为什么 · 全局判断（第一性原理）

总判断

跨领域的共同规律

1. 关联到因果的鸿沟是全局主瓶颈，算法不能替代扰动与随机化。
   涉及衰老时钟、心血管、虚拟细胞、LLM 智能体。表观全基因组 MR 未在因果位点富集 [证据]；ZEUS 中 IL-6/hsCRP 按预期下降但 MACE HR 0.99（来源：试验状态表）；Lp(a)HORIZON 中 Lp(a) 下降未转化为事件减少（来源：试验状态表）；虚拟细胞里简单线性基线常未败 [证据]。模型能压缩搜索空间，不能把关联变因果。

2. 测量与跨上下文校准先于建模；跨组织、跨平台、跨人群是硬约束。
   TranslAGE 调整免疫组成后生物学可靠性下降 [证据]；口腔与血液表观年龄平均差近 30 年 [证据]；China-PAR 在糖尿病人群 C 统计量降至 0.584–0.629 [证据]；Foresight-England 因数据访问暂停只能作方法模板 [证据]。没有跨上下文校准，预测增益常是队列特异不变性。

3. 扰动是因果硬通货，但必须把混杂与真实效应分开。
   CINEMA-OT 依赖独立性与线性假设 [证据]；CAF 可翻转化疗响应 [证据]；Perturb-FISH 证明空间 CRISPR 读出可行 [证据]；TabICL/TabPFN 在伪 bulk 扰动预测上优于专用模型 [证据]。扰动设计、负对照与可识别性，比再堆一个模型更关键。

4. 替代终点≠临床终点；选对人群与时机常比压低标志物更关键。
   ZEUS 失败，IL-6/hsCRP 下降未转为 MACE 获益（来源：试验状态表）；Lp(a)HORIZON 未达主要终点（来源：试验状态表）；VESALIUS-CV 在高危无既往事件人群阳性（来源：试验状态表）；ODYSSEY-HCM 峰值 VO2 路线失败（来源：试验状态表）。分子层到事件层有真实鸿沟。

5. 评测与基准是当前最高杠杆资产：谁定义跨队列、缺失模态、跨物种、跨上下文留出，谁定义领域口径。
   LongevityBench 没有单一模型主导，组学年龄预测最难 [证据]；Virtual Cell Challenge 测跨细胞情境零样本 [证据]；医疗世界模型多数仅 L1–L2 [证据]；单细胞基础模型在数据规模远小于现有语料时已平台 [证据]。先做可证伪基准，比再造一个时钟或基础模型更稀缺。

研究策略地图

如果只做一件事

最该押注的研究问题是：多组学衰老/心血管风险差中，哪些是可干预的因果状态，而不是组织、免疫、批次或疾病读数？

为什么是它：这个问题同时贯穿他的三条应用线。若答案偏“读数”，则大量衰老时钟、风险评分和虚拟细胞输出只能做分层，不能指导干预；若答案偏“因果状态”，就能为类器官扰动、ChinaHEART 分层和心血管靶点提供可验证入口。它比“再训一个多模态模型”更根本，也直接对应 LongevityBench 暴露出的组学年龄最难、MR 未富集因果位点 [证据]、以及 ZEUS/Lp(a)HORIZON 的替代终点失败（来源：试验状态表）。

第一步：用公共数据先建一个三重留出、可证伪的因果状态检测基准——留出组织/模态、留出队列/祖源、留出扰动。输入用 UKB 蛋白时钟、LongevityBench/ComputAgeBench、公共 Perturb-seq/类器官/空间数据；显式加入负对照：技术重复、免疫去卷积、批次、细胞组成。读出不是 AUC，而是：扰动后是否逆转、跨队列校准斜率是否≈1、是否独立预测硬终点。随后把 ChinaHEART 作为东亚外部校准锚，把心脏/血管类器官扰动作为因果锚。这件事做成了，他定义的是评测口径；做不成，也最早知道哪些年龄差只是读数。

分领域分析

多模态衰老时钟与生物年龄

1. 生物年龄是因果驱动衰老速率的可干预状态，还是健康/疾病的读数？ 可证伪：随机干预后，多组学年龄先改变，并独立预测硬终点（死亡、心衰、痴呆）；若只预测不改变，它只是读数。
2. 跨组织、跨模态的“年龄差”是个体衰老速率，还是细胞组成、免疫状态、技术批次？ 同个体多组织纵向采样、技术重复、免疫去卷积后是否收敛？TranslAGE 评估 18 种 DNAm 标志物发现，调整免疫组成后生物学可靠性进一步下降 [证据]。
3. 衰老速率是否沿遗传→蛋白/代谢→细胞状态→器官功能存在共享轴？ 用 pQTL、MR、器官时钟和自然实验检验；但表观全基因组 MR 发现现有表观时钟和年龄相关差异甲基化位点均未在因果位点富集 [证据]，说明共享因果轴远未坐实。
4. 干预响应能否预测并跨物种迁移？ 类器官/模式生物扰动后年轻化排名，能否预测人群试验的临床终点；这是可被实验和临床证伪的问题。

卡在因果链的哪一层

• 分子层：测量与因果识别不足。 表观时钟最成熟，但口腔与血液组织的表观年龄估计平均差近 30 年，多数血液时钟与口腔组织相关性低，Skin and Blood clock 跨组织一致性最好 [证据]。技术重现性不能预测生物学可靠性 [证据]；MR 又未在因果位点富集 [证据]。
• 蛋白组/多组学层：数据规模和跨人群仍不足。 UK Biobank 中基于 2,897 个血浆蛋白、45,441 人的时钟与实际年龄 Pearson r=0.94，并在 CKB（3,977 人）和 FinnGen（1,990 人）中独立验证 [证据]；但 Horvath 和 PedBE 在墨西哥儿童青少年队列中预测准确性下降，迁移学习仅 523 份血样 [证据]。
• 多模态整合层：基准与因果识别都缺。 LongevityBench 覆盖 5 个生物数据域、17 项任务，评测 18 个 AI 系统，结论是没有单一模型主导所有任务，且组学年龄预测最难、与模型规模无关 [证据]。没有统一基准，“泛化”无法独立验证。
• 心血管转化层：机制到结局不是自动兑现。 ZEUS 中 ziltivekimab 在 ASCVD+CKD+hsCRP≥2 人群 MACE HR 0.99（0.88–1.11），IL-6、hsCRP 下降但严重感染增多（来源：试验状态表）；Lp(a)HORIZON 中 pelacarsen 在 8,323 名已确诊 CVD、Lp(a)≥70 mg/dL 患者中，Lp(a) 下降未转化为心血管事件减少（来源：试验状态表）。相反 VESALIUS-CV 中 evolocumab 三点 MACE 降 25%，OCEANIC-STROKE 中 asundexian 缺血性卒中 HR 0.74（来源：试验状态表）。瓶颈是转化落地与因果识别，不是单一测量。

主流研究角度为什么成立、在哪里失效

• 大队列关联建模：成在能风险分层，如 18,859 人、10 年随访中 13 种时钟与 57 种疾病共 176 个显著关联 [证据]。失效在隐含“年龄差=衰老速率”；常用 ML/AI 连续结局回归存在系统预测偏差，并传播到下游关联估计，可产生虚假甚至方向相反的关联 [证据]。
• 基础模型/多模态整合：成在可补缺失模态、跨队列迁移。失效在假设共享表征已存在；LongevityBench 显示没有单一模型主导，组学年龄预测最难 [证据]。跨组织、跨模态口径未收敛。
• 扰动预测/类器官：成在可筛机制。失效在体外缺免疫、组织微环境和年龄背景，跨物种迁移未验证；算法不能替代实验设计。
• 遗传/MR：成在工具变量清晰。失效在表观时钟未富集因果位点 [证据]；心血管里 IL-6、Lp(a) 的遗传支持也未在 ZEUS、Lp(a)HORIZON 转为结局获益（来源：试验状态表）。

被低估的其他研究策略

1. 同个体多组织纵向自然实验：用减重手术、造血干细胞移植、妊娠、双胞胎、OSK 部分重编程等，做多组学时钟+器官功能读出；能拆开组织特异与技术混杂。代表性问题是 TranslAGE 揭示的技术重现性≠生物学可靠性 [证据]。
2. 把随机试验当因果校准集：用 ZEUS 阴性、Lp(a)HORIZON 未达主要终点、VESALIUS-CV 阳性、OCEANIC-STROKE 阳性作为扰动，检验基线多组学时钟能否解释疗效异质性（来源：试验状态表）。这能把分子层接到临床终点。
3. 类器官/模式生物多模态扰动+跨物种迁移：心脏/血管类器官、小鼠、斑马鱼，药物或遗传扰动后测单细胞、空间、甲基化与功能；代表如 Cell 2024 猴二甲双胍延缓衰老时钟 [常识]。比细胞系虚拟细胞更接近组织/个体响应。
4. 中国/东亚人群多组学队列：ChinaHEART、CKB 做 pQTL、蛋白时钟、心血管结局的跨人群校准；CKB 已用于蛋白时钟独立验证 [证据]，ChinaHEART 待核实。能打破 UKB 中心偏差。
5. 负对照与可复现基准：ComputAgeBench、LongevityBench 类工作，加入缺失模态、批次、免疫组成、跨队列留出。LongevityBench 已显示组学年龄最难、与规模无关 [证据]。

对他的含义

算法不可替代的贡献在测量层和因果识别层：跨队列对齐、缺失模态鲁棒性、批次与细胞组成去混杂、不确定性校准、纵向增量学习、可复现基准。尤其应做“多模态缺失模态基准”，对接 LongevityBench 的最难任务 [证据]，而不是再造一个时钟。
算法帮不上的：硬终点随机试验、干预时机、组织微环境、免疫-代谢互作、样本采集质量。算法不能把关联变因果；连续结局 ML 偏差会污染下游 [证据]。所以最优先：用公共多模态数据建可证伪基准；用 ChinaHEART 做跨人群校准与心血管结局；把 ZEUS、Lp(a)HORIZON、VESALIUS-CV、OCEANIC-STROKE 当作校准锚点（来源：试验状态表）。

心血管队列多组学与临床 AI

• 血浆蛋白/代谢物中哪些是心血管病的因果介质，而非风险标志？可用 cis-pQTL、MR、药物靶点随机试验三角验证。Lp(a) 降低在已确诊 CVD 未转化为事件减少，IL-6 轴 ZEUS 失败（来源：试验状态表），而 PCSK9、FXIa 有阳性试验（来源：试验状态表）。
• 风险轨迹能否在症状前、跨人群、跨模态预测，并改变临床决策？需外部校准、ΔC-index、决策曲线、筛查—干预试验。
• 诊断类别内是否存在由共享分子通路定义的可复现亚型？可用多组学聚类+独立队列复现+扰动验证。
• 心血管衰老与共病能否分解为可干预的分子时钟？需纵向多组学与硬终点。

卡在因果链的哪一层

主要瓶颈不是模型容量，而是因果识别、跨人群数据多样性与转化证据。 - 遗传→分子：UKB-PPP 对 2,923 个蛋白定位 pQTL，鉴定 14,287 个主要遗传关联，81% 为新发现 [证据]。但关联不等于因果；Lp(a)HORIZON、ZEUS 说明分子下降未必转化为事件减少（来源：试验状态表）。 - 分子→个体表型：蛋白组可提升预测，163 种疾病 5 蛋白媲美临床模型，67 种加 5–20 蛋白中位 ΔC-index=0.07 [证据]；房颤 165 蛋白评分加 CHARGE-AF、NT-proBNP、PRS 后 C 由 0.771 升至 0.816 [证据]。测量层有增益，临床效用未证。 - 个体→人群：跨人群校准是硬瓶颈。China-PAR 男性/女性 C 统计量 0.794/0.811 [证据]，但在 CKB 吴忠、JBPCD 一般人群 0.723–0.778，糖尿病人群仅 0.584–0.629 [证据]；新西兰 vs 中国 T2D 标准重校准未改善中国队列校准 [证据]。 - 人群→干预：房颤 AI 模型外部验证敏感性仅 31%，提示单机构高估泛化 [证据]；系统综述多数缺外部验证、偏倚高 [证据]。 - ECG/影像 AI：卡在测量与验证层，需跨中心、跨设备、跨种族外部验证。

主流研究角度为什么成立、在哪里失效

主流是大队列关联建模+pQTL/PRS+多组学风险评分。隐含假设：血液分子代理器官病理；风险关联可加性线性；欧洲队列可迁移。能回答“谁风险高、哪些分子相关”，不能回答“干预该分子是否改变结局”。SCORE2、QRISK3、China-PAR 已成熟，单纯深度学习略优增量有限；QRISK3 在 UKB 高估老年风险达 20% [证据]。基础模型/EHR 轨迹模型假设就诊模式与缺失携带信息，能提升预测与合成轨迹，但受就诊偏倚、编码差异和干预混杂影响。扰动预测/虚拟细胞假设细胞系或类器官可外推到人群心血管表型，忽略血流动力学、免疫、代谢和器官互作；可生成假设，不替代试验。

被低估的其他研究策略

1. 跨人群多组学资源+校准：在 ChinaHEART/CKB 等做 Olink/SomaScan、PRS、ECG、EHR 配对，强制外部验证与重校准；解决东亚 pQTL 稀缺与迁移瓶颈。代表：China-PAR 的跨队列验证思路 [证据]。
2. 药物靶点 MR+随机试验三角：cis-pQTL/MR 选靶，再看随机试验。PCSK9、FXIa 阳性（来源：试验状态表），Lp(a)、IL-6 阴性（来源：试验状态表），能校准 MR 假阳性。
3. 类器官/器官芯片+扰动多组学：心脏/血管类器官做 CRISPR/药物扰动，读单细胞+蛋白组+电生理，桥接分子到细胞状态。
4. 临床试验嵌入式组学与实用性随机试验：用蛋白组/PRS/ECG 随机分流筛查—干预，终点为事件+成本，直接补转化层。
5. 纵向多组学+负对照/靶试验 emulation：用时间序列和阴性对照暴露检验因果方向，处理不可测混杂；适合算法团队。

对他的含义

算法不可替代处：跨队列校准与迁移、缺失模态整合、持续/联邦学习、多模态表征、因果推断与靶试验 emulation、决策曲线与增量效用评估。尤其中国人群+ECG/组学/EHR 配对，是数据稀缺下的方法富矿。算法帮不上：证明靶点因果需实验扰动与随机试验；临床落地需医生定终点、伦理与成本；ECG/影像 AI 泛化需跨中心前瞻验证。建议把目标从“AUC 更高”改成“跨人群校准、可复现增量、可干预分层”，并与湿实验/临床试验共同设计。

类器官与模式生物虚拟响应建模

1. 扰动的响应函数是否可跨背景外推？ 给定扰动（CRISPR 敲除、药物、剂量/时间梯度）与细胞/组织背景，能否预测未见条件下的分子与形态响应；且当背景从人 PDO 换成小鼠 ICO、从小鼠换成斑马鱼时是否仍成立。可证伪形式：留出物种或留出器官的预测误差是否显著低于均值基线。
2. 响应方向由初始细胞状态、扰动本身还是微环境决定？ Trellis 在单细胞水平检测 2500 余个 CRC PDO 与 CAF 的 PTM 信号、DNA 损伤、细胞周期与凋亡，发现 CAF 可通过促进 proCSC 向 revCSC 转变保护癌细胞抵抗化疗 [证据]——即同一化疗扰动在有无 CAF 时结局相反。可证伪：把微环境变量显式当因子后，扰动主效应是否还显著。
3. 类器官/模式生物的响应能否作为患者结局的替代读出，边界在哪？ 局部晚期直肠癌类器官与 III 期临床试验的共临床试验显示反应高度匹配，准确率 84.43%、灵敏度 78.01%、特异性 91.97% [证据]。

卡在因果链的哪一层

分子→细胞状态：测量手段不足 + 因果识别不足。 Perturb-FISH 把 MERFISH 与 gRNA 原位扩增结合，在 THP1 巨噬细胞 LPS 响应体系中验证敲除效应与 Perturb-seq 一致 [证据]，说明读出正从解离 RNA 走向原位；但 Stereo-seq 基准工作指出造血与悬浮肾类器官存在转录扩散、单细胞注释困难 [证据]——当前相当一部分"扰动效应"可能是测量伪影。

细胞状态→组织/器官：因果识别不足，这是主瓶颈。 CINEMA-OT 用独立成分分析与功能依赖统计分离混杂与处理相关因素，再通过加权最优传输进行因果细胞配对，其假设依赖独立性与线性 [证据]。细胞组成改变、批次、解离应激都是非线性混杂，混杂与真实处理效应尚未被可靠分离，这比数据量更致命。

组织→个体：转化与落地（替代终点有效性）。 类器官药敏与患者结局对应已成熟，但效应量不稳定 [证据]。心血管领域的教训更硬：ZEUS 中 IL-6、hsCRP 按预期下降，MACE HR 0.99（0.88–1.11）（来源：试验状态表）；ODYSSEY-HCM 未达主要终点，失败与缺少可测替代读数有关（来源：试验状态表）。分子替代读出下降 ≠ 个体结局获益。

跨物种：数据规模/多样性不足 + 缺 ground truth。 跨物种迁移的真实泛化边界仍有待统一评测，Nicheformer 的独立基准结果未完全复现 [证据]，多数模型的局限尚未明确 [证据]——没有公认验证集，方法好坏无法判定。

主流研究角度为什么成立、在哪里失效

类器官扰动→临床对应：假设 PDO 反应谱是患者肿瘤反应的充分代理。它成立于多癌种重复验证与前瞻性匹配（84.43%/78.01%/91.97%）[证据]；失效于 readout 不可比、效应量不稳，且它只回答"个体→个体"，不回答机制——它能做分层，不能做靶点。

扰动响应预测建模（神经最优传输、CINEMA-OT、基础模型）：假设细胞状态可连续映射、处理效应可分解。CINEMA-OT 的独立性与线性假设 [证据] 即其边界。一个尴尬信号：TabICL 和 TabPFN 等表格基础模型在伪 bulk 扰动预测上持续优于 PRESAGE、scGPT、scLAMBDA、STACK、Prophet 等专用模型 [证据]——说明任务信息量可能主要落在表型均值层面，单细胞复杂度未换来增益，评测设计本身可疑。

单细胞/空间基础模型：Nicheformer、通用细胞嵌入解决了通用表征，但跨物种扰动响应的外推仍是空档 [证据]。原因是表征对齐 ≠ 响应函数对齐：扰动是反事实量，不是嵌入空间的插值。

被低估的其他研究策略

1. 把跨物种迁移做成"响应空间对齐"而非"细胞类型对齐"：以小鼠/斑马鱼扰动单细胞为输入、跨物种细胞图谱做同源锚点、神经最优传输为骨架 [证据]；自建留一物种/留一器官任务，直接补上缺失的 ground truth。
2. 类器官 + 空间 CRISPR 同步读出的预测基准：Perturb-FISH 已证明该读出可行 [证据]，而评测方向样本极少且均为 2026 年新出 [证据]，基准是稀缺品，先做即占位。
3. 把微环境作为显式因子做条件性因果实验：CAF 可翻转化疗响应 [证据]，用共培养/免疫/机械力做因子设计，正面对撞独立可加假设。
4. 前瞻性、预设 cutoff 的共临床试验设计：照直肠癌模式 [证据] 做，而不是再来一轮回顾性相关性。
5. 模式生物剂量-时间梯度队列：该细分目前以图谱为主、建模薄弱 [证据]，但剂量-时间轴上的响应函数恰好是实验能造 ground truth、算法能外推的地方。

对他的含义

不可替代的贡献在"数据生成过程的建模"这一层，不在模型堆叠。 三点：一是可识别性设计——CINEMA-OT 的线性独立假设 [证据] 是可攻的具体目标，用负对照扰动、多重扰动共设计、因果表示学习把混杂与效应分开；二是跨域评测协议与基准，这是最长窗口 [证据]；三是缺失模态与跨队列校正，与他手上的多模态衰老模型共享同一套方法。

先做强的表格/线性基线再上大模型：TabICL/TabPFN 超专用模型 [证据] 已给出警告；伪 bulk 任务上要显式检查分布偏移。

算法帮不上的：扰动选择、器官与时间点取样、共培养体系搭建、替代终点的临床验证。ZEUS 的 IL-6/hsCRP 下降未转化为 MACE 获益（来源：试验状态表）是实验与临床设计问题，任何模型都救不了；类器官药敏与结局的可比性只能靠前瞻性试验设计解决 [证据]。

人群健康与多组学 AI

1. 个体未来疾病轨迹能否由遗传 + 纵向 EHR + 多组学，在独立队列中稳定预测且校准不漂移？ 证伪方式：留出队列/留出时间后增量预测增益消失，或校准斜率显著偏离 1。
2. 血浆蛋白、代谢物、甲基化中，哪些是遗传变异→分子→疾病的因果中介，哪些只是反应性/混杂？ 证伪方式：pQTL + MR 指向的靶点，在扰动实验或人体干预中不改变疾病结局。
3. 共病与疾病亚型是否对应可扰动的生物学过程？ 证伪方式：生成式轨迹发现的亚型在药物/遗传扰动下无差异响应。
4. 组学衰老时钟是否测量可逆衰老速率？ 证伪方式：干预后时钟改变但死亡/多病结局无改善，或时钟变化完全由单一组织/细胞比例解释。

卡在因果链的哪一层

因果链：遗传变异 → 分子 → 细胞状态 → 组织/器官 → 个体表型与疾病 → 人群 → 干预与转化。

生成式疾病轨迹/EHR 基础模型主要卡在因果识别不足与转化落地。 它们依赖登记或诊断编码，作者均提示记录偏倚与人群偏倚风险 [证据]；Foresight-England 因数据访问暂停，定量结果无法导出，只能作方法学模板 [证据]；All of Us 上简单轨迹模型与大生成式模型形成方法学张力 [证据]。预测未来编码不等于知道可干预节点。

多组学-遗传整合卡在因果识别不足与测量多样性。 UKB PPP 等已产出大规模蛋白-遗传关联 [证据]，但蛋白存在显著性别差异，激素和 BMI 仅解释小部分 [证据]；同一群体水平表现相似的 PRS 在个体层面一致性差 [证据]。血浆蛋白未必代表组织机制，MR 的排他性假设常不成立。

心血管转化卡在干预时机与人群选择。 Lp(a)HORIZON 已读出·未达主要终点，pelacarsen 降低 Lp(a) 未转化为心血管事件减少（来源：试验状态表）；ZEUS 已读出·失败，ziltivekimab 降低 IL-6/hsCRP 但 MACE HR 0.99（来源：试验状态表）。相反，VESALIUS-CV 在无既往心梗/卒中但高危人群中阳性（来源：试验状态表），说明选对人群比单纯压低替代终点更关键。

衰老时钟卡在测量标准化与因果识别。 环境暴露对死亡和多种年龄相关病的解释度常高于基因组 [证据]，提示只补组学而不补环境层会系统性偏差。

主流研究角度为什么成立、在哪里失效

大队列关联建模/pQTL：成立在高统计功效发现遗传-分子-疾病关联；失效在把关联当机制，把血浆蛋白当组织因果，把 MR 当干预证明。它能回答“谁与谁相关”，回答不了“扰动后是否改变疾病”。

生成式 EHR 基础模型：成立在捕捉共病时间结构与风险分层；失效在编码体系、缺失机制、跨队列漂移，以及不可干预性。它能做预警，不能做因果与临床决策证明。

多组学整合预测：成立在蛋白/代谢可提升判别；失效在跨祖源、性别、平台可迁移性，个体级 PRS 一致性差 [证据]。PULSE 从稀疏血检生成组学接近真实数据 [证据]，但生成数据不能替代机制发现。

被低估的其他研究策略

1. 跨队列/跨祖源外部验证与校准：用 UKB、FinnGen、All of Us、ChinaHEART；自然实验是编码、人群、时间差异；读出是校准、决策曲线、重分类。能直接打破可复现性与转化瓶颈。代表：48 个冠心病 PRS 在多个生物库个体一致性差 [证据]。
2. 遗传靶点 + 药物试验三角验证：用 pQTL/MR + EHR + RCT；扰动是药物或遗传 proxy；读出是靶点下降对硬终点。代表：Lp(a)HORIZON 阴性、ZEUS 失败、VESALIUS-CV 阳性（来源：试验状态表）；pQTL 已给出候选因果蛋白 [证据]。
3. 环境暴露组 + 纵向多组学：用大队列暴露组与蛋白组衰老时钟；自然实验是环境/行为变化；读出是死亡与年龄相关病。代表：25 个独立暴露与死亡和蛋白组衰老相关 [证据]。
4. 类器官/模式生物扰动锚定人群信号：用心脏/血管类器官、小鼠；扰动是 CRISPR/药物；读出是单细胞多组学；把人群关联推进到细胞状态层。可用 UKB pQTL 作人群锚点 [证据]，具体跨物种代表工作待核实。
5. 生成式模型基准与留出时间/队列评测：用 EHR/多组学 benchmark；人为缺失模态、跨编码映射；读出是校准、不确定性、反事实预测。能解决“谁更好”缺位。代表：Foresight-England 只能作模板 [证据]，All of Us 简单模型已具竞争力 [证据]。

对他的含义

算法不可替代之处在数据接口与评测层：跨模态对齐、缺失模态、跨队列持续学习、批次/祖源校正、不确定性校准、因果感知表征、trial enrichment。把 UKB 方法迁移到 ChinaHEART 时，算法能解决外部验证、迁移与校准，但不能替代本地结局裁定、样本代表性设计和临床终点设计。

算法帮不上、必须靠实验或临床设计的问题：机制因果、扰动响应、干预时机与硬终点。Lp(a)HORIZON 与 ZEUS 已说明替代终点下降不保证事件减少（来源：试验状态表）。因此他的最佳定位是：用算法发现可验证的分层与候选机制，再用类器官扰动、RCT 和队列随访去证伪。

LLM 科研智能体与可验证奖励强化学习

1. 科研智能体能否产生可被独立湿实验验证的新生物学因果假设，而不是复述文献？ 可证伪：在心脏/血管类器官、Perturb-seq 或斑马鱼上预注册一批扰动，智能体提假设与实验设计，命中率须显著高于专家基线和随机，且跨实验室复现。[常识]
2. RLVR 是否真正扩展 LLM 推理上界，还是只重排基座分布？ 若同一基座 RL 后大 k pass@k 不超过基座上界，“推理能力提升”即被证伪。材料已发现小 k 时 RLVR 更优、大 k 时基座 pass@k 更高 [证据]。
3. 在可验证奖励稀缺的生物医学里，过程奖励能否替代结果奖励，提高长程组学分析闭环的正确性？ 把 QC→聚类→差异表达→通路富集拆成步骤，以 held-out 队列最终结论而非中间语句准确率判分。[常识]
4. 智能体能否学会区分“替代终点下降”与“临床终点获益”？ 用 ZEUS、Lp(a)HORIZON、VESALIUS-CV 做预注册判别。ZEUS 已读出失败，MACE HR 0.99（0.88–1.11），IL-6、hsCRP 按预期下降（来源：试验状态表）；Lp(a)HORIZON 未达主要终点，Lp(a) 下降未转化为心血管事件减少（来源：试验状态表）。

卡在因果链的哪一层

因果链：遗传变异→分子→细胞状态→组织/器官→个体表型与疾病→人群→干预与转化。

• RLVR 子问题主要卡在因果识别与评测：它只奖励可验证答案，不证明生物因果。随机分配奖励的 GRPO 使 Qwen2.5-Math-7B 在 MATH-500 提升 21.4 个百分点，接近真实奖励 29.1 点，但对 Llama3、OLMo2 无效 [证据]；大 k pass@k 结果更直接质疑 RLVR 是否扩展上界 [证据]。
• 科研智能体子问题卡在测量与验证不足：湿实验慢、噪声大，组学结论常不可二值判定。Kosmos 可运行 12 小时、200 次 rollout，陈述准确 79.4%，但综合陈述准确率仅 57.9%，且需科学家指定目标与数据集 [证据]；Robin 约读 551 篇论文、认知时间 <2h，人类手动流程 359–424h，但半自主、需实验室闭环、仅体外验证 [证据]。
• 生物医学应用卡在转化与落地：临床终点反馈以年计。ZEUS 失败、Lp(a)HORIZON 未达主要终点，说明分子/生物标志物层到事件层不闭合（来源：试验状态表）。这不是算法层单独能补的。

主流研究角度为什么成立、在哪里失效

提示式 ReAct 成立，因为推理-行动交错降低复杂任务搜索成本，ALFWorld 成功率绝对提升 34%、WebShop 提升 10% [证据]；但它未做大规模 RL，复杂环境动作空间与错误恢复仍受限 [证据]。

全自动流水线成立，因为能低成本闭环，The AI Scientist 每篇论文成本低于 15 美元 [证据]；失效在验证仅限三个 ML 子领域、依赖自动评审器、未含真实同行评审 [证据]，隐含假设“自动评审≈科学正确”在生物医学不成立。

RLVR/GRPO 成立，因为数学/代码有稠密可验证奖励。Kimi k1.5 报告不依赖 MCTS、价值函数和过程奖励模型的简洁 RL 框架，AIME 77.5、MATH500 96.2，匹配 o1 [证据]；理论上带 ORM 的 GRPO 等价于带 Monte-Carlo PRM 的 RL 目标 [证据]。失效在可验证奖励稀缺时，模型可能学 shortcut 或只重排基座分布 [证据]。

湿实验闭环成立，Virtual Lab 针对 SARS-CoV-2 变异株设计 92 个新纳米抗体，实验验证发现多个功能性纳米抗体，其中两个对 JN.1 或 KP.3 结合改善且保持对祖先刺突蛋白强结合 [证据]；但单点、任务定制，不能直接回答人群疾病轨迹。

被低估的其他研究策略

1. 把单细胞注释/衰老状态判定做成可验证奖励任务：用 Tabula Muris Senis、Human Cell Atlas 等公共图谱，给定 marker 与表达矩阵，held-out 标注一致率为奖励，照搬 GRPO 组相对优势。它把稀缺湿验证转成自动判分，且衰老+单细胞仍空白。[常识]
2. 过程奖励的组学分析智能体：把 QC→聚类→差异表达→通路富集拆步骤，用规则+专家脚本对聚类稳定性、富集显著性等中间步骤打分，训练过程奖励模型。Kimi k1.5 说明长程 RL 可行 [证据]，GRPO 隐含 PRM 的理论 [证据] 提供起点。
3. 类器官/模式生物闭环回测：用心脏/血管类器官、Perturb-seq、斑马鱼扰动响应数据做 ground truth，让智能体提扰动假设并设计验证实验，以命中率而非语言准确率判分。Virtual Lab 已证明智能体设计分子可过湿实验 [证据]，但组织/器官层面仍空白。[常识]
4. 失败/阳性试验作为转化层奖励：以 ZEUS 失败、Lp(a)HORIZON 未达主要终点为负例，VESALIUS-CV 阳性为正例（来源：试验状态表），训练智能体区分替代终点与临床终点。它把因果链末端信号纳入奖励。
5. 跨队列可复现性作为奖励：在 UK Biobank、FinnGen、ChinaHEART 上做外部验证，智能体自动预注册、留出队列，奖励跨队列一致性。可打破单队列过拟合，但临床终点仍需设计。[常识]

对他的含义

作为算法提供者，他最不可替代的是奖励函数、验证器和评测环境，而不是再套一个 agent 外壳。把单细胞、衰老、类器官、多组学变成自动判分任务：held-out 细胞类型/衰老状态、聚类稳定性、跨队列可复现、扰动响应命中、替代终点 vs 临床终点判别，这些是他能同时服务三条应用线的核心资产。[常识]

算法帮不上的是湿实验 ground truth、临床终点、干预时机和人群差异。 ZEUS 失败、Lp(a)HORIZON 未达主要终点说明分子层到事件层有鸿沟（来源：试验状态表）；这类问题必须靠实验与临床设计。ChinaHEART 若要做，应先用其随访结局做外部验证和预注册分析，表外 2025 年后试验待核实。[常识]

建议路径：先做“单细胞注释/衰老状态可验证奖励数据集 + GRPO 基线 + 过程奖励 benchmark”，再迁到类器官扰动回测和 ChinaHEART 跨队列验证。这是算法支持者能留下的不可替代贡献。[常识]

单细胞与空间组学基础模型与虚拟细胞

1. 同一遗传变异或环境扰动，在不同细胞类型、组织、物种中，是否遵循可迁移的分子响应规则？ 可证伪：在未见扰动、未见细胞类型上预测差异表达或细胞状态，再用 Perturb-seq、类器官扰动验证。单细胞基础模型把“细胞类比句子、基因类比词元”，通过大规模自监督预训练获得通用表征，再适配注释、整合、扰动预测等下游任务[证据]。
2. 细胞状态是不是遗传变异到个体疾病的中介变量？ 可证伪：把变异映射到特定细胞状态，若独立队列或组织中中介消失，则不成立。Geneformer 在有限患者数据下识别出心肌病候选治疗靶点[证据]。
3. 多模态观测（RNA、蛋白、空间、形态）背后是否存在可识别的因果状态，而不只是技术相关？ 可证伪：干预一个模态后，模型能否预测另一个模态的对应变化。scPRINT-2 具表达插补与反事实推理，并可泛化到未见模态和物种[证据]。
4. 虚拟细胞预测的扰动响应能否产生可行动靶点并改变临床结局？ 这不是模型指标问题，而是转化问题，必须靠前瞻实验或试验回答。

卡在因果链的哪一层

• 遗传变异→分子：人群 GWAS/pQTL 能定位，但细胞类型特异性因果机制仍弱。瓶颈是因果识别，不是测量规模。
• 分子→细胞状态：这是虚拟细胞主战场，测量手段和因果识别同时不足。规模已很大：scGPT 在超 3300 万个细胞的 scRNA-seq 数据上训练[证据]；CellFM 把预训练规模推到 1 亿人类细胞[证据]；scPRINT-2 扩展到 3.5 亿细胞、16 个物种[证据]；TranscriptFormer 在多达 1.12 亿细胞、12 个物种上建模[证据]。但零样本评估中，Geneformer 和 scGPT 在 5 个多样单细胞数据集上的细胞类型聚类和批次校正表现，多数情况下不如 HVG、Harmony、scVI 等更简单的基线[证据]；在四个 Perturb-seq 数据集上，差分空间的 Train Mean 基线（0.711/0.557/0.373/0.628）优于 scGPT（0.641/0.554/0.327/0.596）与 scFoundation（0.552/0.459/0.269/0.471），而结合 GO 特征的随机森林最佳（0.739/0.586/0.480/0.648）[证据]。这说明深度预训练没有稳定抓住扰动因果信号。
• 细胞状态→组织/器官：空间、类器官多模态配对少，跨组织外推弱；CellFM 仅覆盖人类单物种，数据清洗与批次异质性仍影响泛化[证据]。瓶颈是测量手段不足。
• 个体→人群→干预：转化与落地瓶颈。Lp(a)HORIZON 中 pelacarsen 在已确诊 CVD、Lp(a) ≥70 mg/dL 患者中，Lp(a) 下降未转化为心血管事件减少（来源：试验状态表）；ZEUS 中 ziltivekimab 的 MACE HR 0.99（0.88–1.11），IL-6、hsCRP 按预期下降但仍失败（来源：试验状态表）。分子替代终点不等于临床获益。

主流研究角度为什么成立、在哪里失效

基础模型角度：假设大规模自监督能学到调控语法并迁移到注释、整合、扰动。能回答到细胞状态表征层；失效在于简单基线常不输，数据缩放也趋平台：2220 万细胞语料预训练 400 个模型并开展 6400 次实验，发现性能在数据规模远小于当前训练语料时即趋于平台，且未观察到明确的数据缩放定律[证据]。层选择也任务依赖：轨迹任务在 60% 深度达峰、比最终层高 31%，扰动最优层随 T 细胞激活状态在 0–96% 间大幅漂移[证据]。 扰动预测角度：假设静态表达可外推因果扰动。能给出候选，但均值/通路先验已很强，GO+RF 最佳[证据]，深度模型未证明机制。 多模态整合角度：MultiVI 用深度生成整合，moscot 用最优传输做时空映射[常识]，能对齐，但缺乏统一因果验证。 大队列关联建模：能风险分层，不能证明干预标志物改变结局；上面心血管试验即反例（来源：试验状态表）。

被低估的其他研究策略

1. 类器官/器官芯片上的扰动外推严格评测：用公共 Perturb-seq 预训练/微调，在类器官多组学做跨细胞类型、跨时间点响应外推，对照均值、线性、加性基线。Perturb-seq 是扰动标签来源[常识]。
2. 自然实验 + 单细胞 eQTL/pQTL：把人群遗传变异当天然扰动，映射到特定细胞类型和蛋白，再做共定位或孟德尔随机化；补因果识别。
3. 跨物种保守扰动图谱：小鼠、斑马鱼、果蝇、线虫同源扰动，单细胞加形态读出。TranscriptFormer 可零样本识别疾病状态并跨物种转移注释[证据]，scPRINT-2 覆盖 16 个物种[证据]，可区分核心调控与物种特异。
4. 形态/空间表型作为中介：Cell Painting 加空间组学，扰动后同时测形态和转录，验证多模态因果状态。
5. 模型提出靶点—类器官/动物—前瞻试验闭环：尤其心血管，用 ChinaHEART/UKB 做校准，但必须以前瞻结局检验。VESALIUS-CV 在无既往心梗或卒中、但有动脉粥样硬化证据或高危糖尿病人群中三点 MACE 降 25%（来源：试验状态表）。

对他的含义

作为算法支持者，不可替代的层是分子→细胞状态、细胞→组织层的因果评测与跨模态对齐：做预训练增益的严格基线、层选择、缺失模态、跨队列校正、扰动外推 benchmark。当前更缺的不是更大模型，而是能证伪“预训练有可迁移因果增益”的实验设计。 算法帮不上：因果扰动、类器官/动物实验、临床终点和试验设计。若模型发现候选靶点，必须靠实验验证；若目标是临床转化，算法只能优化风险分层与人群校准，不能替代随机试验。世界模型、自监督、LLM agent 应服务这三条应用线，不单独立项。

虚拟细胞与扰动响应预测

• 给定细胞当前状态与遗传/药物/环境扰动，能否预测未见上下文中的状态分布，而不仅是平均表达向量？可证伪标准：在留出细胞系/供体/类器官上，是否优于无扰动基线和加性线性基线 [证据]。
• 扰动响应是否存在可迁移的低维因果程序？同一 CRISPR/药物扰动跨细胞类型、跨物种、跨供体是否共享方向。scGen 用 VAE 潜空间加减扰动向量，实现跨细胞类型与跨物种预测 [证据]。
• 哪些分子是状态转移的因果执行者，而非被动标志或代偿产物？需要干预、时间分辨与多组学共同回答。
• 细胞层预测何时能外推到组织/个体结局？例如类器官药物响应能否预示临床获益，心血管靶点分子下降能否转化为事件减少。

卡在因果链的哪一层

因果链：遗传变异 → 分子 → 细胞状态 → 组织/器官 → 个体表型与疾病 → 人群 → 干预与转化。当前主瓶颈是细胞状态层的因果识别不足，其次是个体/人群层的转化不足，不是单纯“模型不够大”。

• 分子→细胞状态：扰动数据多，但评测弱。简单基线常匹配或超越复杂基础模型，单/双基因扰动转录组预测中五种基础模型与两种深度学习模型均未优于简单线性基线 [证据]；2220 万细胞预训练 400 个模型、6400 次实验，性能在数据规模远小于现有语料时即达平台期，无明确数据缩放定律 [证据]。这说明可预测信号有限，或任务定义未抓住因果。
• 细胞状态→组织/器官：测量与多样性不足。现有图谱多在细胞系、静态终末；X-Atlas/Pisces 含 2560 万扰动单细胞、16 种生物学情境，已是最大规模，但仍以细胞情境为主 [证据]。类器官、空间、体内扰动更贴生理，但规模小、标准散 [常识]。
• 个体→人群→干预：因果识别与转化落地。Lp(a)HORIZON 中 pelacarsen 降低 Lp(a) 未转化为心血管事件减少（来源：试验状态表）；ZEUS 中 ziltivekimab 按预期降 IL-6/hsCRP，但 MACE HR 0.99（0.88–1.11）（来源：试验状态表）。VESALIUS-CV 中 evolocumab 在高危无既往心梗/卒中人群降三点 MACE 25%（来源：试验状态表）。分子层扰动到结局存在巨大鸿沟。
• 子问题分开：细胞系扰动预测偏因果识别/评测；衰老与类器官偏数据多样性/测量；心血管人群偏转化与跨人群校准。

主流研究角度为什么成立、在哪里失效

• 潜空间扰动向量：假设扰动在潜空间可加、方向可迁移。scGen 跨类型跨物种成立 [证据]；但非线性、组合扰动、上下文依赖时会失效。
• 单细胞基础模型：假设大规模预训练能学到通用细胞表征，微调后预测扰动。scGPT 在超过 3300 万个单细胞 RNA 测序图谱上预训练 [证据]；State 训练于 1.67 亿细胞，效应区分度提升超过 30%，且嵌入可识别训练中未观察扰动的细胞环境 [证据]；Tahoe-x1 扩展到最高 30 亿参数，计算效率比先前细胞状态模型高 3–30 倍 [证据]；X-Cell 在 Pearson Δ 等关键指标上优于现有最先进模型最高达五倍 [证据]。但这些优势尚未在统一评测中收敛：OCOO-T、知识图谱 KNN 与大模型在不同基准上各自报告优势，尚缺乏统一评测 [证据]。
• 知识图谱/KNN：假设相似细胞/基因邻域可迁移。最简 KNN 在分布外扰动预测上击败几乎所有方法，并用强化学习优化推理 LLM 调整邻域，在 Replogle 2022 细胞系上达到 SOTA [证据]。失效点：易退化为检索，不证明机制。
• 基准挑战：Virtual Cell Challenge 提出跨多个独立细胞情境的零样本预测，需预测未见细胞系中的基因敲低响应 [证据]；AIVC 仍处早期，数据异质性与可解释性未解决 [证据]。它能测泛化，不能测生理相关与临床效用。 隐含假设是：表达谱=细胞状态；扰动效应平稳；训练分布覆盖测试；预测准=机制有用。最危险的是把表达谱预测精度当成生物学因果理解。

被低估的其他研究策略

1. 类器官/器官芯片作跨上下文压力测试：心脏/血管/肠类器官，CRISPR/药物扰动，单细胞+空间+蛋白读出，前瞻验证。打破细胞系偏置，直接检验生理上下文迁移。代表工作待核实。
2. 人类遗传自然实验+多组学 MR：UKB/ChinaHEART 的 pQTL/代谢组，以遗传变异为终生扰动，做 colocalization/MR。能加强因果识别，但 Lp(a)HORIZON 失败提醒 MR 阳性不保证临床结局（来源：试验状态表）；VESALIUS-CV 阳性支持部分靶点可转化（来源：试验状态表）。
3. 时间分辨与谱系追踪扰动：Perturb-seq + metabolic labeling/lineage tracing，读动态轨迹，检验状态转移而非终末快照。RegVelo 这类调控动力学工作是代表 [常识]。
4. 跨物种扰动映射：小鼠、斑马鱼、线虫扰动+单细胞，找保守响应程序再迁移到人。scGen 已有跨物种预测 [证据]；跨物种基础模型待核实。
5. 主动学习闭环实验：用模型不确定性选下一批扰动，在类器官/原代细胞验证并迭代。打破数据规模与因果瓶颈，但需实验方共建 [常识]。

对他的含义

• 算法不可替代层：统一评测协议、简单基线、分布外/跨上下文压力测试、因果潜动力学、多模态对齐与缺失模态、主动实验设计、跨队列校准。这些比再训一个大模型更稀缺。
• 具体切入：以类器官扰动做跨上下文泛化测试床；复现“简单基线未败”的结论并加 Systema 类超越表达谱维度 [证据]；把 State/X-Cell 的跨上下文设定搬到类器官；人群侧把虚拟细胞输出接到 ChinaHEART 的 pQTL/MR/风险模型，检验能否增益 China-PAR/PCE。
• 算法帮不上：真实干预、随机化、临床终点、干预时机、成本与依从性。算法不能替代前瞻试验；类器官也不能自动等于人。必须与实验/临床共同定义读出与验证。

世界模型与自监督表征学习

1. 细胞/组织状态空间是否低维且可外推？给定当前多模态状态与前序扰动，能否在隐空间预测未来状态，且该表征能零样本迁移到未见过的扰动组合？可证伪：在留出的类器官时间序列和组合扰动上，隐空间预测必须显著优于零阶基线。
2. 衰老与多病共病轨迹是否由少量潜在状态生成？生成式轨迹模型的长期预测，跨队列校准后是否仍优于 PCE/SCORE2/China-PAR？若不能，学到的是队列特异不变性而非疾病过程。
3. 分子层变化哪些是驱动、哪些只是伴随？可证伪形式：扰动（CRISPR/药物）应能在类器官或模式生物中重现或逆转表型，而非仅与年龄相关。
4. 组学时钟测的是"时间"还是"可干预状态"？若加速在随机干预中可逆并能预测硬结局，它是状态量；否则只是时间戳。

卡在因果链的哪一层

链：遗传变异→分子→细胞状态→组织/器官→个体表型与疾病→人群→干预与转化。

• 衰老/多模态时钟：卡在细胞状态→组织/器官，测量与因果识别双重不足——人群只能观察，无法干预细胞状态。
• 心血管人群建模：卡在人群→干预与转化，不是预测不准，而是"谁、何时、干预什么"未被识别。Lp(a)HORIZON 在 8,323 名已确诊 CVD、Lp(a) ≥70 mg/dL 患者中未达主要终点（来源：试验状态表）；ZEUS 的 MACE HR 0.99（0.88–1.11），IL-6 与 hsCRP 按预期下降却无获益（来源：试验状态表）。遗传学支持的靶点 ≠ 晚期干预获益。
• 类器官/模式生物扰动预测：卡在组织/器官→个体表型的外推，外加数据规模不足（扰动组合爆炸、批次效应）。
• 表征学习自身：卡在评测。医疗世界模型综述发现多数系统仅达 L1–L2，少数 L3，L4 罕见，并指出动作空间不明确、干预验证薄弱 [证据]。

主流研究角度为什么成立、在哪里失效

大队列关联建模：隐含假设是"风险-结局关系跨人群可迁移、测量无系统差异"。它能做到个体表型与人群层风险分层，做不到机制与干预时机；上面两条阴性试验就是失效点（来源：试验状态表）。 基础模型/自监督表征：隐含假设是"观测冗余足够大，隐空间预测比观测重建更接近因果变量"。JEPA 的核心论证正是绕开生成式方法对高熵观测的重建 [证据]；V-JEPA 2 在超 100 万小时互联网视频上预训练、基于少于 62 小时 Droid 视频后训练出世界模型 [证据]。但这是视觉-动作域的胜利：表格领域实证显示，收敛后 JEPA 臂在 147 个真实数据集上仍落后仅值目标臂，分类为 32:70 胜负（按名 29:63）、回归为 8:24，且需 1.42 倍步数与 1.66 倍墙钟达平台 [证据]。隐空间目标若无因果锚定，学到的是数据集特有的不变性。 扰动预测/世界模型：D-JEPA 在 PushT 上达 87.89% 成功率 [证据]，说明动作空间明确时可行；而医疗世界模型的缺口正是动作空间不明确与干预验证薄弱 [证据]。生物学的"动作"（剂量、时程、遗传背景、细胞类型）远比机器人模糊。

被低估的其他研究策略

1. 试验内嵌组学做因果识别：在 ORION-4（预计 2027 年初读出）、OCEAN(a)-Outcomes（预计主要完成 2028-03-31）内采集基线/随访蛋白组与甲基化（来源：试验状态表）。这是把观察性轨迹模型逼向因果的唯一现实路径。
2. 类器官扰动世界模型：[23] JEPA-DNA 已把联合嵌入预测架构接地到基因组基础模型 [证据]，而 [33] 指出单细胞基因组自监督的有效使用尚缺系统结论 [证据]。用心脏/血管类器官做药物×遗传组合扰动，读出单细胞+影像+空转，在隐空间预测扰动后状态。
3. 模式生物跨物种扰动迁移：斑马鱼/小鼠可做的扰动组合远超人类，且能测器官与寿命表型；关键是同源映射做成可学习模块而非人工对应。
4. 失败试验作为训练信号：ODYSSEY-HCM 未达主要终点，失败与缺少可测替代读数有关（来源：试验状态表）。系统建模"什么替代读数能预测硬结局"，比再刷风险模型更有价值。
5. 自然实验 + 时变 MR：VESALIUS-CV 在无既往心梗/卒中、但有动脉粥样硬化证据或高危糖尿病人群中三点 MACE 降 25%（来源：试验状态表），支持"更早、更准选择"而非"更强降脂"。

对他的含义

不可替代的贡献在细胞状态层：把多模态当不同 view 做联合嵌入预测，而非横向拼接——这既是 JEPA 的核心主张 [证据]，也正落在类器官多模态衰老合作项目上。第二是跨队列校正与缺失模态处理，这是 ChinaHEART 迁移的硬约束。第三是评测：先建立衰老相关下游任务的系统基准，后续模型都得引用你的口径，这在多合作网络里杠杆最高。 算法帮不上的：因果方向必须靠扰动实验与 MR；干预时机与人群选择必须靠入组设计（VESALIUS-CV 的设计本身不是算法输出）（来源：试验状态表）；替代终点可信度必须靠前瞻验证（ODYSSEY-HCM 已证伪峰值 VO2 路线）（来源：试验状态表）；类器官表型是否代表器官必须靠临床病理锚定。算法能压缩搜索空间，不能替代随机化。