过去，单细胞数据分析的天花板，往往只是差异分析和细胞注释。数据做完了，图也画全了，但真正决定文章层次的“机制深度”和“创新表达”，却始终上不去。
而虚拟细胞与AI 大模型的出现，正在把这层天花板彻底打开。它让单细胞数据不再只是“看见细胞”，而是能够进一步走向虚拟敲除、RNA 预测蛋白、空间推断、调控网络构建、药物响应模拟和机制延伸，推动课题从“描述现象”跃升到“预测机制”，从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，虚拟细胞+AI大模型方向正处在最明显的技术红利期：CSN 顶刊和子刊密集发表、方法快速爆发、创新空间巨大、发高质量文章窗口刚刚打开。
01
课程特色
1.跟着二十篇CNS顶刊，系统学习和复现虚拟细胞
不是零散讲概念，而是站在顶刊高度系统拆解虚拟细胞方向的核心模型、创新逻辑与发文路径。
2.课程全面系统，彻底掌握虚拟细胞各领域概念
从AI基础大模型到虚拟扰动预测，从RNA到蛋白翻译到空间虚拟敲除，再到多尺度微环境建模与方法评估，帮助你建立完整知识框架。
3.不是只教跑代码，而是结合顶刊AI大模型活用手头数据
不只是学会几个AI大模型的工具，而是真正知道不同方法适合什么数据、能解决什么问题、能支撑什么创新。
4.虚拟细胞技术红利期，直接服务高分文章
帮助你把已有单细胞数据挖得更深，把现有课题做得更高，发真正高质量的文章。
02
课程核心模块
课程总体分为八个模块：
模块一：虚拟细胞基础大模型
系统理解虚拟细胞最核心的基础模型框架。带大家学习虚拟细胞为什么会成为单细胞与AI大模型结合的重要方向，掌握基础模型的基本思想、任务定义与应用场景，为后续所有进阶内容打下底层认知基础。
模块二：网络生物学预测（转录调控网络）
从单纯看表达，进一步走向网络层面的理解。通过前沿模型学习如何从序列、表达和表观遗传等信息中，挖掘更深层次的调控关系与网络结构，理解虚拟细胞如何帮助我们从“看见细胞状态”升级到“推断调控逻辑”。
模块三：scRNA-seq 虚拟蛋白组
聚焦单细胞转录组到蛋白组的跨模态预测，理解如何利用大模型从 RNA 信息进一步翻译出蛋白表达层面的结果。这个模块非常适合启发大家如何把现有 scRNA-seq 数据继续往更深层次挖掘，拓展新的分析维度和文章空间。
模块四：基因扰动预测（虚拟敲除）
这是虚拟细胞最具想象力、也最具发文潜力的核心方向之一。课程会系统讲解从单基因扰动到组合扰动、从虚拟敲除到药物响应模拟的主流思路，让大家真正理解虚拟细胞如何把单细胞数据从“描述现象”推进到“预测干预结果”。
模块五：空间微环境与多尺度虚拟细胞
从单细胞进一步走向空间组织层面，理解虚拟细胞如何与空间组学结合，分析细胞间通讯、微环境变化与空间扰动效应。这个模块重点体现虚拟细胞从单个细胞状态预测，扩展到组织、微环境乃至个体层面的多尺度建模能力。
模块六：形态学扰动预测— 从转录组到细胞图像
聚焦从分子信息走向细胞形态学变化的预测，理解虚拟细胞如何连接转录组、药物扰动与细胞图像。这一部分能够帮助大家打开跨模态研究思路，看到虚拟细胞不仅能预测表达变化，也能进一步预测表型变化。
模块七：扰动动力学
不仅预测“扰动后会不会变”，还进一步理解“扰动后如何动态变化”。课程会带大家认识发育轨迹、扰动响应、细胞命运转变等动态预测思路，让虚拟细胞从静态分析走向更高层次的时间维度模拟。
模块八：评估与基准测试
真正高质量的虚拟细胞研究，不只是会跑模型，更重要的是知道结果是否靠谱、方法如何比较、不同任务下该如何选模型。本模块会系统讲解扰动预测与虚拟细胞分析中的评估框架、常用指标和方法选择逻辑，帮助大家建立更扎实、更规范的研究思维。
03
课程具体内容
模块一：虚拟细胞的基础模型
第1讲：GET Foundation：GET (Gene Expression Transformer) 是一个从 DNA 可及性(ATAC)预测基因表达的基础模型。它将细胞类型特异的表观遗传学信号与基因组序列结合，学习跨细胞类型的转录调控模式。【Nature主刊】
模型实现的功能：
1. PBMC 微调与 GRN 推断：在 PBMC 数据上微调，推断基因调控网络
2. ATAC 评估：预测 ATAC-seq 可及性信号
3. 星形胶质细胞推断：跨细胞类型的基因表达预测
4. Motif-ATAC 预测：转录因子结合 motif 的可及性预测
课程内容：
1.模型微调与GRN：① 加载 GET 预训练模型 ② 加载 PBMC 微调 checkpoint ③ 推理基因表达 ④ 提取注意力矩阵 ⑤ 构建 GRN（含 R pcalg 因果分析）
2.模型ATAC 预测评估：① 加载 ATAC 预测模型 ② 预测 TSS 可及性 ③ 评估 Pearson 相关 ④ 可视化预测 vs 真实
3.模型细胞推断：① 加载星形胶质细胞数据 ② 跨细胞类型表达推断 ③ 比较不同细胞类型表达模式
4.模型Motif-ATAC预测：① TF 结合 motif 分析 ② Motif-ATAC 可及性预测 ③ 已知 TF motif 验证
第2讲：scGPT ：是一个基于 Transformer 的单细胞基础模型，在 3300 万个单细胞数据上预训练。它使用生成式预训练范式（类似 GPT），通过注意力掩码的基因表达预测任务来学习细胞和基因的通用表示。该模型可以通过微调用于多种下游任务。【Nature Methods】
模型实现的功能：
1. 细胞类型注释 — 使用预训练模型微调后对未见过的细胞进行分类
2. 批次整合 — 消除不同实验批次间的技术变异
3. 基因扰动预测 — 预测基因敲除后的转录组变化
4. 基因调控网络推断 — 通过基因嵌入和注意力矩阵推断 GRN
课程内容：
1.细胞注释：① 加载预训练 scGPT 模型 ② 加载微调后的注释 checkpoint ③ 对 PBMC 10K 数据推理 ④ 预测细胞类型标签 ⑤ 生成混淆矩阵 ⑥ 计算准确率指标
2.批次整合：① 加载 Immune_ALL_human 多批次数据 ② 加载微调后整合模型 ③ 生成细胞嵌入 ④ UMAP 可视化批次效应消除 ⑤ 计算 batch mixing 指标
3.扰动预测：① 加载 Adamson Perturb-seq 数据 ② 加载扰动微调 checkpoint ③ 预测基因敲除后表达变化 ④ 计算 Pearson 相关系数 ⑤ 比较预测 vs 真实表达
4.GRN嵌入：① 加载基因嵌入矩阵 ② 计算基因间余弦相似度 ③ 构建基因调控网络 ④ 可视化网络拓扑 ⑤ 与已知 TF-target 关系对比。
模块二 ：网络生物学预测--转录调控网络
第3讲AlphaGenome是 Google DeepMind 开发的统一 DNA 序列模型，能从 DNA 序列同时预测多种基因组特征（表达、可及性、甲基化、组蛋白修饰等）。Nature主刊
模型实现的功能：
1. 多模态预测：从 DNA 序列预测 7000+ 个基因组 track
2. 变异效应评估： 评估 SNP 对基因组特征的影响
课程内容：
1.AlphaGenome快速入门与多模态预测：① 加载 AlphaGenome 模型(~450M params) ② 输入 DNA 序列 ③ 预测多种基因组 track ④ 可视化预测结果 ⑤ 复现 5 个关键论文图
2.AlphaGenome的变异效应评估基准：① 加载 19 个预计算评估基准 ② AUROC/AUPRC/Spearman 评估 ③ 与其他模型对比
第4讲scPRINT：scPRINT 在 5000 万个单细胞上预训练的大规模 Transformer 模型，支持零样本（无需微调）的多种下游任务。【NC
模型实现的功能：
1. 细胞嵌入与零样本分类：不需要微调即可嵌入和分类细胞
2. GRN 推断：通过注意力矩阵推断基因调控网络
3. 去噪与表达恢复：恢复 dropout 造成的零值
课程内容：
1.细胞嵌入与零样本预测：① 加载 scPRINT medium-v1.5 模型 ② 零样本细胞嵌入 ③ UMAP 可视化 ④ kNN 分类准确率 ⑤ 混淆矩阵
2.GRN推断：① 提取注意力矩阵 ② 构建基因调控网络 ③ GRN 热力图 ④ 网络图可视化 ⑤ 与已知 TF 对比
3.去噪与表达恢复：① 表达值去噪 ② 散点图对比 ③ 分布对比 ④ marker 基因热力图
模块三 ：scRNAseq 虚拟蛋白组
第5讲：scTranslator使用Performer FAVOR+ 架构，从单细胞转录组(RNA)直接预测蛋白质组(protein)表达。117M 参数，在 200 万个细胞上预训练。【Nature Biomedical Engineering】
课程内容：
1.蛋白质丰度预测：① 加载 scTranslator 模型(117M params, 449MB) ② RNA→Protein 翻译推理 ③ 预测 vs 真实蛋白质丰度对比 ④ Pearson 相关评估
2.伪基因敲除与下游分析：① 模拟基因敲除(置零) ② 预测蛋白质组变化 ③ 差异蛋白分析 ④ 聚类可视化
模块四 ：基因扰动预测：从单基因到组合CRISPR 虚拟敲除
第6讲：STATE：是 ARC Institute 开发的扰动响应预测基础模型，在 Replogle 等大规模 Perturb-seq 数据集上预训练。支持 few-shot 预测未见过的基因扰动。【bioRxiv】
课程内容：
1.数据加载与架构介绍：① K562 评估数据加载 ② 扰动分布可视化 ③ 表达对比(扰动 vs 对照) ④ PCA 可视化
2.扰动响应预测：① 加载 ST-HVG-Replogle 模型(10M params) ② 推理预测 ③ DE 基因对比 ④ Pearson r 评估
3.结果分析与可视化：① 热力图可视化 ② 通路聚类分析 ③ 预测方向分析
第7讲：dbDiffusion ：dbDiffusion 使用 VAE + 扩散模型的组合来预测基因扰动后的转录组变化，并通过去偏差技术消除观测数据中的混杂因素偏差。【PNAS】
课程内容：
1.数据探索与扰动聚类：① 加载 Yao Perturb-seq 数据(8000 cells) ② PCA + Leiden 聚类 ③ UMAP 可视化
2.扩散模型采样与可视化：加载 VAE(22MB) + Diffusion(20MB) 模型 ② 扩散采样生成 ③ VAE 解码 ④ UMAP 对比
3.去偏差推断与评估：① PPI 网络去偏 ② 置信区间估计 ③ 火山图可视化
第8讲：GEARS ：GEARS 使用图神经网络(GNN) 结合知识图谱预测单基因和组合基因扰动后的转录组变化。创新点是能预测未见过的基因组合的协同效应。【Nature Biotechnology】
课程内容：
1.数据加载与探索：① 加载 Norman K562 数据(降采样版) ② 扰动条件统计 ③ UMAP 可视化 ④ 数据分割分析
2.扰动预测推理：① 加载 GEARS 模型(8.9MB) ② 单基因扰动预测 ③ 组合扰动预测 ④ Top 20 DE 基因 MSE ⑤ GI 分析
3.模型评估与可视化：① 全数据集评估 ② Pearson 相关(0.987) ③ MSE/方向错误率 ④ 子组对比(1-gene vs 2-gene)
第9讲：Prnet：是一个条件 VAE (CVAE) 模型，对Bulk进行基因扰动，PRnet 利用药物分子结构(SMILES→Morgan Fingerprint)和基因表达数据，预测新化合物处理后的转录组变化。【NC】
模型实现的功能：
1. LINCS L1000 数据探索：大规模化合物扰动数据集 + SMILES 编码
2. 药物扰动响应预测：预测新化合物的转录效应
3. 潜在空间与连接性分析：药物嵌入 t-SNE + 连接性评分
课程内容：
1.数据加载与PRnet架构介绍：① LINCS L1000 demo 数据(681 cells, 978 genes, 350 drugs) ② SMILES 编码展示 ③ Morgan Fingerprint 生成 ④ PRnet CVAE 架构
2.药物扰动响应预测：① 加载预训练 PRnet(0.5M-2.5M params) ② 推理预测 ③ R²/Pearson 评估 ④ 散点图
3.潜在空间与药物嵌入分析：① 潜在空间 t-SNE ② 余弦相似度热力图 ③ 连接性评分
第10讲：scTenifoldKnk：基因调控网络（GRN）的拓扑结构隐含了基因之间的功能依赖，删除某基因会改变网络平衡。因此，只要有 WT 的单细胞转录组，就能构建一个 GRN，并虚拟删除目标基因，再观察全局扰动。【Patterns】
课程内容：
1.通过 PC 回归+ tensor decomposition 构建去噪 GRN
2.虚拟 KO =人为将基因的调控影响“清零”
3.流形对齐揭示 KO 前后每个基因的扰动程度
第11讲：scGen：是一个基于变分自编码器（VAE）的单细胞扰动预测模型，核心思想是在低维潜在空间中学习细胞状态变化，再通过向量运算（vector arithmetics）来模拟刺激、感染、药物处理或基因扰动带来的转录组响应。【Nature Methods】
模型实现的功能：
1. 扰动响应预测：根据对照组细胞，预测刺激、感染、药物处理或基因敲除后的表达变化
2. 跨细胞类型泛化：训练时未见过的细胞类型，也可以推测其受扰动后的状态
3. 跨研究预测：可把一个研究中学到的刺激效应，迁移到另一个只有对照组的数据集中
4. 跨物种预测：可结合物种差异向量与扰动差异向量，推断另一物种的扰动响应
课程内容：
1. 模型原理：① 理解 VAE 编码器—解码器结构 ② 理解 scGen 如何在潜在空间中学习扰动向量 δ ③ 掌握“对照细胞 + 扰动向量 = 预测扰动细胞”的核心思想 ④ 理解为什么 scGen 适合做单细胞扰动外推预测。
2. 扰动预测：① 加载单细胞数据 ② 训练 scGen 模型学习潜在空间表示 ③ 估计扰动差异向量 ④ 对未见细胞类型进行扰动状态预测 ⑤ 比较预测表达与真实表达 ⑥ 计算 Pearson 相关或 R² 等指标评估预测效果
3. 感染响应预测：① 加载感染数据 ② 学习感染前后状态变化 ③ 预测未见细胞群感染后的表达谱 ④ 比较 top DEGs 与整体表达相关性
4. 跨研究迁移：① 以研究A中“对照+刺激”数据训练模型 ② 导入研究B中仅有对照的数据 ③ 将研究A学到的刺激效应迁移到研究B ④ 预测研究B细胞若被刺激后会呈现的表达状态 ⑤ 检查关键响应基因是否被成功恢复。
第12讲GenKI：是一个基于变分图自编码器（VGAE）的虚拟基因敲除推断方法，专门用于在只有野生型（WT）单细胞转录组数据、没有真实敲除样本的情况下，预测某个基因被敲除后可能引起的转录组变化。【NAR】
模型实现的功能：
1.虚拟基因敲除推断：在没有真实 KO 样本时，直接基于 WT scRNA-seq 数据模拟目标基因敲除效应。
2.KO 响应基因识别：通过比较 WT 与虚拟 KO 状态下的潜在分布差异，筛选受扰动最显著的基因。
3.基因调控网络辅助解析：将基因表达信息与 scGRN 共同建模，比单纯做差异分析更容易抓到功能关联基因。
4.双基因敲除模拟：不仅可做单基因 KO，还可进一步扩展到双基因联合敲除效应预测。
课程内容：
1.虚拟敲除基础分析：① 加载 WT 单细胞表达矩阵 ② 构建单细胞基因调控网络（scGRN） ③ 训练 GenKI 的 VGAE 模型 ④ 设定目标基因进行虚拟敲除 ⑤ 计算 WT 与虚拟 KO 的潜在分布差异 ⑥ 输出 KO-responsive genes 排名。
2.模型原理与训练：① 理解 GenKI 如何联合表达矩阵和调控网络建模 ② 学习 VGAE 编码器—解码器结构 ③ 掌握 KL divergence 在 KO 响应基因识别中的作用 ④ 了解 bagging 提高结果稳定性的思路。
3.功能富集与网络解释：① 对 KO-responsive genes 做 GO/通路富集 ② 构建 STRING 蛋白互作网络 ③ 从功能模块角度解释目标基因作用 ④ 比较预测结果与已知文献结论的一致性。
模块五 ：空间微环境与多尺度虚拟细胞 — 前沿与展望
第13讲：Celcomen：在空间分辨率下进行因果解耦建模，利用空间转录组数据（如 10x Xenium）学习细胞间通讯的因果结构，然后预测虚拟扰动的空间效应。由 CCE (Causal Cell-cell Effect) + SCE (Spatial Causal Effect) 两个模块组成。【NC】
模型实现的功能：空间转录组中的预测基因或细胞扰动后空间组织改变，细胞被敲掉一个基因后，周围组织会发生什么？
课程内容：
1.环境验证与空间数据探索：① 10x Xenium GBM 数据(1781 cells × 473 genes) ② 空间坐标可视化 ③ 细胞类型分布
2.模拟数据自一致性验证：① 生成模拟数据 ② 自一致性检验 ③ 因果发现验证
3.空间因果推断与扰动分析：① CCE 因果推断(CPU ~2s) ② 加载 GPU 训练的 SCE 权重 ③ 空间扰动预测 ④ 因果效应可视化
第14讲：Nicheformer：是一个 49.3M 参数的 Transformer Encoder 基础模型，在单细胞和空间转录组数据上联合预训练。支持零样本的细胞嵌入、标签迁移、空间标签预测等任务。【Nature Methods】
模型实现的功能：从基因表达预测细胞的空间位置
课程内容：
1.环境验证与数据探索：① 模型架构介绍 ② PBMC 样本数据加载 ③ 基因词表对齐
2.Embedding生成与可视化：① HuggingFace from_pretrained 加载 ② 细胞嵌入提取 ③ UMAP 可视化 ④ 多层嵌入对比
3.空间标签预测与迁移：① 零样本标签预测 ② kNN 标签迁移 ③ 评估准确率
第15讲：PULSAR：多尺度虚拟细胞架构，从单细胞表达→群体(multicellular)嵌入→个体(patient)级别表示。支持零样本的年龄回归、疾病分类、供体检索等个体级别任务。【bioRxiv】
课程内容：
1.环境验证与模型探索：① PULSAR-pbmc 模型(87.4M params) ② 架构探索 ③ 参数统计
2.零样本年龄回归预测：① OneK1K 数据(80 donors, 4000 cells) ② 供体嵌入生成 ③ 年龄回归预测 ④ MAE/R² 评估
3.疾病分类与供体检索：① Lupus 数据(60 donors, 4800 cells) ② SLE 疾病分类 ③ DONORxEMBED 供体检索 ④ AUROC 评估
第16讲：Tahoe-100M：是目前最大的单细胞化学扰动数据集，包含 1 亿个单细胞、1100 种药物、50 种癌症细胞系。这是一篇数据资源论文，重点是数据集分析而非模型训练。【bioRxiv】
课程内容：
1.数据集概览与实验设计：① 实验设计(50细胞系×1100药物) ② 元数据统计 ③ 药物/细胞系分布
2.转录组景观与批次效应：① UMAP 嵌入(预计算) ② 批次效应分析 ③ E-distance ④ 细胞周期
3.药物响应机制与前沿展望：① DE 基因分析(pseudobulk) ② 药物机制归类 ③ Tahoe-x1 模型介绍
模块六 ：形态学扰动预测 — 从转录组到细胞图像
第17讲：IMPA：基于 StarGANv2 的 GAN 风格迁移模型，从细胞荧光显微镜图像预测药物扰动导致的细胞形态变化。使用 Morgan Fingerprint 嵌入实现 zero-shot 泛化到未见过的药物。【NC】
模型实现的功能：从转录组到细胞图像
课程内容：
1.环境验证与数据探索：① BBBC021 数据集探索 ② 6种药物处理 ③ 细胞形态统计
2.药物扰动形态预测：① 加载 StarGANv2 模型 ② 6种已知药物的形态预测 ③ 生成vs真实对比
3.未知药物预测与扰动空间：① Zero-shot 未知药物预测 ② PCA 形态学空间分析
模块七 ：扰动动力学 — 从静态预测到时间轨迹模拟
第18讲：Squidiff：使用条件 DDIM 扩散模型预测单细胞转录组的动态变化（发育轨迹 + 扰动响应 + 药物组合效应）【Nature Methods】
课程内容：
1.模拟数据与扩散过程：① 模拟数据生成 ② 扩散过程可视化 ③ DDIM 采样 ④ 模型训练(CPU ~4.5min)
2.基因扰动预测：① 加载扰动模型(197MB) ② 基因敲除预测 ③ 预测 vs 真实对比
3.药物组合效应预测：① 加载药物模型 ② 单药/组合药效预测 ③ 协同效应分析
第19讲：CellOracle：通过线性回归构建基因调控网络(GRN)，然后模拟转录因子(TF)敲除对细胞状态的影响。纯 CPU 计算（无神经网络），基于统计方法。【Nature主刊】
课程内容：
1.环境验证与数据探索：① CellOracle 安装验证 ② Paul 2015 造血数据加载 ③ 细胞分群可视化
2.GRN构建与网络分析：① 基于 scATAC 的 base GRN 构建 ② 线性回归 GRN 拟合 ③ 网络连接度分析
3.TF扰动模拟与可视化：① Gata1 KO 模拟 ② Spi1 KO 模拟 ③ 扰动效应可视化 ④ 细胞命运转换分析
模块八 ：评估与基准测试 — 如何判断扰动预测靠不靠谱？
第20讲：scPerturBench：对 27 种扰动预测方法在 29 个数据集上进行了系统评估，使用 6 种评估指标，揭示了不同方法在不同场景下的优劣势，并提供了方法选择决策树。【Nature Methods】
课程内容：
1.环境验证与数据探索：① Kang IFN-β 数据集 ② 扰动前后对比 ③ 27方法×29数据集概览
2.评估指标详解与实现：① MSE ② PCC-delta ③ E-distance ④ Wasserstein ⑤ KL divergence ⑥ Common-DEGs — 6个指标从零实现
3.基准结果可视化与方法选择：① 方法排名热力图 ② 性能对比 ③ 决策树可视化
04
课程费用
标准版：2880元 ( 注：转发朋友圈集赞20个可享受此价；原价3380元)
✅ 全方位学习： 直播授课 + 全套录播（支持无限次回放）
✅ 教学答疑： 授课期间专属学习群内导师一对一指导
✅ 配套资源： 全套核心代码、教学数据、精美讲义及大模型授权码
永久答疑版（推荐）：3880元 ( 注：转发朋友圈集赞20个可享受此价；原价4380元)
✅ 标准版全部权益
✅ 金牌售后： 七名全职助教团队，每日 8:00 - 23:00 在线轮班，高效响应
✅ 科研助力： 提供个性化课题设计建议及数据分析一对一指导
✅ 持续更新： 优先获取团队最新研究资料与技术升级包
组团更优惠
两人同行： 享 9折 优惠
三人及以上： 享 85折 巨大折扣
扫码加微信咨询课程
也可以搜索微信添加： huage5389
05
机构介绍
华哥科研平台
授课理念：将CNS文章的新技术学懂（理解）、学会（会敲代码分析）、学透彻（站在课题顶层设计角度理解）、学以致用（用到自己的标书申请和文章发表中）。
初心使命：普及前沿技术，服务科研一线，赋能创新突破，助推生命科学进步
主讲老师（一）
杨奕涛，东京大学医学科学研究所助理教授，日本学术振兴会（JSPS）特别研究员，长期深耕深度学习算法、医疗AI与空间组学交叉领域，积累了丰富的科研实践经验；现致力于多模态融合、生物医学基础大模型开发及转化医学相关算法研究。发表Nature Communications等SCI期刊发表论文多篇；与中日及欧美顶尖计算生物学实验室深度合作，参与多项国际前沿科研项目，致力于以人工智能驱动生命科学新发现。
主讲老师（二）
张振华，华哥生信创始人，目前在东京大学从事医学人工智能研究。深耕单细胞多组学、空间转录组与机器学习领域6年，培养学员3万余人 ; 指导学员发表CNS主刊文章18篇、一区及子刊100余篇 ; 参与国自然重点、国家重大专项、孔雀计划等项目申报;合作院士团队及国际顶尖实验室，发表SCI论文26篇（Sci.Adv、Mol Cell、PNAS、JACS、NC、Cell Rep Med、Mol Cancer、EMBO Mol Med等顶刊）。
06
课程收获
1. 跟着二十篇顶刊系统掌握虚拟细胞完整框架
跟着二十篇CNS级顶刊系统学习和复现虚拟细胞，收获对虚拟细胞方向形成全面、系统、成体系的认识。真正弄清楚虚拟细胞各大方向分别在做什么、解决什么问题、适合什么数据、能够支撑什么创新。
2. 学会把虚拟细胞真正用到自己的单细胞课题中
把虚拟细胞方法真正迁移到自己的数据和课题里。无论你手里是普通 scRNA-seq、扰动数据，还是空间组学相关课题，学完之后都会更清楚：自己的数据还能往哪里挖、还能延伸出哪些分析、还能做出哪些新的文章点。
3. 从“基础分析”升级到“机制预测”，把已有数据挖得更深
把单细胞数据伸到虚拟敲除、调控网络、RNA预测蛋白、空间推断、药物响应模拟等方向，让课题从“描述现象”走向“预测机制”，明显提高文章深度和创新性。尤其对于手里已经有单细胞数据的研究人员来说，学会如何把现有数据的潜力真正释放出来。争取从同一批数据中做出更多成果、更多文章和更高质量的故事。
4. 建立“看懂顶刊—复现顶刊—借鉴顶刊—迁移顶刊”的能力闭环
学完以后，你会更有能力看懂前沿工作、复现核心思路、借鉴顶刊框架，并把这些方法迁移到自己的课题设计和成果产出中，把前沿技术真正转化成自己的科研竞争力。