新課發(fā)布：虛擬細(xì)胞（跟著二十篇頂刊文章學(xué)虛擬細(xì)胞）

過去，單細(xì)胞數(shù)據(jù)分析的天花板，往往只是差異分析和細(xì)胞注釋。數(shù)據(jù)做完了，圖也畫全了，但真正決定文章層次的“機(jī)制深度”和“創(chuàng)新表達(dá)”，卻始終上不去。

而虛擬細(xì)胞與 AI 大模型的出現(xiàn)，正在把這層天花板徹底打開。它讓單細(xì)胞數(shù)據(jù)不再只是“看見細(xì)胞”，而是能夠進(jìn)一步走向虛擬敲除、RNA 預(yù)測(cè)蛋白、空間推斷、調(diào)控網(wǎng)絡(luò)構(gòu)建、藥物響應(yīng)模擬和機(jī)制延伸，推動(dòng)課題從“描述現(xiàn)象”躍升到“預(yù)測(cè)機(jī)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(xì)胞大模型方向正處在最明顯的技術(shù)紅利期：CSN頂刊和子刊密集發(fā)表、方法快速爆發(fā)、創(chuàng)新空間巨大、發(fā)高質(zhì)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(tǒng)學(xué)習(xí)和復(fù)現(xiàn)虛擬細(xì)胞
不是零散講概念，而是站在頂刊高度系統(tǒng)拆解虛擬細(xì)胞方向的核心模型、創(chuàng)新邏輯與發(fā)文路徑。

2.課程全面系統(tǒng)，徹底掌握虛擬細(xì)胞各領(lǐng)域概念
從AI基礎(chǔ)大模型到虛擬擾動(dòng)預(yù)測(cè)，從RNA到蛋白翻譯到空間虛擬敲除，再到多尺度微環(huán)境建模與方法評(píng)估，幫助你建立完整知識(shí)框架。

3.不是只教跑代碼，而是結(jié)合頂刊AI大模型活用手頭數(shù)據(jù)
不只是學(xué)會(huì)幾個(gè)AI大模型的工具，而是真正知道不同方法適合什么數(shù)據(jù)、能解決什么問題、能支撐什么創(chuàng)新。

4.虛擬細(xì)胞技術(shù)紅利期，直接服務(wù)高分文章
幫助你把已有單細(xì)胞數(shù)據(jù)挖得更深，把現(xiàn)有課題做得更高，發(fā)真正高質(zhì)量的文章。

02

課程核心模塊

課程總體分為八個(gè)模塊：

模塊一：虛擬細(xì)胞基礎(chǔ)大模型
系統(tǒng)理解虛擬細(xì)胞最核心的基礎(chǔ)模型框架。帶大家學(xué)習(xí)虛擬細(xì)胞為什么會(huì)成為單細(xì)胞與AI大模型結(jié)合的重要方向，掌握基礎(chǔ)模型的基本思想、任務(wù)定義與應(yīng)用場(chǎng)景，為后續(xù)所有進(jìn)階內(nèi)容打下底層認(rèn)知基礎(chǔ)。

模塊二：網(wǎng)絡(luò)生物學(xué)預(yù)測(cè)（轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)）
從單純看表達(dá)，進(jìn)一步走向網(wǎng)絡(luò)層面的理解。通過前沿模型學(xué)習(xí)如何從序列、表達(dá)和表觀遺傳等信息中，挖掘更深層次的調(diào)控關(guān)系與網(wǎng)絡(luò)結(jié)構(gòu)，理解虛擬細(xì)胞如何幫助我們從“看見細(xì)胞狀態(tài)”升級(jí)到“推斷調(diào)控邏輯”。

模塊三：scRNA-seq 虛擬蛋白組
聚焦單細(xì)胞轉(zhuǎn)錄組到蛋白組的跨模態(tài)預(yù)測(cè)，理解如何利用大模型從 RNA 信息進(jìn)一步翻譯出蛋白表達(dá)層面的結(jié)果。這個(gè)模塊非常適合啟發(fā)大家如何把現(xiàn)有 scRNA-seq 數(shù)據(jù)繼續(xù)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(dòng)預(yù)測(cè)（虛擬敲除）
這是虛擬細(xì)胞最具想象力、也最具發(fā)文潛力的核心方向之一。課程會(huì)系統(tǒng)講解從單基因擾動(dòng)到組合擾動(dòng)、從虛擬敲除到藥物響應(yīng)模擬的主流思路，讓大家真正理解虛擬細(xì)胞如何把單細(xì)胞數(shù)據(jù)從“描述現(xiàn)象”推進(jìn)到“預(yù)測(cè)干預(yù)結(jié)果”。

模塊五：空間微環(huán)境與多尺度虛擬細(xì)胞
從單細(xì)胞進(jìn)一步走向空間組織層面，理解虛擬細(xì)胞如何與空間組學(xué)結(jié)合，分析細(xì)胞間通訊、微環(huán)境變化與空間擾動(dòng)效應(yīng)。這個(gè)模塊重點(diǎn)體現(xiàn)虛擬細(xì)胞從單個(gè)細(xì)胞狀態(tài)預(yù)測(cè)，擴(kuò)展到組織、微環(huán)境乃至個(gè)體層面的多尺度建模能力。

模塊六：形態(tài)學(xué)擾動(dòng)預(yù)測(cè)— 從轉(zhuǎn)錄組到細(xì)胞圖像
聚焦從分子信息走向細(xì)胞形態(tài)學(xué)變化的預(yù)測(cè)，理解虛擬細(xì)胞如何連接轉(zhuǎn)錄組、藥物擾動(dòng)與細(xì)胞圖像。這一部分能夠幫助大家打開跨模態(tài)研究思路，看到虛擬細(xì)胞不僅能預(yù)測(cè)表達(dá)變化，也能進(jìn)一步預(yù)測(cè)表型變化。

模塊七：擾動(dòng)動(dòng)力學(xué)
不僅預(yù)測(cè)“擾動(dòng)后會(huì)不會(huì)變”，還進(jìn)一步理解“擾動(dòng)后如何動(dòng)態(tài)變化”。課程會(huì)帶大家認(rèn)識(shí)發(fā)育軌跡、擾動(dòng)響應(yīng)、細(xì)胞命運(yùn)轉(zhuǎn)變等動(dòng)態(tài)預(yù)測(cè)思路，讓虛擬細(xì)胞從靜態(tài)分析走向更高層次的時(shí)間維度模擬。

模塊八：評(píng)估與基準(zhǔn)測(cè)試
真正高質(zhì)量的虛擬細(xì)胞研究，不只是會(huì)跑模型，更重要的是知道結(jié)果是否靠譜、方法如何比較、不同任務(wù)下該如何選模型。本模塊會(huì)系統(tǒng)講解擾動(dòng)預(yù)測(cè)與虛擬細(xì)胞分析中的評(píng)估框架、常用指標(biāo)和方法選擇邏輯，幫助大家建立更扎實(shí)、更規(guī)范的研究思維。

03

課程具體內(nèi)容

模塊一：虛擬細(xì)胞的基礎(chǔ)模型

第1講：GET Foundation：GET (Gene Expression Transformer) 是一個(gè)從 DNA 可及性(ATAC)預(yù)測(cè)基因表達(dá)的基礎(chǔ)模型。它將細(xì)胞類型特異的表觀遺傳學(xué)信號(hào)與基因組序列結(jié)合，學(xué)習(xí)跨細(xì)胞類型的轉(zhuǎn)錄調(diào)控模式。【Nature主刊】

模型實(shí)現(xiàn)的功能：

1. PBMC 微調(diào)與 GRN 推斷：在 PBMC 數(shù)據(jù)上微調(diào)，推斷基因調(diào)控網(wǎng)絡(luò)

2. ATAC 評(píng)估：預(yù)測(cè) ATAC-seq 可及性信號(hào)

3. 星形膠質(zhì)細(xì)胞推斷：跨細(xì)胞類型的基因表達(dá)預(yù)測(cè)

4. Motif-ATAC 預(yù)測(cè)：轉(zhuǎn)錄因子結(jié)合 motif 的可及性預(yù)測(cè)

課程內(nèi)容：

1.模型微調(diào)與GRN：① 加載 GET 預(yù)訓(xùn)練模型 ② 加載 PBMC 微調(diào) checkpoint ③ 推理基因表達(dá) ④ 提取注意力矩陣 ⑤ 構(gòu)建 GRN（含 R pcalg 因果分析）

2.模型ATAC 預(yù)測(cè)評(píng)估：① 加載 ATAC 預(yù)測(cè)模型 ② 預(yù)測(cè) TSS 可及性 ③ 評(píng)估 Pearson 相關(guān) ④ 可視化預(yù)測(cè) vs 真實(shí)

3.模型細(xì)胞推斷：① 加載星形膠質(zhì)細(xì)胞數(shù)據(jù) ② 跨細(xì)胞類型表達(dá)推斷 ③ 比較不同細(xì)胞類型表達(dá)模式

4.模型Motif-ATAC預(yù)測(cè)：① TF 結(jié)合 motif 分析 ② Motif-ATAC 可及性預(yù)測(cè) ③ 已知 TF motif 驗(yàn)證

第2講：scGPT ：是一個(gè)基于 Transformer 的單細(xì)胞基礎(chǔ)模型，在 3300 萬(wàn)個(gè)單細(xì)胞數(shù)據(jù)上預(yù)訓(xùn)練。它使用生成式預(yù)訓(xùn)練范式（類似 GPT），通過注意力掩碼的基因表達(dá)預(yù)測(cè)任務(wù)來學(xué)習(xí)細(xì)胞和基因的通用表示。該模型可以通過微調(diào)用于多種下游任務(wù)。【Nature Methods】

模型實(shí)現(xiàn)的功能：

1. 細(xì)胞類型注釋 — 使用預(yù)訓(xùn)練模型微調(diào)后對(duì)未見過的細(xì)胞進(jìn)行分類

2. 批次整合 — 消除不同實(shí)驗(yàn)批次間的技術(shù)變異

3. 基因擾動(dòng)預(yù)測(cè) — 預(yù)測(cè)基因敲除后的轉(zhuǎn)錄組變化

4. 基因調(diào)控網(wǎng)絡(luò)推斷 — 通過基因嵌入和注意力矩陣推斷 GRN

課程內(nèi)容：

1.細(xì)胞注釋：① 加載預(yù)訓(xùn)練 scGPT 模型 ② 加載微調(diào)后的注釋 checkpoint ③ 對(duì) PBMC 10K 數(shù)據(jù)推理 ④ 預(yù)測(cè)細(xì)胞類型標(biāo)簽 ⑤ 生成混淆矩陣 ⑥ 計(jì)算準(zhǔn)確率指標(biāo)

2.批次整合：① 加載 Immune_ALL_human 多批次數(shù)據(jù) ② 加載微調(diào)后整合模型 ③ 生成細(xì)胞嵌入 ④ UMAP 可視化批次效應(yīng)消除 ⑤ 計(jì)算 batch mixing 指標(biāo)

3.擾動(dòng)預(yù)測(cè)：① 加載 Adamson Perturb-seq 數(shù)據(jù) ② 加載擾動(dòng)微調(diào) checkpoint ③ 預(yù)測(cè)基因敲除后表達(dá)變化 ④ 計(jì)算 Pearson 相關(guān)系數(shù) ⑤ 比較預(yù)測(cè) vs 真實(shí)表達(dá)

4.GRN嵌入：① 加載基因嵌入矩陣 ② 計(jì)算基因間余弦相似度 ③ 構(gòu)建基因調(diào)控網(wǎng)絡(luò) ④ 可視化網(wǎng)絡(luò)拓?fù)?⑤ 與已知 TF-target 關(guān)系對(duì)比

模塊二 ：網(wǎng)絡(luò)生物學(xué)預(yù)測(cè)--轉(zhuǎn)錄調(diào)控網(wǎng)絡(luò)

第3講：AlphaGenome：是 Google DeepMind 開發(fā)的統(tǒng)一 DNA 序列模型，能從 DNA 序列同時(shí)預(yù)測(cè)多種基因組特征（表達(dá)、可及性、甲基化、組蛋白修飾等）。【Nature主刊】

模型實(shí)現(xiàn)的功能：

1. 多模態(tài)預(yù)測(cè)：從 DNA 序列預(yù)測(cè) 7000+ 個(gè)基因組 track

2. 變異效應(yīng)評(píng)估： 評(píng)估 SNP 對(duì)基因組特征的影響

課程內(nèi)容：

1.AlphaGenome快速入門與多模態(tài)預(yù)測(cè)：① 加載 AlphaGenome 模型(~450M params) ② 輸入 DNA 序列 ③ 預(yù)測(cè)多種基因組 track ④ 可視化預(yù)測(cè)結(jié)果 ⑤ 復(fù)現(xiàn) 5 個(gè)關(guān)鍵論文圖

2.AlphaGenome的變異效應(yīng)評(píng)估基準(zhǔn)：① 加載 19 個(gè)預(yù)計(jì)算評(píng)估基準(zhǔn) ② AUROC/AUPRC/Spearman 評(píng)估 ③ 與其他模型對(duì)比

第4講scPRINT：scPRINT 在 5000 萬(wàn)個(gè)單細(xì)胞上預(yù)訓(xùn)練的大規(guī)模 Transformer 模型，支持零樣本（無需微調(diào)）的多種下游任務(wù)。【NC

模型實(shí)現(xiàn)的功能：

1. 細(xì)胞嵌入與零樣本分類：不需要微調(diào)即可嵌入和分類細(xì)胞

2. GRN 推斷：通過注意力矩陣推斷基因調(diào)控網(wǎng)絡(luò)

3. 去噪與表達(dá)恢復(fù)：恢復(fù) dropout 造成的零值

課程內(nèi)容：

1.細(xì)胞嵌入與零樣本預(yù)測(cè)：① 加載 scPRINT medium-v1.5 模型 ② 零樣本細(xì)胞嵌入 ③ UMAP 可視化 ④ kNN 分類準(zhǔn)確率 ⑤ 混淆矩陣

2.GRN推斷：① 提取注意力矩陣 ② 構(gòu)建基因調(diào)控網(wǎng)絡(luò) ③ GRN 熱力圖 ④ 網(wǎng)絡(luò)圖可視化 ⑤ 與已知 TF 對(duì)比

3.去噪與表達(dá)恢復(fù)：① 表達(dá)值去噪 ② 散點(diǎn)圖對(duì)比 ③ 分布對(duì)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(gòu)，從單細(xì)胞轉(zhuǎn)錄組(RNA)直接預(yù)測(cè)蛋白質(zhì)組(protein)表達(dá)。117M 參數(shù)，在 200 萬(wàn)個(gè)細(xì)胞上預(yù)訓(xùn)練。【Nature Biomedical Engineering】

課程內(nèi)容：

1.蛋白質(zhì)豐度預(yù)測(cè)：① 加載 scTranslator 模型(117M params, 449MB) ② RNA→Protein 翻譯推理 ③ 預(yù)測(cè) vs 真實(shí)蛋白質(zhì)豐度對(duì)比 ④ Pearson 相關(guān)評(píng)估

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

模塊四 ：基因擾動(dòng)預(yù)測(cè)：從單基因到組合CRISPR 虛擬敲除

第6講：STATE：是 ARC Institute 開發(fā)的擾動(dòng)響應(yīng)預(yù)測(cè)基礎(chǔ)模型，在 Replogle 等大規(guī)模 Perturb-seq 數(shù)據(jù)集上預(yù)訓(xùn)練。支持 few-shot 預(yù)測(cè)未見過的基因擾動(dòng)。【bioRxiv】

課程內(nèi)容：

1.數(shù)據(jù)加載與架構(gòu)介紹：① K562 評(píng)估數(shù)據(jù)加載 ② 擾動(dòng)分布可視化 ③ 表達(dá)對(duì)比(擾動(dòng) vs 對(duì)照) ④ PCA 可視化

2.擾動(dòng)響應(yīng)預(yù)測(cè)：① 加載 ST-HVG-Replogle 模型(10M params) ② 推理預(yù)測(cè) ③ DE 基因?qū)Ρ?④ Pearson r 評(píng)估

3.結(jié)果分析與可視化：① 熱力圖可視化 ② 通路聚類分析 ③ 預(yù)測(cè)方向分析

第7講：dbDiffusion ：dbDiffusion 使用 VAE + 擴(kuò)散模型的組合來預(yù)測(cè)基因擾動(dòng)后的轉(zhuǎn)錄組變化，并通過去偏差技術(shù)消除觀測(cè)數(shù)據(jù)中的混雜因素偏差。【PNAS】

課程內(nèi)容：

1.數(shù)據(jù)探索與擾動(dòng)聚類：① 加載 Yao Perturb-seq 數(shù)據(jù)(8000 cells) ② PCA + Leiden 聚類 ③ UMAP 可視化

2.擴(kuò)散模型采樣與可視化：加載 VAE(22MB) + Diffusion(20MB) 模型 ② 擴(kuò)散采樣生成 ③ VAE 解碼 ④ UMAP 對(duì)比

3.去偏差推斷與評(píng)估：① PPI 網(wǎng)絡(luò)去偏 ② 置信區(qū)間估計(jì) ③ 火山圖可視化

第8講：GEARS ：GEARS 使用圖神經(jīng)網(wǎng)絡(luò)(GNN) 結(jié)合知識(shí)圖譜預(yù)測(cè)單基因和組合基因擾動(dòng)后的轉(zhuǎn)錄組變化。創(chuàng)新點(diǎn)是能預(yù)測(cè)未見過的基因組合的協(xié)同效應(yīng)。【Nature Biotechnology】

課程內(nèi)容：

1.數(shù)據(jù)加載與探索：① 加載 Norman K562 數(shù)據(jù)(降采樣版) ② 擾動(dòng)條件統(tǒng)計(jì) ③ UMAP 可視化 ④ 數(shù)據(jù)分割分析

2.擾動(dòng)預(yù)測(cè)推理：① 加載 GEARS 模型(8.9MB) ② 單基因擾動(dòng)預(yù)測(cè) ③ 組合擾動(dòng)預(yù)測(cè) ④ Top 20 DE 基因 MSE ⑤ GI 分析

3.模型評(píng)估與可視化：① 全數(shù)據(jù)集評(píng)估 ② Pearson 相關(guān)(0.987) ③ MSE/方向錯(cuò)誤率 ④ 子組對(duì)比(1-gene vs 2-gene)

第9講：Prnet：是一個(gè)條件 VAE (CVAE) 模型，對(duì)Bulk進(jìn)行基因擾動(dòng)，PRnet 利用藥物分子結(jié)構(gòu)(SMILES→Morgan Fingerprint)和基因表達(dá)數(shù)據(jù)，預(yù)測(cè)新化合物處理后的轉(zhuǎn)錄組變化。【NC】

模型實(shí)現(xiàn)的功能：

1. LINCS L1000 數(shù)據(jù)探索：大規(guī)模化合物擾動(dòng)數(shù)據(jù)集 + SMILES 編碼

2. 藥物擾動(dòng)響應(yīng)預(yù)測(cè)：預(yù)測(cè)新化合物的轉(zhuǎn)錄效應(yīng)

3. 潛在空間與連接性分析：藥物嵌入 t-SNE + 連接性評(píng)分

課程內(nèi)容：

1.數(shù)據(jù)加載與PRnet架構(gòu)介紹：① LINCS L1000 demo 數(shù)據(jù)(681 cells, 978 genes, 350 drugs) ② SMILES 編碼展示 ③ Morgan Fingerprint 生成 ④ PRnet CVAE 架構(gòu)

2.藥物擾動(dòng)響應(yīng)預(yù)測(cè)：① 加載預(yù)訓(xùn)練 PRnet(0.5M-2.5M params) ② 推理預(yù)測(cè) ③ R2/Pearson 評(píng)估 ④ 散點(diǎn)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(píng)分

第10講：scTenifoldKnk：基因調(diào)控網(wǎng)絡(luò)（GRN）的拓?fù)浣Y(jié)構(gòu)隱含了基因之間的功能依賴，刪除某基因會(huì)改變網(wǎng)絡(luò)平衡。因此，只要有 WT 的單細(xì)胞轉(zhuǎn)錄組，就能構(gòu)建一個(gè) GRN，并虛擬刪除目標(biāo)基因，再觀察全局?jǐn)_動(dòng)。【Patterns】

課程內(nèi)容：

1.通過 PC 回歸+ tensor decomposition 構(gòu)建去噪 GRN

2.虛擬 KO =人為將基因的調(diào)控影響“清零”

3.流形對(duì)齊揭示 KO 前后每個(gè)基因的擾動(dòng)程度

第11講：scGen：是一個(gè)基于變分自編碼器（VAE）的單細(xì)胞擾動(dòng)預(yù)測(cè)模型，核心思想是在低維潛在空間中學(xué)習(xí)細(xì)胞狀態(tài)變化，再通過向量運(yùn)算（vector arithmetics）來模擬刺激、感染、藥物處理或基因擾動(dòng)帶來的轉(zhuǎn)錄組響應(yīng)。【Nature Methods】

模型實(shí)現(xiàn)的功能：
1. 擾動(dòng)響應(yīng)預(yù)測(cè)：根據(jù)對(duì)照組細(xì)胞，預(yù)測(cè)刺激、感染、藥物處理或基因敲除后的表達(dá)變化
2. 跨細(xì)胞類型泛化：訓(xùn)練時(shí)未見過的細(xì)胞類型，也可以推測(cè)其受擾動(dòng)后的狀態(tài)
3. 跨研究預(yù)測(cè)：可把一個(gè)研究中學(xué)到的刺激效應(yīng)，遷移到另一個(gè)只有對(duì)照組的數(shù)據(jù)集中
4. 跨物種預(yù)測(cè)：可結(jié)合物種差異向量與擾動(dòng)差異向量，推斷另一物種的擾動(dòng)響應(yīng)

課程內(nèi)容：

1. 模型原理：① 理解 VAE 編碼器—解碼器結(jié)構(gòu) ② 理解 scGen 如何在潛在空間中學(xué)習(xí)擾動(dòng)向量 δ ③ 掌握“對(duì)照細(xì)胞 + 擾動(dòng)向量 = 預(yù)測(cè)擾動(dòng)細(xì)胞”的核心思想 ④ 理解為什么 scGen 適合做單細(xì)胞擾動(dòng)外推預(yù)測(cè)。

2. 擾動(dòng)預(yù)測(cè)：① 加載單細(xì)胞數(shù)據(jù) ② 訓(xùn)練 scGen 模型學(xué)習(xí)潛在空間表示 ③ 估計(jì)擾動(dòng)差異向量 ④ 對(duì)未見細(xì)胞類型進(jìn)行擾動(dòng)狀態(tài)預(yù)測(cè) ⑤ 比較預(yù)測(cè)表達(dá)與真實(shí)表達(dá) ⑥ 計(jì)算 Pearson 相關(guān)或 R2 等指標(biāo)評(píng)估預(yù)測(cè)效果

3. 感染響應(yīng)預(yù)測(cè)：① 加載感染數(shù)據(jù) ② 學(xué)習(xí)感染前后狀態(tài)變化 ③ 預(yù)測(cè)未見細(xì)胞群感染后的表達(dá)譜 ④ 比較 top DEGs 與整體表達(dá)相關(guān)性

4. 跨研究遷移：① 以研究A中“對(duì)照+刺激”數(shù)據(jù)訓(xùn)練模型 ② 導(dǎo)入研究B中僅有對(duì)照的數(shù)據(jù) ③ 將研究A學(xué)到的刺激效應(yīng)遷移到研究B ④ 預(yù)測(cè)研究B細(xì)胞若被刺激后會(huì)呈現(xiàn)的表達(dá)狀態(tài) ⑤ 檢查關(guān)鍵響應(yīng)基因是否被成功恢復(fù)。

第12講GenKI：是一個(gè)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(xì)胞轉(zhuǎn)錄組數(shù)據(jù)、沒有真實(shí)敲除樣本的情況下，預(yù)測(cè)某個(gè)基因被敲除后可能引起的轉(zhuǎn)錄組變化。【NAR】

模型實(shí)現(xiàn)的功能：

1.虛擬基因敲除推斷：在沒有真實(shí) KO 樣本時(shí)，直接基于 WT scRNA-seq 數(shù)據(jù)模擬目標(biāo)基因敲除效應(yīng)。

2.KO 響應(yīng)基因識(shí)別：通過比較 WT 與虛擬 KO 狀態(tài)下的潛在分布差異，篩選受擾動(dòng)最顯著的基因。

3.基因調(diào)控網(wǎng)絡(luò)輔助解析：將基因表達(dá)信息與 scGRN 共同建模，比單純做差異分析更容易抓到功能關(guān)聯(lián)基因。

4.雙基因敲除模擬：不僅可做單基因 KO，還可進(jìn)一步擴(kuò)展到雙基因聯(lián)合敲除效應(yīng)預(yù)測(cè)。

課程內(nèi)容：

1.虛擬敲除基礎(chǔ)分析：① 加載 WT 單細(xì)胞表達(dá)矩陣 ② 構(gòu)建單細(xì)胞基因調(diào)控網(wǎng)絡(luò)（scGRN） ③ 訓(xùn)練 GenKI 的 VGAE 模型 ④ 設(shè)定目標(biāo)基因進(jìn)行虛擬敲除 ⑤ 計(jì)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(xùn)練：① 理解 GenKI 如何聯(lián)合表達(dá)矩陣和調(diào)控網(wǎng)絡(luò)建模 ② 學(xué)習(xí) VGAE 編碼器—解碼器結(jié)構(gòu) ③ 掌握 KL divergence 在 KO 響應(yīng)基因識(shí)別中的作用 ④ 了解 bagging 提高結(jié)果穩(wěn)定性的思路。

3.功能富集與網(wǎng)絡(luò)解釋：① 對(duì) KO-responsive genes 做 GO/通路富集 ② 構(gòu)建 STRING 蛋白互作網(wǎng)絡(luò) ③ 從功能模塊角度解釋目標(biāo)基因作用 ④ 比較預(yù)測(cè)結(jié)果與已知文獻(xiàn)結(jié)論的一致性。

模塊五 ：空間微環(huán)境與多尺度虛擬細(xì)胞 — 前沿與展望

第13講：Celcomen：在空間分辨率下進(jìn)行因果解耦建模，利用空間轉(zhuǎn)錄組數(shù)據(jù)（如 10x Xenium）學(xué)習(xí)細(xì)胞間通訊的因果結(jié)構(gòu)，然后預(yù)測(cè)虛擬擾動(dòng)的空間效應(yīng)。由 CCE (Causal Cell-cell Effect) + SCE (Spatial Causal Effect) 兩個(gè)模塊組成。【NC】

模型實(shí)現(xiàn)的功能：空間轉(zhuǎn)錄組中的預(yù)測(cè)基因或細(xì)胞擾動(dòng)后空間組織改變，細(xì)胞被敲掉一個(gè)基因后，周圍組織會(huì)發(fā)生什么？

課程內(nèi)容：

1.環(huán)境驗(yàn)證與空間數(shù)據(jù)探索：① 10x Xenium GBM 數(shù)據(jù)(1781 cells × 473 genes) ② 空間坐標(biāo)可視化 ③ 細(xì)胞類型分布

2.模擬數(shù)據(jù)自一致性驗(yàn)證：① 生成模擬數(shù)據(jù) ② 自一致性檢驗(yàn) ③ 因果發(fā)現(xiàn)驗(yàn)證

3.空間因果推斷與擾動(dòng)分析：① CCE 因果推斷(CPU ~2s) ② 加載 GPU 訓(xùn)練的 SCE 權(quán)重 ③ 空間擾動(dòng)預(yù)測(cè) ④ 因果效應(yīng)可視化

第14講：Nicheformer：是一個(gè) 49.3M 參數(shù)的 Transformer Encoder 基礎(chǔ)模型，在單細(xì)胞和空間轉(zhuǎn)錄組數(shù)據(jù)上聯(lián)合預(yù)訓(xùn)練。支持零樣本的細(xì)胞嵌入、標(biāo)簽遷移、空間標(biāo)簽預(yù)測(cè)等任務(wù)。【Nature Methods】

模型實(shí)現(xiàn)的功能：從基因表達(dá)預(yù)測(cè)細(xì)胞的空間位置

課程內(nèi)容：

1.環(huán)境驗(yàn)證與數(shù)據(jù)探索：① 模型架構(gòu)介紹 ② PBMC 樣本數(shù)據(jù)加載 ③ 基因詞表對(duì)齊

2.Embedding生成與可視化：① HuggingFace from_pretrained 加載 ② 細(xì)胞嵌入提取 ③ UMAP 可視化 ④ 多層嵌入對(duì)比

3.空間標(biāo)簽預(yù)測(cè)與遷移：① 零樣本標(biāo)簽預(yù)測(cè) ② kNN 標(biāo)簽遷移 ③ 評(píng)估準(zhǔn)確率

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

課程內(nèi)容：

1.環(huán)境驗(yàn)證與模型探索：① PULSAR-pbmc 模型(87.4M params) ② 架構(gòu)探索 ③ 參數(shù)統(tǒng)計(jì)

2.零樣本年齡回歸預(yù)測(cè)：① OneK1K 數(shù)據(jù)(80 donors, 4000 cells) ② 供體嵌入生成 ③ 年齡回歸預(yù)測(cè) ④ MAE/R2 評(píng)估

3.疾病分類與供體檢索：① Lupus 數(shù)據(jù)(60 donors, 4800 cells) ② SLE 疾病分類 ③ DONORxEMBED 供體檢索 ④ AUROC 評(píng)估

第16講：Tahoe-100M：是目前最大的單細(xì)胞化學(xué)擾動(dòng)數(shù)據(jù)集，包含 1 億個(gè)單細(xì)胞、1100 種藥物、50 種癌癥細(xì)胞系。這是一篇數(shù)據(jù)資源論文，重點(diǎn)是數(shù)據(jù)集分析而非模型訓(xùn)練。【bioRxiv】

課程內(nèi)容：

1.數(shù)據(jù)集概覽與實(shí)驗(yàn)設(shè)計(jì)：① 實(shí)驗(yàn)設(shè)計(jì)(50細(xì)胞系×1100藥物) ② 元數(shù)據(jù)統(tǒng)計(jì) ③ 藥物/細(xì)胞系分布

2.轉(zhuǎn)錄組景觀與批次效應(yīng)：① UMAP 嵌入(預(yù)計(jì)算) ② 批次效應(yīng)分析 ③ E-distance ④ 細(xì)胞周期

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

模塊六 ：形態(tài)學(xué)擾動(dòng)預(yù)測(cè) — 從轉(zhuǎn)錄組到細(xì)胞圖像

第17講：IMPA：基于 StarGANv2 的 GAN 風(fēng)格遷移模型，從細(xì)胞熒光顯微鏡圖像預(yù)測(cè)藥物擾動(dòng)導(dǎo)致的細(xì)胞形態(tài)變化。使用 Morgan Fingerprint 嵌入實(shí)現(xiàn) zero-shot 泛化到未見過的藥物。【NC】

模型實(shí)現(xiàn)的功能：從轉(zhuǎn)錄組到細(xì)胞圖像

課程內(nèi)容：

1.環(huán)境驗(yàn)證與數(shù)據(jù)探索：① BBBC021 數(shù)據(jù)集探索 ② 6種藥物處理 ③ 細(xì)胞形態(tài)統(tǒng)計(jì)

2.藥物擾動(dòng)形態(tài)預(yù)測(cè)：① 加載 StarGANv2 模型 ② 6種已知藥物的形態(tài)預(yù)測(cè) ③ 生成vs真實(shí)對(duì)比

3.未知藥物預(yù)測(cè)與擾動(dòng)空間：① Zero-shot 未知藥物預(yù)測(cè) ② PCA 形態(tài)學(xué)空間分析

模塊七 ：擾動(dòng)動(dòng)力學(xué) — 從靜態(tài)預(yù)測(cè)到時(shí)間軌跡模擬

第18講：Squidiff：使用條件 DDIM 擴(kuò)散模型預(yù)測(cè)單細(xì)胞轉(zhuǎn)錄組的動(dòng)態(tài)變化（發(fā)育軌跡 + 擾動(dòng)響應(yīng) + 藥物組合效應(yīng)）【Nature Methods】

課程內(nèi)容：

1.模擬數(shù)據(jù)與擴(kuò)散過程：① 模擬數(shù)據(jù)生成 ② 擴(kuò)散過程可視化 ③ DDIM 采樣 ④ 模型訓(xùn)練(CPU ~4.5min)

2.基因擾動(dòng)預(yù)測(cè)：① 加載擾動(dòng)模型(197MB) ② 基因敲除預(yù)測(cè) ③ 預(yù)測(cè) vs 真實(shí)對(duì)比

3.藥物組合效應(yīng)預(yù)測(cè)：① 加載藥物模型 ② 單藥/組合藥效預(yù)測(cè) ③ 協(xié)同效應(yīng)分析

第19講：CellOracle：通過線性回歸構(gòu)建基因調(diào)控網(wǎng)絡(luò)(GRN)，然后模擬轉(zhuǎn)錄因子(TF)敲除對(duì)細(xì)胞狀態(tài)的影響。純 CPU 計(jì)算（無神經(jīng)網(wǎng)絡(luò)），基于統(tǒng)計(jì)方法。【Nature主刊】

課程內(nèi)容：

1.環(huán)境驗(yàn)證與數(shù)據(jù)探索：① CellOracle 安裝驗(yàn)證 ② Paul 2015 造血數(shù)據(jù)加載 ③ 細(xì)胞分群可視化

2.GRN構(gòu)建與網(wǎng)絡(luò)分析：① 基于 scATAC 的 base GRN 構(gòu)建 ② 線性回歸 GRN 擬合 ③ 網(wǎng)絡(luò)連接度分析

3.TF擾動(dòng)模擬與可視化：① Gata1 KO 模擬 ② Spi1 KO 模擬 ③ 擾動(dòng)效應(yīng)可視化 ④ 細(xì)胞命運(yùn)轉(zhuǎn)換分析

模塊八 ：評(píng)估與基準(zhǔn)測(cè)試 — 如何判斷擾動(dòng)預(yù)測(cè)靠不靠譜？

第20講：scPerturBench：對(duì) 27 種擾動(dòng)預(yù)測(cè)方法在 29 個(gè)數(shù)據(jù)集上進(jìn)行了系統(tǒng)評(píng)估，使用 6 種評(píng)估指標(biāo)，揭示了不同方法在不同場(chǎng)景下的優(yōu)劣勢(shì)，并提供了方法選擇決策樹。【Nature Methods】

課程內(nèi)容：

1.環(huán)境驗(yàn)證與數(shù)據(jù)探索：① Kang IFN-β 數(shù)據(jù)集 ② 擾動(dòng)前后對(duì)比 ③ 27方法×29數(shù)據(jù)集概覽

2.評(píng)估指標(biāo)詳解與實(shí)現(xiàn)：① MSE ② PCC-delta ③ E-distance ④ Wasserstein ⑤ KL divergence ⑥ Common-DEGs — 6個(gè)指標(biāo)從零實(shí)現(xiàn)

3.基準(zhǔn)結(jié)果可視化與方法選擇：① 方法排名熱力圖 ② 性能對(duì)比 ③ 決策樹可視化

04

課程費(fèi)用

標(biāo)準(zhǔn)版：2880元 ( 注：轉(zhuǎn)發(fā)朋友圈集贊20個(gè)可享受此價(jià)；原價(jià)3380元)

? 全方位學(xué)習(xí)： 直播授課 + 全套錄播（支持無限次回放）

? 教學(xué)答疑： 授課期間專屬學(xué)習(xí)群內(nèi)導(dǎo)師一對(duì)一指導(dǎo)

? 配套資源： 全套核心代碼、教學(xué)數(shù)據(jù)、精美講義及大模型授權(quán)碼

永久答疑版（推薦）：3880元 ( 注：轉(zhuǎn)發(fā)朋友圈集贊20個(gè)可享受此價(jià)；原價(jià)4380元)

? 標(biāo)準(zhǔn)版全部權(quán)益

? 金牌售后： 七名全職助教團(tuán)隊(duì)，每日 8:00 - 23:00 在線輪班，高效響應(yīng)

? 科研助力： 提供個(gè)性化課題設(shè)計(jì)建議及數(shù)據(jù)分析一對(duì)一指導(dǎo)

? 持續(xù)更新： 優(yōu)先獲取團(tuán)隊(duì)最新研究資料與技術(shù)升級(jí)包

組團(tuán)更優(yōu)惠

兩人同行： 享 9折 優(yōu)惠

三人及以上： 享 85折 巨大折扣

醫(yī)咖會(huì)超級(jí)會(huì)員、創(chuàng)始會(huì)員，在以上優(yōu)惠的基礎(chǔ)上再減300

掃碼加微信咨詢課程

小咖一號(hào)（微信號(hào)：xys2016ykf）

05

課程收獲

1. 跟著二十篇頂刊系統(tǒng)掌握虛擬細(xì)胞完整框架
跟著二十篇CNS級(jí)頂刊系統(tǒng)學(xué)習(xí)和復(fù)現(xiàn)虛擬細(xì)胞，收獲對(duì)虛擬細(xì)胞方向形成全面、系統(tǒng)、成體系的認(rèn)識(shí)。真正弄清楚虛擬細(xì)胞各大方向分別在做什么、解決什么問題、適合什么數(shù)據(jù)、能夠支撐什么創(chuàng)新。

2. 學(xué)會(huì)把虛擬細(xì)胞真正用到自己的單細(xì)胞課題中
把虛擬細(xì)胞方法真正遷移到自己的數(shù)據(jù)和課題里。無論你手里是普通 scRNA-seq、擾動(dòng)數(shù)據(jù)，還是空間組學(xué)相關(guān)課題，學(xué)完之后都會(huì)更清楚：自己的數(shù)據(jù)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(diǎn)。

3. 從“基礎(chǔ)分析”升級(jí)到“機(jī)制預(yù)測(cè)”，把已有數(shù)據(jù)挖得更深
把單細(xì)胞數(shù)據(jù)伸到虛擬敲除、調(diào)控網(wǎng)絡(luò)、RNA預(yù)測(cè)蛋白、空間推斷、藥物響應(yīng)模擬等方向，讓課題從“描述現(xiàn)象”走向“預(yù)測(cè)機(jī)制”，明顯提高文章深度和創(chuàng)新性。尤其對(duì)于手里已經(jīng)有單細(xì)胞數(shù)據(jù)的研究人員來說，學(xué)會(huì)如何把現(xiàn)有數(shù)據(jù)的潛力真正釋放出來。爭(zhēng)取從同一批數(shù)據(jù)中做出更多成果、更多文章和更高質(zhì)量的故事。

4. 建立“看懂頂刊—復(fù)現(xiàn)頂刊—借鑒頂刊—遷移頂刊”的能力閉環(huán)
學(xué)完以后，你會(huì)更有能力看懂前沿工作、復(fù)現(xiàn)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(shè)計(jì)和成果產(chǎn)出中，把前沿技術(shù)真正轉(zhuǎn)化成自己的科研競(jìng)爭(zhēng)力。