做科研能力还比不上人工智能大模型？

看到了2025四月在美国芝加哥的AACR会议的其中一个科研速递：《Abstract 5287: Decoding tumor-immune interactions in colorectal cancer liver metastases: Insights from single-cell analysis》，是一个单细胞转录组实验设计：273, 711 cells derived from 78 CRC samples

可以看到，这个单细胞转录组实验设计的样品分组信息是：

• primary tumor from localized CRC, N = 44;
• primary tumor from CRLM, N = 21; metastatic tumor from CRLM, N = 13),
• 33 normal samples (25 from the colon and 8 from the liver)

因为目前仅仅是海报，并没有文章，所以只能说看看其摘要的只言片语的数据分析结果和结论：

• primary colorectal cancers (EPI_PC) showed upregulation of hypoxia, stress, and MHC pathways
• CRLM (EPI_LM) exhibited enriched hyperkeratosis and cell junction pathways
• activation of angiogenesis and epithelial-mesenchymal transition (EMT) pathways, from localized CRC (without metastasis) to primary tumor from CRLM, and metastatic tumor from CRLM

可以看到，仅仅是上皮细胞的分析啊。当然是不够的，这个时候机智地我们可以把这个细胞转录组实验设计发给人工智能大模型，让他们看看可以做哪些分析：

一句话概括：这份 78 CRC + 33 正常对照、共 27 万细胞的数据集，已经具备“从肿瘤上皮-微环境-转移轨迹”全链条深度挖掘的硬件条件。下面按“能做什么→可能得出什么结论”逐层展开。

一、细胞身份与质量控制 • 聚类 + 经典 marker 注释 → 建立 8–10 大类（恶性上皮、正常结肠上皮、正常肝上皮、成纤维、内皮、T/NK、B/浆、髓系、肥大等）。 • 发现“未知亚群”或跨组织新细胞类型，可作为后续研究的新起点。

二、恶性上皮精细亚型

1. 恶性 vs 非恶性上皮 – inferCNV + 高表达癌基因（MYC、EGFR、KRAS 等）区分肿瘤上皮。
2. CMS/CRIS-like 分型 – 用已发表的 CMS/CRIS 特征基因集做单细胞打分，检验单细胞层面是否仍能保持 4 大 CMS 或 CRIS 亚型。
3. “转移相关恶性程序” – 将 44 例 localized CRC（无转移）与 21 例 CRLM-primary、13 例 CRLM-metastasis 的恶性上皮做差异表达 + 轨迹/伪时间分析： → 找到沿“原发→转移”梯度上调的模块（如 EMT、MYC、OXPHOS 或 WNT-high 等）。 – 用 SCENIC 预测驱动转录因子（TF），例如 TWIST1、SOX4、ASCL2 等。

三、肿瘤-微环境互作

1. 细胞比例景观 – 比较 4 组（normal colon / localized CRC / CRLM-primary / CRLM-metastasis）的细胞丰度： → 转移组是否富集 TAM-C1QC、Treg、耗竭 CD8、CAF-myCAF、SPP1+ 巨噬细胞等。
2. 细胞-细胞通讯 – CellChat / CellPhoneDB： • 原发瘤中 FAP+ CAF ↔ CXCR4+ 恶性上皮 • 转移瘤中 SPP1+ 巨噬细胞 ↔ MET 恶性上皮等。
3. 免疫微环境亚型 – 用 T-cell dysfunction/exhaustion signature 打分，看转移组是否呈现“免疫沙漠”或“免疫排斥”。

四、转移轨迹与克隆进化

1. 伪时间 + RNA velocity – 描绘恶性上皮从 localized → CRLM-primary → CRLM-metastasis 的转录轨迹，找出“转移前状态（pre-metastatic state）”。
2. 体细胞突变 + 单细胞 lineage tracing – 如果有 matched WES/WGS： • 构建系统发育树，验证转移是否单克隆/多克隆播种。 • 突变负荷与转移程序表达量的相关性。

五、器官特异性适应 • 比较 CRLM-metastasis 与正常肝实质细胞的差异： – 肝转移上皮上调 HGF-MET、CXCL12-CXCR4、EGFRvIII 等“肝定居”信号。 – 鉴定“肝样”恶性亚群（高 AFP、CYP3A4、ALB 等）。

六、临床关联与转化价值

1. 预后模型 – 用转移相关恶性程序在 bulk RNA-seq 公共队列（TCGA-COAD、MSK-IMPACT）做 survival ROC，验证其能否预测远处转移或肝转移。
2. 药物靶点 – 发现转移特异高表达的 surface 蛋白（如 LGR5-high、EPCAM-low、CLDN1-low）可作为未来 ADC 或 CAR-T 靶点。
3. 微环境干预 – 针对 CAF-高 TGF-β 或 SPP1+ 巨噬细胞设计联合免疫治疗策略。

七、可发表的典型故事线 标题示例：“Single-cell landscapes reveal an EMT-OXPHOS hybrid program driving colorectal liver metastasis and predict patient outcome”

Figure 1

核心结论：

1. 比如定义了 3 种恶性上皮亚型（LGR5-stem, EMT-high, OXPHOS-high），其中 EMT-OXPHOS 杂交亚群富集于 CRLM 并预示不良预后；
2. 发现 CAF-myCAF 与 SPP1+ TAM 构成转移前生态位，通过 CXCL12-CXCR4 轴支持恶性上皮肝定植；
3. 基于转移程序构建的 12-gene signature 在 3 个独立 bulk 队列中 AUC>0.85，有望用于CRLM的术后肝转移风险预测。

一句话总结 这份 27 万细胞的“原发-转移-正常”矩阵，已经足以完成“细胞亚型-转移程序-微环境互作-临床预后”的完整闭环，可产出从基础机制到转化应用的系列高影响力发现。

大家觉得人工智能大模型的科研能力如何呢？

挺有意思的， 每次我们发人工智能大模型的神通广大，就有小伙伴留言说我们的创作风格变了。不知道为什么大家讨厌大家人工智能大模型侵入我们科研和生活的方方面面，是害怕吗，害怕自己的寒窗苦读数十年还不如人工智能大模型的一瞬间？

哲学上的事情真的是很难评，虽然说我们博士都是哲学学位。但是就我个人感受来说，积极地拥抱人工智能大模型，尽可能的利用好人工智能大模型这个全人类的智慧结晶是非常棒的！所以有必要组建一个交流群，让大家一起分享自己的日常的科研工作中使用人工智能大模型的真实案例，互相启发互相帮助！

【建群招募】 群名：AI × 科研人日常实战交流群 定位：只聊“真刀真枪”把大模型用在科研里的踩坑/提速/灵光一闪案例，不灌水文。

想邀请：

• 正在用 GPT、Claude、Gemini、Kimi 等写代码/跑生信/写本子/做 PPT 的研究生/博士后/PI
• 用 LLM 辅助读文献、润色论文、批量跑湿实验数据分析的湿实验同学
• 想把 AI 工具嵌入日常实验设计、图表绘制、基金写作流程的科研打工人

还是老规矩，因为微信自己的交流群限制，所以只能说前面的200个小伙伴可以扫码自助入群哈！

但是如果上面的二维码无法进群，这个时候需要我们生信技能树的官方拉群小助手帮忙拉群哦！！！

群规（三句话）：

1. 每周至少分享 1 条自己真实用过的 AI 技巧/踩坑经历；
2. 不广告、不灌鸡汤；
3. 互帮互助，拒绝伸手党。

让 AI 把我们从重复劳动里解放出来，一起把科研效率卷到天花板！