新課發布：虛擬細胞（跟著二十篇頂刊文章學虛擬細胞）

過去，單細胞數據分析的天花板，往往只是差異分析和細胞注釋。數據做完了，圖也畫全了，但真正決定文章層次的“機制深度”和“創新表達”，卻始終上不去。

而虛擬細胞與 AI 大模型的出現，正在把這層天花板徹底打開。它讓單細胞數據不再只是“看見細胞”，而是能夠進一步走向虛擬敲除、RNA 預測蛋白、空間推斷、調控網絡構建、藥物響應模擬和機制延伸，推動課題從“描述現象”躍升到“預測機制”，從而更容易形成高分文章真正需要的新意和深度。

更重要的是，虛擬細胞大模型方向正處在最明顯的技術紅利期：CSN頂刊和子刊密集發表、方法快速爆發、創新空間巨大、發高質量文章窗口剛剛打開。

01

課程特色

1.跟著二十篇CNS頂刊，系統學習和復現虛擬細胞
不是零散講概念，而是站在頂刊高度系統拆解虛擬細胞方向的核心模型、創新邏輯與發文路徑。

2.課程全面系統，徹底掌握虛擬細胞各領域概念
從AI基礎大模型到虛擬擾動預測，從RNA到蛋白翻譯到空間虛擬敲除，再到多尺度微環境建模與方法評估，幫助你建立完整知識框架。

3.不是只教跑代碼，而是結合頂刊AI大模型活用手頭數據
不只是學會幾個AI大模型的工具，而是真正知道不同方法適合什么數據、能解決什么問題、能支撐什么創新。

4.虛擬細胞技術紅利期，直接服務高分文章
幫助你把已有單細胞數據挖得更深，把現有課題做得更高，發真正高質量的文章。

02

課程核心模塊

課程總體分為八個模塊：

模塊一：虛擬細胞基礎大模型
系統理解虛擬細胞最核心的基礎模型框架。帶大家學習虛擬細胞為什么會成為單細胞與AI大模型結合的重要方向，掌握基礎模型的基本思想、任務定義與應用場景，為后續所有進階內容打下底層認知基礎。

模塊二：網絡生物學預測（轉錄調控網絡）
從單純看表達，進一步走向網絡層面的理解。通過前沿模型學習如何從序列、表達和表觀遺傳等信息中，挖掘更深層次的調控關系與網絡結構，理解虛擬細胞如何幫助我們從“看見細胞狀態”升級到“推斷調控邏輯”。

模塊三：scRNA-seq 虛擬蛋白組
聚焦單細胞轉錄組到蛋白組的跨模態預測，理解如何利用大模型從 RNA 信息進一步翻譯出蛋白表達層面的結果。這個模塊非常適合啟發大家如何把現有 scRNA-seq 數據繼續往更深層次挖掘，拓展新的分析維度和文章空間。

模塊四：基因擾動預測（虛擬敲除）
這是虛擬細胞最具想象力、也最具發文潛力的核心方向之一。課程會系統講解從單基因擾動到組合擾動、從虛擬敲除到藥物響應模擬的主流思路，讓大家真正理解虛擬細胞如何把單細胞數據從“描述現象”推進到“預測干預結果”。

模塊五：空間微環境與多尺度虛擬細胞
從單細胞進一步走向空間組織層面，理解虛擬細胞如何與空間組學結合，分析細胞間通訊、微環境變化與空間擾動效應。這個模塊重點體現虛擬細胞從單個細胞狀態預測，擴展到組織、微環境乃至個體層面的多尺度建模能力。

模塊六：形態學擾動預測— 從轉錄組到細胞圖像
聚焦從分子信息走向細胞形態學變化的預測，理解虛擬細胞如何連接轉錄組、藥物擾動與細胞圖像。這一部分能夠幫助大家打開跨模態研究思路，看到虛擬細胞不僅能預測表達變化，也能進一步預測表型變化。

模塊七：擾動動力學
不僅預測“擾動后會不會變”，還進一步理解“擾動后如何動態變化”。課程會帶大家認識發育軌跡、擾動響應、細胞命運轉變等動態預測思路，讓虛擬細胞從靜態分析走向更高層次的時間維度模擬。

模塊八：評估與基準測試
真正高質量的虛擬細胞研究，不只是會跑模型，更重要的是知道結果是否靠譜、方法如何比較、不同任務下該如何選模型。本模塊會系統講解擾動預測與虛擬細胞分析中的評估框架、常用指標和方法選擇邏輯，幫助大家建立更扎實、更規范的研究思維。

03

課程具體內容

模塊一：虛擬細胞的基礎模型

第1講：GET Foundation：GET (Gene Expression Transformer) 是一個從 DNA 可及性(ATAC)預測基因表達的基礎模型。它將細胞類型特異的表觀遺傳學信號與基因組序列結合，學習跨細胞類型的轉錄調控模式。【Nature主刊】

模型實現的功能：

1. PBMC 微調與 GRN 推斷：在 PBMC 數據上微調，推斷基因調控網絡

2. ATAC 評估：預測 ATAC-seq 可及性信號

3. 星形膠質細胞推斷：跨細胞類型的基因表達預測

4. Motif-ATAC 預測：轉錄因子結合 motif 的可及性預測

課程內容：

1.模型微調與GRN：① 加載 GET 預訓練模型 ② 加載 PBMC 微調 checkpoint ③ 推理基因表達 ④ 提取注意力矩陣 ⑤ 構建 GRN（含 R pcalg 因果分析）

2.模型ATAC 預測評估：① 加載 ATAC 預測模型 ② 預測 TSS 可及性 ③ 評估 Pearson 相關 ④ 可視化預測 vs 真實

3.模型細胞推斷：① 加載星形膠質細胞數據 ② 跨細胞類型表達推斷 ③ 比較不同細胞類型表達模式

4.模型Motif-ATAC預測：① TF 結合 motif 分析 ② Motif-ATAC 可及性預測 ③ 已知 TF motif 驗證

第2講：scGPT ：是一個基于 Transformer 的單細胞基礎模型，在 3300 萬個單細胞數據上預訓練。它使用生成式預訓練范式（類似 GPT），通過注意力掩碼的基因表達預測任務來學習細胞和基因的通用表示。該模型可以通過微調用于多種下游任務。【Nature Methods】

模型實現的功能：

1. 細胞類型注釋 — 使用預訓練模型微調后對未見過的細胞進行分類

2. 批次整合 — 消除不同實驗批次間的技術變異

3. 基因擾動預測 — 預測基因敲除后的轉錄組變化

4. 基因調控網絡推斷 — 通過基因嵌入和注意力矩陣推斷 GRN

課程內容：

1.細胞注釋：① 加載預訓練 scGPT 模型 ② 加載微調后的注釋 checkpoint ③ 對 PBMC 10K 數據推理 ④ 預測細胞類型標簽 ⑤ 生成混淆矩陣 ⑥ 計算準確率指標

2.批次整合：① 加載 Immune_ALL_human 多批次數據 ② 加載微調后整合模型 ③ 生成細胞嵌入 ④ UMAP 可視化批次效應消除 ⑤ 計算 batch mixing 指標

3.擾動預測：① 加載 Adamson Perturb-seq 數據 ② 加載擾動微調 checkpoint ③ 預測基因敲除后表達變化 ④ 計算 Pearson 相關系數 ⑤ 比較預測 vs 真實表達

4.GRN嵌入：① 加載基因嵌入矩陣 ② 計算基因間余弦相似度 ③ 構建基因調控網絡 ④ 可視化網絡拓撲 ⑤ 與已知 TF-target 關系對比

模塊二 ：網絡生物學預測--轉錄調控網絡

第3講：AlphaGenome：是 Google DeepMind 開發的統一 DNA 序列模型，能從 DNA 序列同時預測多種基因組特征（表達、可及性、甲基化、組蛋白修飾等）。【Nature主刊】

模型實現的功能：

1. 多模態預測：從 DNA 序列預測 7000+ 個基因組 track

2. 變異效應評估： 評估 SNP 對基因組特征的影響

課程內容：

1.AlphaGenome快速入門與多模態預測：① 加載 AlphaGenome 模型(~450M params) ② 輸入 DNA 序列 ③ 預測多種基因組 track ④ 可視化預測結果 ⑤ 復現 5 個關鍵論文圖

2.AlphaGenome的變異效應評估基準：① 加載 19 個預計算評估基準 ② AUROC/AUPRC/Spearman 評估 ③ 與其他模型對比

第4講scPRINT：scPRINT 在 5000 萬個單細胞上預訓練的大規模 Transformer 模型，支持零樣本（無需微調）的多種下游任務。【NC

模型實現的功能：

1. 細胞嵌入與零樣本分類：不需要微調即可嵌入和分類細胞

2. GRN 推斷：通過注意力矩陣推斷基因調控網絡

3. 去噪與表達恢復：恢復 dropout 造成的零值

課程內容：

1.細胞嵌入與零樣本預測：① 加載 scPRINT medium-v1.5 模型 ② 零樣本細胞嵌入 ③ UMAP 可視化 ④ kNN 分類準確率 ⑤ 混淆矩陣

2.GRN推斷：① 提取注意力矩陣 ② 構建基因調控網絡 ③ GRN 熱力圖 ④ 網絡圖可視化 ⑤ 與已知 TF 對比

3.去噪與表達恢復：① 表達值去噪 ② 散點圖對比 ③ 分布對比 ④ marker 基因熱力圖

模塊三：scRNAseq 虛擬蛋白組

第5講：scTranslator使用Performer FAVOR+ 架構，從單細胞轉錄組(RNA)直接預測蛋白質組(protein)表達。117M 參數，在 200 萬個細胞上預訓練。【Nature Biomedical Engineering】

課程內容：

1.蛋白質豐度預測：① 加載 scTranslator 模型(117M params, 449MB) ② RNA→Protein 翻譯推理 ③ 預測 vs 真實蛋白質豐度對比 ④ Pearson 相關評估

2.偽基因敲除與下游分析：① 模擬基因敲除(置零) ② 預測蛋白質組變化 ③ 差異蛋白分析 ④ 聚類可視化 |

模塊四 ：基因擾動預測：從單基因到組合CRISPR 虛擬敲除

第6講：STATE：是 ARC Institute 開發的擾動響應預測基礎模型，在 Replogle 等大規模 Perturb-seq 數據集上預訓練。支持 few-shot 預測未見過的基因擾動。【bioRxiv】

課程內容：

1.數據加載與架構介紹：① K562 評估數據加載 ② 擾動分布可視化 ③ 表達對比(擾動 vs 對照) ④ PCA 可視化

2.擾動響應預測：① 加載 ST-HVG-Replogle 模型(10M params) ② 推理預測 ③ DE 基因對比 ④ Pearson r 評估

3.結果分析與可視化：① 熱力圖可視化 ② 通路聚類分析 ③ 預測方向分析

第7講：dbDiffusion ：dbDiffusion 使用 VAE + 擴散模型的組合來預測基因擾動后的轉錄組變化，并通過去偏差技術消除觀測數據中的混雜因素偏差。【PNAS】

課程內容：

1.數據探索與擾動聚類：① 加載 Yao Perturb-seq 數據(8000 cells) ② PCA + Leiden 聚類 ③ UMAP 可視化

2.擴散模型采樣與可視化：加載 VAE(22MB) + Diffusion(20MB) 模型 ② 擴散采樣生成 ③ VAE 解碼 ④ UMAP 對比

3.去偏差推斷與評估：① PPI 網絡去偏 ② 置信區間估計 ③ 火山圖可視化

第8講：GEARS ：GEARS 使用圖神經網絡(GNN) 結合知識圖譜預測單基因和組合基因擾動后的轉錄組變化。創新點是能預測未見過的基因組合的協同效應。【Nature Biotechnology】

課程內容：

1.數據加載與探索：① 加載 Norman K562 數據(降采樣版) ② 擾動條件統計 ③ UMAP 可視化 ④ 數據分割分析

2.擾動預測推理：① 加載 GEARS 模型(8.9MB) ② 單基因擾動預測 ③ 組合擾動預測 ④ Top 20 DE 基因 MSE ⑤ GI 分析

3.模型評估與可視化：① 全數據集評估 ② Pearson 相關(0.987) ③ MSE/方向錯誤率 ④ 子組對比(1-gene vs 2-gene)

第9講：Prnet：是一個條件 VAE (CVAE) 模型，對Bulk進行基因擾動，PRnet 利用藥物分子結構(SMILES→Morgan Fingerprint)和基因表達數據，預測新化合物處理后的轉錄組變化。【NC】

模型實現的功能：

1. LINCS L1000 數據探索：大規模化合物擾動數據集 + SMILES 編碼

2. 藥物擾動響應預測：預測新化合物的轉錄效應

3. 潛在空間與連接性分析：藥物嵌入 t-SNE + 連接性評分

課程內容：

1.數據加載與PRnet架構介紹：① LINCS L1000 demo 數據(681 cells, 978 genes, 350 drugs) ② SMILES 編碼展示 ③ Morgan Fingerprint 生成 ④ PRnet CVAE 架構

2.藥物擾動響應預測：① 加載預訓練 PRnet(0.5M-2.5M params) ② 推理預測 ③ R2/Pearson 評估 ④ 散點圖

3.潛在空間與藥物嵌入分析：① 潛在空間 t-SNE ② 余弦相似度熱力圖 ③ 連接性評分

第10講：scTenifoldKnk：基因調控網絡（GRN）的拓撲結構隱含了基因之間的功能依賴，刪除某基因會改變網絡平衡。因此，只要有 WT 的單細胞轉錄組，就能構建一個 GRN，并虛擬刪除目標基因，再觀察全局擾動。【Patterns】

課程內容：

1.通過 PC 回歸+ tensor decomposition 構建去噪 GRN

2.虛擬 KO =人為將基因的調控影響“清零”

3.流形對齊揭示 KO 前后每個基因的擾動程度

第11講：scGen：是一個基于變分自編碼器（VAE）的單細胞擾動預測模型，核心思想是在低維潛在空間中學習細胞狀態變化，再通過向量運算（vector arithmetics）來模擬刺激、感染、藥物處理或基因擾動帶來的轉錄組響應。【Nature Methods】

模型實現的功能：
1. 擾動響應預測：根據對照組細胞，預測刺激、感染、藥物處理或基因敲除后的表達變化
2. 跨細胞類型泛化：訓練時未見過的細胞類型，也可以推測其受擾動后的狀態
3. 跨研究預測：可把一個研究中學到的刺激效應，遷移到另一個只有對照組的數據集中
4. 跨物種預測：可結合物種差異向量與擾動差異向量，推斷另一物種的擾動響應

課程內容：

1. 模型原理：① 理解 VAE 編碼器—解碼器結構 ② 理解 scGen 如何在潛在空間中學習擾動向量 δ ③ 掌握“對照細胞 + 擾動向量 = 預測擾動細胞”的核心思想 ④ 理解為什么 scGen 適合做單細胞擾動外推預測。

2. 擾動預測：① 加載單細胞數據 ② 訓練 scGen 模型學習潛在空間表示 ③ 估計擾動差異向量 ④ 對未見細胞類型進行擾動狀態預測 ⑤ 比較預測表達與真實表達 ⑥ 計算 Pearson 相關或 R2 等指標評估預測效果

3. 感染響應預測：① 加載感染數據 ② 學習感染前后狀態變化 ③ 預測未見細胞群感染后的表達譜 ④ 比較 top DEGs 與整體表達相關性

4. 跨研究遷移：① 以研究A中“對照+刺激”數據訓練模型 ② 導入研究B中僅有對照的數據 ③ 將研究A學到的刺激效應遷移到研究B ④ 預測研究B細胞若被刺激后會呈現的表達狀態 ⑤ 檢查關鍵響應基因是否被成功恢復。

第12講GenKI：是一個基于變分圖自編碼器（VGAE）的虛擬基因敲除推斷方法，專門用于在只有野生型（WT）單細胞轉錄組數據、沒有真實敲除樣本的情況下，預測某個基因被敲除后可能引起的轉錄組變化。【NAR】

模型實現的功能：

1.虛擬基因敲除推斷：在沒有真實 KO 樣本時，直接基于 WT scRNA-seq 數據模擬目標基因敲除效應。

2.KO 響應基因識別：通過比較 WT 與虛擬 KO 狀態下的潛在分布差異，篩選受擾動最顯著的基因。

3.基因調控網絡輔助解析：將基因表達信息與 scGRN 共同建模，比單純做差異分析更容易抓到功能關聯基因。

4.雙基因敲除模擬：不僅可做單基因 KO，還可進一步擴展到雙基因聯合敲除效應預測。

課程內容：

1.虛擬敲除基礎分析：① 加載 WT 單細胞表達矩陣 ② 構建單細胞基因調控網絡（scGRN） ③ 訓練 GenKI 的 VGAE 模型 ④ 設定目標基因進行虛擬敲除 ⑤ 計算 WT 與虛擬 KO 的潛在分布差異 ⑥ 輸出 KO-responsive genes 排名。

2.模型原理與訓練：① 理解 GenKI 如何聯合表達矩陣和調控網絡建模 ② 學習 VGAE 編碼器—解碼器結構 ③ 掌握 KL divergence 在 KO 響應基因識別中的作用 ④ 了解 bagging 提高結果穩定性的思路。

3.功能富集與網絡解釋：① 對 KO-responsive genes 做 GO/通路富集 ② 構建 STRING 蛋白互作網絡 ③ 從功能模塊角度解釋目標基因作用 ④ 比較預測結果與已知文獻結論的一致性。

模塊五 ：空間微環境與多尺度虛擬細胞 — 前沿與展望

第13講：Celcomen：在空間分辨率下進行因果解耦建模，利用空間轉錄組數據（如 10x Xenium）學習細胞間通訊的因果結構，然后預測虛擬擾動的空間效應。由 CCE (Causal Cell-cell Effect) + SCE (Spatial Causal Effect) 兩個模塊組成。【NC】

模型實現的功能：空間轉錄組中的預測基因或細胞擾動后空間組織改變，細胞被敲掉一個基因后，周圍組織會發生什么？

課程內容：

1.環境驗證與空間數據探索：① 10x Xenium GBM 數據(1781 cells × 473 genes) ② 空間坐標可視化 ③ 細胞類型分布

2.模擬數據自一致性驗證：① 生成模擬數據 ② 自一致性檢驗 ③ 因果發現驗證

3.空間因果推斷與擾動分析：① CCE 因果推斷(CPU ~2s) ② 加載 GPU 訓練的 SCE 權重 ③ 空間擾動預測 ④ 因果效應可視化

第14講：Nicheformer：是一個 49.3M 參數的 Transformer Encoder 基礎模型，在單細胞和空間轉錄組數據上聯合預訓練。支持零樣本的細胞嵌入、標簽遷移、空間標簽預測等任務。【Nature Methods】

模型實現的功能：從基因表達預測細胞的空間位置

課程內容：

1.環境驗證與數據探索：① 模型架構介紹 ② PBMC 樣本數據加載 ③ 基因詞表對齊

2.Embedding生成與可視化：① HuggingFace from_pretrained 加載 ② 細胞嵌入提取 ③ UMAP 可視化 ④ 多層嵌入對比

3.空間標簽預測與遷移：① 零樣本標簽預測 ② kNN 標簽遷移 ③ 評估準確率

第15講：PULSAR：多尺度虛擬細胞架構，從單細胞表達→群體(multicellular)嵌入→個體(patient)級別表示。支持零樣本的年齡回歸、疾病分類、供體檢索等個體級別任務。【bioRxiv】

課程內容：

1.環境驗證與模型探索：① PULSAR-pbmc 模型(87.4M params) ② 架構探索 ③ 參數統計

2.零樣本年齡回歸預測：① OneK1K 數據(80 donors, 4000 cells) ② 供體嵌入生成 ③ 年齡回歸預測 ④ MAE/R2 評估

3.疾病分類與供體檢索：① Lupus 數據(60 donors, 4800 cells) ② SLE 疾病分類 ③ DONORxEMBED 供體檢索 ④ AUROC 評估

第16講：Tahoe-100M：是目前最大的單細胞化學擾動數據集，包含 1 億個單細胞、1100 種藥物、50 種癌癥細胞系。這是一篇數據資源論文，重點是數據集分析而非模型訓練。【bioRxiv】

課程內容：

1.數據集概覽與實驗設計：① 實驗設計(50細胞系×1100藥物) ② 元數據統計 ③ 藥物/細胞系分布

2.轉錄組景觀與批次效應：① UMAP 嵌入(預計算) ② 批次效應分析 ③ E-distance ④ 細胞周期

3.藥物響應機制與前沿展望：① DE 基因分析(pseudobulk) ② 藥物機制歸類 ③ Tahoe-x1 模型介紹

模塊六 ：形態學擾動預測 — 從轉錄組到細胞圖像

第17講：IMPA：基于 StarGANv2 的 GAN 風格遷移模型，從細胞熒光顯微鏡圖像預測藥物擾動導致的細胞形態變化。使用 Morgan Fingerprint 嵌入實現 zero-shot 泛化到未見過的藥物。【NC】

模型實現的功能：從轉錄組到細胞圖像

課程內容：

1.環境驗證與數據探索：① BBBC021 數據集探索 ② 6種藥物處理 ③ 細胞形態統計

2.藥物擾動形態預測：① 加載 StarGANv2 模型 ② 6種已知藥物的形態預測 ③ 生成vs真實對比

3.未知藥物預測與擾動空間：① Zero-shot 未知藥物預測 ② PCA 形態學空間分析

模塊七 ：擾動動力學 — 從靜態預測到時間軌跡模擬

第18講：Squidiff：使用條件 DDIM 擴散模型預測單細胞轉錄組的動態變化（發育軌跡 + 擾動響應 + 藥物組合效應）【Nature Methods】

課程內容：

1.模擬數據與擴散過程：① 模擬數據生成 ② 擴散過程可視化 ③ DDIM 采樣 ④ 模型訓練(CPU ~4.5min)

2.基因擾動預測：① 加載擾動模型(197MB) ② 基因敲除預測 ③ 預測 vs 真實對比

3.藥物組合效應預測：① 加載藥物模型 ② 單藥/組合藥效預測 ③ 協同效應分析

第19講：CellOracle：通過線性回歸構建基因調控網絡(GRN)，然后模擬轉錄因子(TF)敲除對細胞狀態的影響。純 CPU 計算（無神經網絡），基于統計方法。【Nature主刊】

課程內容：

1.環境驗證與數據探索：① CellOracle 安裝驗證 ② Paul 2015 造血數據加載 ③ 細胞分群可視化

2.GRN構建與網絡分析：① 基于 scATAC 的 base GRN 構建 ② 線性回歸 GRN 擬合 ③ 網絡連接度分析

3.TF擾動模擬與可視化：① Gata1 KO 模擬 ② Spi1 KO 模擬 ③ 擾動效應可視化 ④ 細胞命運轉換分析

模塊八 ：評估與基準測試 — 如何判斷擾動預測靠不靠譜？

第20講：scPerturBench：對 27 種擾動預測方法在 29 個數據集上進行了系統評估，使用 6 種評估指標，揭示了不同方法在不同場景下的優劣勢，并提供了方法選擇決策樹。【Nature Methods】

課程內容：

1.環境驗證與數據探索：① Kang IFN-β 數據集 ② 擾動前后對比 ③ 27方法×29數據集概覽

2.評估指標詳解與實現：① MSE ② PCC-delta ③ E-distance ④ Wasserstein ⑤ KL divergence ⑥ Common-DEGs — 6個指標從零實現

3.基準結果可視化與方法選擇：① 方法排名熱力圖 ② 性能對比 ③ 決策樹可視化

04

課程費用

標準版：2880元 ( 注：轉發朋友圈集贊20個可享受此價；原價3380元)

? 全方位學習： 直播授課 + 全套錄播（支持無限次回放）

? 教學答疑： 授課期間專屬學習群內導師一對一指導

? 配套資源： 全套核心代碼、教學數據、精美講義及大模型授權碼

永久答疑版（推薦）：3880元 ( 注：轉發朋友圈集贊20個可享受此價；原價4380元)

? 標準版全部權益

? 金牌售后： 七名全職助教團隊，每日 8:00 - 23:00 在線輪班，高效響應

? 科研助力： 提供個性化課題設計建議及數據分析一對一指導

? 持續更新： 優先獲取團隊最新研究資料與技術升級包

組團更優惠

兩人同行： 享 9折 優惠

三人及以上： 享 85折 巨大折扣

醫咖會超級會員、創始會員，在以上優惠的基礎上再減300

掃碼加微信咨詢課程

小咖一號（微信號：xys2016ykf）

05

課程收獲

1. 跟著二十篇頂刊系統掌握虛擬細胞完整框架
跟著二十篇CNS級頂刊系統學習和復現虛擬細胞，收獲對虛擬細胞方向形成全面、系統、成體系的認識。真正弄清楚虛擬細胞各大方向分別在做什么、解決什么問題、適合什么數據、能夠支撐什么創新。

2. 學會把虛擬細胞真正用到自己的單細胞課題中
把虛擬細胞方法真正遷移到自己的數據和課題里。無論你手里是普通 scRNA-seq、擾動數據，還是空間組學相關課題，學完之后都會更清楚：自己的數據還能往哪里挖、還能延伸出哪些分析、還能做出哪些新的文章點。

3. 從“基礎分析”升級到“機制預測”，把已有數據挖得更深
把單細胞數據伸到虛擬敲除、調控網絡、RNA預測蛋白、空間推斷、藥物響應模擬等方向，讓課題從“描述現象”走向“預測機制”，明顯提高文章深度和創新性。尤其對于手里已經有單細胞數據的研究人員來說，學會如何把現有數據的潛力真正釋放出來。爭取從同一批數據中做出更多成果、更多文章和更高質量的故事。

4. 建立“看懂頂刊—復現頂刊—借鑒頂刊—遷移頂刊”的能力閉環
學完以后，你會更有能力看懂前沿工作、復現核心思路、借鑒頂刊框架，并把這些方法遷移到自己的課題設計和成果產出中，把前沿技術真正轉化成自己的科研競爭力。