国自然申报·医工交叉热点｜单细胞多模态融合破解病理研究痛点
小罗碎碎念
病理切片是癌症诊断的“金标准”——医生通过观察细胞形态判断肿瘤性质，但这就像“只看外貌猜性格”：看不到细胞内的基因表达、蛋白变化等分子信息，而这些恰恰是判断癌症是否耐药、预后好不好的关键。
过去的AI病理模型要么“偏科”：只靠形态学数据，漏了分子维度；要么“粗糙”：把一块组织的分子信息混在一起分析，看不到单个细胞的差异。
近期发表的PAST模型研究（融合病理图像与单细胞转录组的多模态基础模型），打通了“形态看表、分子探里”的断层：用2000万对单细胞病理-基因数据训练，实现了“一张常规H&E染色片，就能预测基因表达、生成虚拟免疫组化结果、精准评估预后”。
对于医学AI领域的科研人员来说，这不仅是一项技术突破，更藏着国自然申报的“解题思路”——从文献中挖准科学问题、锚定临床痛点、设计创新方案，才能让申报书既具科学性，又贴合“服务国家战略需求”的导向。
交流群
近期有国自然申报需求的老师可以扫码加入交流群！
小班课程（团队自营）
11月团队将在【北京】、【上海】和【广州】三个城市，同步开展【线上+线下】培训课程，可以选择任意一个城市参加。
一、从PAST模型挖国自然核心要素：找对“卡脖子”问题是关键
针对这些问题，PAST的创新思路完全贴合国自然“跨界融合”“源头创新”的导向，科研人员申报时可直接借鉴：
跨界技术融合
将“病理影像组学”与“单细胞空间转录组”深度结合，构建双编码器框架（ViT处理病理图像，Transformer+图注意力处理单细胞及空间邻域信息），突破“单模态依赖”的传统局限；
新假说提出
提出“单细胞形态-分子内在关联可学习”假说——认为细胞的形态特征（如核仁大小、胞质纹理）与基因表达（如FOXA1、ACTA2）存在可通过AI挖掘的规律，为“无分子实验获分子信息”提供理论依据；
新验证体系
设计“基因预测-虚拟染色-预后评估”三任务闭环，从基础研究（分子机制）到技术开发（虚拟检测）再到临床应用（预后分层），覆盖国自然“从源头创新到临床转化”的全链条要求。
二、国自然评审4大维度：PAST文献如何落地申报策略？
国自然评审核心看“创新性、科学性、可行性、研究价值”，PAST文献的内容可直接对应这4个维度，给出具体申报落地建议，尤其要突出“临床结合点”——毕竟医学AI研究最终要服务于患者。
创新性：突出“从0到1”的突破，避免“小修小补”
文献支撑
PAST在单细胞基因表达预测（intra-patient r=0.619，远超ST-Net的0.447）、虚拟IHC（PSNR=25.2 dB，优于扩散模型和GAN）、生存预测（平均C-index=0.695，4/6癌种排名第一）均超越传统模型；
申报建议
开篇用“对比表格”直观展示PAST与传统模型的差异（如下表），重点突出“单细胞分辨率”“空间邻域整合”两个创新点，避免只描述模型结构而不提突破；
避坑提醒：别引用3年以上的“旧文献”（如只提2020年前的病理AI模型），要像PAST研究一样，引用2024-2025年的最新数据（如Xenium空间转录组、TCGA最新队列），体现研究时效性。
科学性：数据要“硬”，验证要“细”
文献支撑
PAST用了15个癌种、2000万对单细胞病理-转录组数据，验证覆盖“intra-patient（同患者）-inter-patient（同癌种不同患者）-cross-cancer（跨癌种）”三层次，结果可重复；
申报建议
申报时要补充“临床细节”——比如说明数据中包含多少例早期（I-II期）、晚期（III-IV期）患者，是否涵盖不同治疗背景（如术前化疗、术后靶向治疗），体现数据的临床代表性；
同时加入“阴性对照”，比如对比“去掉空间邻域信息的PAST模型”与原模型的性能差异，验证空间信息的必要性；
避坑提醒
别只说“用了TCGA数据”，要明确数据量、癌种类型、临床随访时间，避免“数据描述模糊”导致评审质疑科学性。
可行性：从“文献可复现”到“自己能落地”
文献支撑
PAST预计会上传代码（https://github.com/Changchun-Yang/past_sc），但是目前是空的，可能是因为文章还没正式发表；
训练用8张A100 GPU（12天），数据来自公开的Xenium、TCGA平台，方法可复现；
申报建议
申报书中加入“预实验结果”——比如用本地医院10例乳腺癌样本验证“PAST虚拟IHC与病理专家H-score的一致性（r=0.88）”，证明自己能复现并拓展该方法；
同时明确“资源保障”：如合作单位有Xenium空间转录组平台，实验室已有A100 GPU，避免“设备依赖外部、无法落地”的质疑；
避坑提醒
研究计划别“贪多求全”，比如第一年聚焦“模型微调与本地数据验证”，第二年做“虚拟IHC的临床多中心测试”，第三年探索“分子机制”，分阶段推进更显可行。
研究价值：紧扣临床痛点，别做“空中楼阁”
国自然特别看重“研究是否服务国家战略需求”，PAST文献的3大临床应用场景，正是申报时“链接临床痛点”的绝佳案例：
痛点1：基层医院“做不起”分子检测——虚拟IHC降本增效
- 临床现状：我国县域医院乳腺癌HER2检测率不足40%（因IHC单次检测成本超200元，且需专业设备），导致部分患者错失靶向治疗机会；
- PAST解决方案：从常规H&E染色片生成虚拟IHC结果，无需抗体、无需额外实验，成本降低80%，且不消耗组织标本；
- 申报表述：“本研究基于PAST优化虚拟IHC模型，在3家县域医院开展多中心验证，目标将HER2检测成本降至50元以内，提升基层医院分子检测覆盖率，服务‘健康中国2030’癌症早诊早治需求”。
痛点2：癌症预后“判不准”——多模态模型提升风险分层
- 临床现状：肺癌（LUAD）术后5年复发率约30%，但传统基于形态学的预后模型漏判率超25%（因忽略分子异质性）；
- PAST解决方案：融合形态-分子特征的生存预测模型，C-index达0.695，IPCW C-index（校正随访删失）0.636，能更精准区分高风险患者；
- 申报表述：“本研究针对LUAD优化PAST多模态预后模型，通过整合术后病理片与少量术前穿刺标本的分子数据，将复发风险漏判率降至15%以下，为术后辅助治疗决策提供精准依据”。
三、申报避坑：这些“细节”决定成败
从PAST文献出发，科研人员申报时还要避开3个常见“雷区”：
别“技术堆砌”
别只描述“用了ViT、图注意力、对比学习”，要始终围绕“解决某临床痛点”展开——比如“用图注意力网络是为了捕捉肿瘤细胞与免疫细胞的空间通讯，进而提升预后预测准确性”；
别“夸大创新”
PAST在跨癌种基因预测中r=0.319，虽优于传统模型，但仍有提升空间，申报时别写“完全解决跨癌种泛化问题”，可表述为“为跨癌种单细胞分子预测提供新范式，后续将通过增加稀有癌种数据进一步优化性能”；
别“脱离临床”
避免“模型性能再好，也不说能帮医生解决什么问题”——比如讲完虚拟IHC的PSNR指标后，一定要补“这意味着模型生成的虚拟结果能达到临床诊断标准，可用于无法开展实体IHC检测的基层医院”。
结语｜从PAST到你的国自然——抓住“单细胞多模态”风口
PAST模型的价值，不仅在于实现了病理AI的技术突破，更在于为医学AI科研人员提供了国自然申报的“模板”：从文献中找准“形态-分子断层”这类真问题，用“跨模态融合”构建创新框架，再紧扣“基层检测难、预后判不准”等临床痛点设计研究；
这样的申报书，既符合国自然“源头创新、服务临床”的导向，又能让评审看到研究的实际价值。
如果你正在做病理AI、单细胞组学相关研究，不妨从PAST的思路出发：
- 你的研究能解决哪个临床“卡脖子”问题？
- 是否有足够的临床数据支撑？
- 如何设计从“实验室”到“病床边”的转化路径？
想清楚这三个问题，国自然申报就成功了一半。
结束语
本期推文的内容就到这里啦，如果需要获取更多基金申报相关的内容，欢迎参加我们的线下课程！
越早报名加入的学员，有机会直接向黄sir提出建议，将你感兴趣的研究方向（如三级淋巴结构、多组学融合、大语言模型、因果深度学习、肿瘤微环境相关影像模型等）融入影像AI标书设计中。
黄sir将根据大家的提议，酌情准备相应的内容并纳入课程，从而更有针对性地完善教学安排。