 system design：
“假如你要做一個預測藥物相互作用的模型，你怎麼設計？”
我本來腦海中第一反應是 classification 模型，但為了體現結構理解，我講了用 GNN（圖神經網路）建模，因為藥物本質是圖結構，原子 + 鍵的組合是天然 graph，GNN 可以 capture topology，比 fingerprint 更 expressive。
我按 Programhelp 教的思路講了四步：
- 數據層面：會從藥典、文獻資料庫、已知相互作用記錄中構建訓練數據。
- 特徵工程：包括分子結構、metabolic pathway、靶點等。
- 模型選擇：GNN + 一些 ensemble 方法做对比 baseline。
- 評估方式：用時間滑窗切分訓練測試，避免資訊洩漏，並提到 external validation 的必要性。
当时面试官点头频频，说：”你对 GNN 结构讲得挺清楚，validation strategy 也想得不错。”
第三部分：Pharma domain 知識問答
這一部分更像是在聊天，面試官問了幾個快問快答式的問題：
- “你怎麼看 real-world data 和 clinical trial data 的區別？”
- “FDA 對 ML 模型的規範瞭解多少？”
- “你們平時專案裡怎麼處理醫療數據的缺失？”
我不是專業做藥品審批的那種數據科學家，但 Programhelp 在模擬環節幫我整理過一些基本口徑，比如：
“RWD 可能更 representative，但 noise 也大，需要更 robust 的方法; FDA 目前有專門針對 AI/ML 的指導文檔，雖然我沒讀完，但知道要特別重視 reproducibility 和 explainability。 ”
這部分不一定考你會不會做，而是看你能不能用對話的方式傳達出你對這個行業的敏感度。
Programhelp 的協助體驗
這次準備過程中我最大的感受是：醫藥領域的 Data Scientist 面試不是在考「解題能力」，而是在看你能不能 用數據講出可信的故事。
Programhelp 幫我搭建的準備方式不是背範本，而是通過聯機 coding 和語音輔助的方式，邊講邊調邏輯，訓練我如何在 30 分鐘內把一個醫療問題拆清楚、分析到位、講清楚為什麼這樣做。 這點我覺得特別值，尤其對平時不做 healthcare 專案的同學來說是巨大的加速。
總結建議
Roche 的面試風格其實挺「科學家」風格的，追求邏輯清晰、解釋充分，對代碼沒那麼挑剔但很在意 reasoning。 建議大家：
面試前多看一些臨床數據分析論文，尤其是 treatment effect estimation 相關;
熟練掌握 t-test， chi-square， confounder 分析這些基礎統計思維;
多准备行业术语，哪怕你不是药学专业，但知道一些 regulatory trend 会很加分。
如果你也在準備 Roche / Pfizer / BMS / Merck 等 pharma DS 崗，建議早點找專業輔導一起過一遍系統的面試思路，不然可能連題目都讀不清楚。
我就是找的 programhelp，他們家有專門做 pharma & bioinformatics 面試輔導的方案，不止能幫你刷題，還會連線陪你推思路、講背景，真的省了我很多力氣。
