C177–87
预测值 710 万、实测值 25 万：机器学习属性预测的外推边界在哪
框架一个在实验数据上训练的分子属性预测模型，当它的预测值落在训练集分布之外时，预测误差如何增长？定义「适用域」（applicability domain）的常用度量，能否提前标出哪些预测不可信？
你自己的那一点一个可以在同一档案里前后两年互相印证的、极其干净的实证案例。 本地语料里有一对罕见的连续两届项目，第一年用 XGBoost 预测转染效率并给出预测值，第二年真的把它合成出来测了——结果实测值比预测值低了约 28 倍。这是一个现成的、已经发生的外推失败，而且是他们自己诚实报告的。
你的设计：(1) 在一个公开的分子属性数据集（如 ChEMBL 活性、Therapeutics Data Commons 的 ADMET 任务）上复现同类流程——特征编码 + 梯度提升；(2) 人为构造外推场景：按分子骨架/性质切分训练与测试（scaffold split、时间切分），而不是随机切分；(3) 计算多种适用域度量（到训练集的最近邻距离、集成模型方差、保形预测区间）与实际误差的相关性；(4) 交付一张「预测值超出训练标签范围多少倍时，误差期望是多少倍」的曲线，并给出一个可直接套用的可信度阈值。
擦过一对跨年度的直接锚点，构成完整证据链（这是本条 h=5 的原因）。
- ISEF 2025 BCHM013（Grand Award + Special Award）「Optimization of IAJD Design for DNP mRNA Delivery」，摘要原文：「A new TE prediction model was developed using Extreme Gradient Boosting that overcame imbalanced datasets and ultimately yielded three novel, optimized IAJD candidates surpassing previously identified IAJDs in predicted TE.」
- ISEF 2026 BCHM016（Grand Award）「In vitro Investigation of Optimized mRNA IAJD-DNPs」，摘要原文：「a new TE prediction model was built using eXtreme Gradient Boosting (RMSE 243,088 AU, R² = 0.9761; 5-fold CV RMSE mean 456,561 AU). The model yielded four novel optimized IAJD candidates with projected luminescence of 7,108,495 AU.（…）In vitro luminescence in the cells demonstrated that the IAJD-DNP (251,422 ± 14,630 AU) significantly outperformed the SM-102 LNP positive control (152,297 ± 15,813 AU)」
这段摘要里有两个自曝的数字，都是它自己诚实报告的，也都没有被讨论：
1. 训练 RMSE 243,088 vs 五折交叉验证 RMSE 456,561 —— 交叉验证误差是训练误差的 1.88 倍，这是过拟合的直接信号。
2. 预测发光 7,108,495 AU vs 实测 251,422 AU —— 实测值是预测值的约 3.5%，相差约 28 倍。
注意公平之处： 该项目做了真正的体外合成与验证（大多数 ML 预测类项目根本不做这一步），并且诚实报告了所有数字。你的课题不是批评它——恰恰相反，正因为它诚实报告了，才有了这个宝贵的实证案例。 你要做的是把这个单点观察扩展成一条曲线。这个措辞非常重要，它决定了你是在建设还是在拆台。
文献前作：未核查（QSAR 的适用域（applicability domain）是化学信息学的核心概念，OECD 有正式指导原则；conformal prediction 在分子性质预测上有大量近期文献，必查——你的新颖性会被压缩，务必提前知道，把贡献定位在「实证曲线 + 阈值」而非「概念」）。
约束可行性极高（F=9）：零成本、纯计算、零合规。 公开数据集 + 一台笔记本。最可能死在新颖性被文献占据。最便宜的规避方式： 把交付物做成面向学生项目的自查工具——输入你的训练数据与一条预测，输出「这条预测在适用域内还是外，预期误差倍数是多少」，并用本地语料里的这个真实案例（28 倍差距）作为工具的验证点。用真实的 ISEF 案例做验证，这是你独有的、别人抢不走的东西。
表格： 纯计算 → Form 1/1A/1B/2A。AI 政策： AI 生成代码须显式引用 + 保留提示词日志。
C279–97
把配体对接到一个无序区上：AlphaFold 置信度多低算太低
框架当蛋白–蛋白或蛋白–配体对接使用的是 AlphaFold 预测结构时，界面区域的 pLDDT 与 PAE 低到什么程度，对接结果就不再可信？能否给出一个可操作的置信度下限？
你自己的那一点给一个人人都在用、但没人标定的流程画出可用边界。 AlphaFold 输出的每个残基都带 pLDDT（局部置信度），残基对之间带 PAE（预测对齐误差）。pLDDT < 50 的区域通常对应本征无序区（IDR）——它们不是「预测得不好的结构」，而是「本来就没有固定结构」。 把配体对接到这样的区域上，得到的结合能是在对一个虚构的构象打分。
你的设计：(1) 取一组有实验结构（PDB）和 AlphaFold 预测结构的蛋白，覆盖 pLDDT 从 90+ 到 40 的全谱；(2) 对同一配体分别在实验结构与预测结构上对接，计算位姿 RMSD 与打分偏差；(3) 把偏差表达成界面 pLDDT / PAE 的函数；(4) 交付一条判据曲线与一个阈值：例如「界面平均 pLDDT < 70 时，对接位姿与实验结构的 RMSD 中位数超过 4 Å，打分不具排序能力」；(5) 再做一个专项分析：本征无序蛋白（如原弹性蛋白 tropoelastin）的对接结果的分散度。
擦过ISEF 2026 BCHM008（Grand Award）「ADAMTSL2 Triggers Irreversible Liver Fibrosis」，摘要原文：「Multiple 3D structural models of ADAMTSL2, fibrillin-1, and tropoelastin (TE) were reliably generated for the first time using AlphaFold 3. Their conformational stability was validated through molecular dynamics (MD) simulations in GROMACS（…）Protein-protein docking simulations were then performed in HADDOCK3 to characterize the binding interfaces and energetic affinities of the complex.（…）MD trajectories demonstrated that ADAMTSL2 significantly reduces the conformational entropy of fibrillin-1（…）After docking over 1600 FDA-approved drugs in the ZINC20 database for inhibition of ADAMTSL2, Elbasvir was identified as a potent inhibitor」
这里有一个具体的、可核查的技术点：原弹性蛋白（tropoelastin）是研究得最清楚的本征无序蛋白之一——它的疏水结构域没有稳定二级结构，这正是弹性蛋白弹性的物理基础。AlphaFold 对这类蛋白的预测置信度通常很低。摘要中称模型「reliably generated」，但未报告 pLDDT / PAE 数值，也未报告 MD 轨迹的收敛性判据。 而后续的构象熵计算与 1600 个药物的对接筛选，全部建立在这些结构之上。
你必须做的核实（在写方案之前）： 去 AlphaFold Protein Structure Database 查 ADAMTSL2、FBN1、ELN 三个蛋白的实际 pLDDT 分布。如果它们的界面区 pLDDT 确实很低，你就有了一个铁的证据；如果不低，你的课题前提就得改。这一步零成本、十分钟，必须先做。
文献前作：未核查（AlphaFold 结构用于对接的可靠性有多篇专门评估论文（如 Scardino et al., Holcomb et al.）；pLDDT 与无序性的对应关系有 Ruff & Pappu 等人的工作，必查。这个领域的评估文献已经不少，你的新颖性可能只剩「面向学生流程的可操作阈值」）。
约束可行性极高（F=9）：全部工具免费（AlphaFold DB、PDB、AutoDock Vina / HADDOCK 网页版、PyMOL），一台电脑即可。最可能死在新颖性。最便宜的规避方式： 把交付物定位为一份「AlphaFold + 对接」的操作规程与自查清单：什么情况下可以做、什么情况下必须报告哪些指标、什么情况下结果应当作废。并用本地语料里的若干真实 ISEF 项目作为案例演示（注意措辞：演示方法，不点名批评）。
表格： 纯计算 → Form 1/1A/1B/2A。这是本文件合规负担最轻的一条。
C372–90
用小分子对接的打分函数给 RNA 适配体打分，排得对吗
框架标准分子对接打分函数（为蛋白–小分子相互作用参数化）用于 RNA–蛋白对接时，其打分与实测解离常数（Kd）的 Spearman 相关系数是多少？对同一适配体的点突变系列，打分能预测亲和力变化的方向吗？
你自己的那一点回顾性验证一个跨界使用的工具。 AutoDock Vina、Glide 这类打分函数的经验项（疏水接触、氢键、去溶剂化）是在蛋白–小分子复合物数据集上拟合的。RNA 是高度带电的聚阴离子，其结合以静电与镁离子桥接为主，与小分子结合的物理化学完全不同。 因此打分的绝对值几乎必然无意义；问题在于排序能力是否还保留。
你的设计：(1) 从公开数据（PDB + 文献报告的 Kd，或 SELEX 相关数据库）收集一组有实测亲和力的 RNA/DNA 适配体–靶蛋白对；(2) 用与 ISEF 项目相同的流程（对接 + MD + 结合自由能估计）打分；(3) 计算打分与 log Kd 的 Spearman ρ 与 Kendall τ；(4) 专项检验点突变敏感性：对同一适配体的已知突变系列，打分是否能预测亲和力升降的方向（这是最低要求，比预测数值容易得多）；(5) 若排序能力接近随机，给出一个明确结论：这类流程只能用于生成假设，不能用于选优。
擦过ISEF 2026 BCHM006（Special Award）「RNA Aptamers Targeting BRCA1 Cancers」，摘要原文：「This study investigates how base mutations influence aptamer structure and binding interactions with the BRCA1 protein through molecular modeling and molecular dynamics simulations. Nine parent RNA aptamers were designed and structurally modeled, followed by molecular docking to evaluate binding affinity. Among these, Aptamer 7 (MeLW7) demonstrated the strongest interaction with the BRCA1 binding domain. To further optimize binding performance, targeted base-pair mutations were introduced to MeLW7（…）These variants were analyzed using molecular dynamics simulations in GROMACS to assess structural stability and interaction behavior under solvated conditions. Results showed that mutant aptamer 5 (MA5) achieved the highest mean binding score and exhibited enhanced stability compared to the original sequence.」它完全依据对接打分与 MD 稳定性来选出最优适配体，摘要中未报告任何实验验证，也未报告该打分方案在已知 RNA–蛋白体系上的回顾性排序能力。
文献前作：未核查（RNA 对接与打分函数的评估有专门文献（如 RNA-Puzzles、HDOCK 的 RNA 评估），核酸打分函数（如 rDock 的核酸模式、NLDock）也是独立方向，必查）。
约束最可能死在实测 Kd 数据的稀缺。 有配对结构与亲和力的 RNA 适配体体系不多。最便宜的规避方式： (1) 放宽到 DNA 适配体与核酸–蛋白复合物整体；(2) 若数据仍不足，改用相对基准——对同一适配体的突变系列，用已发表的 SELEX 富集倍数作为亲和力代理（数据量大得多）；(3) 补一层计算内部一致性检验：同一体系用三种不同打分函数排序，看它们彼此的相关性——若三个函数互相都不相关，那么任何一个的排序都不可信，这个结论不需要实验数据就能成立。 这是保底方案。
表格： 纯计算 → Form 1/1A/1B/2A。
C476–86
浊度上升，就是 β-折叠形成吗
框架丝素蛋白溶液在不同盐条件下的 550 nm 浊度，与其实际 β-折叠含量（FTIR 酰胺 I 带解卷积或染料结合法测定）的相关系数是多少？在哪些盐条件下二者背离？
你自己的那一点代理读数的有效性检验，而这里的背离有明确的物理机制可预期。 浊度反映的是溶液中散射体的尺寸与数量，它可以由至少三种不同过程产生：
1. β-折叠结晶驱动的自组装（这是研究者想测的）；
2. 盐析（salting-out）导致的无规聚集——高浓度促溶盐直接降低蛋白溶解度，不需要构象转变；
3. 液–液相分离（LLPS）形成的液滴——它本身不含 β-折叠，但强烈散射光。
霍夫迈斯特序列（Hofmeister series）恰恰同时预测第 1 和第 2 种效应——这就是为什么「浊度与离子浓度强相关」不能单独证明是 β-折叠在起作用。
你的设计：(1) 从蚕茧自制再生丝素（成本几乎为零，流程在文献中很标准）；(2) 复现原研究的盐系列与浊度测量；(3) 对同一批样品并行做构象测定——最便宜的是刚果红结合位移或硫黄素 T 荧光（染料 ~¥100，需荧光检测；若无荧光计，用刚果红的可见光吸收位移，普通分光光度计即可）；(4) 画浊度 vs β-折叠含量的散点，识别背离区；(5) 加一个判别实验：把浊样品离心后重悬于低盐缓冲液——盐析聚集可逆，β-折叠结晶不可逆。这个简单操作能直接区分两种机制。
擦过ISEF 2026 BCHM017（Grand Award）「Ion Effects on Silk Fibroin」，摘要原文：「This study decoupled lyotropic ion effects from pH by treating 10% regenerated B. mori silk fibroin solutions with salts of varying kosmo- and chaotropicity, benchmarked against zwitterionic MES buffer controls at matched pH values. Spectrophotometric turbidity measurements at 550nm revealed that kosmotropic anions (PO4^3-, SO4^2-, CO3^2-) substantially promoted assembly while chaotropic anions (SCN^-, NO3^-) inhibited β-sheet crystallization. Pearson correlation analysis confirmed a strong relationship between ion concentration and turbidity (r=0.93, p<0.01), with no significant association between pH and turbidity (r=0.23, p>0.05)（…）Confocal microscopy with Texas Red-IgG immunofluorescence staining validated the highly tunable filament microstructure of the resulting silk matrices. These results establish that lyotropic ion selection, independent of pH, governs silk fibroin self-assembly」
这个项目的 pH 解耦设计非常漂亮——用等 pH 的 MES 缓冲液对照分离出离子特异效应，这是很干净的实验设计，值得学习。但整条因果链的读数是浊度，摘要中未报告任何直接的二级结构测定（FTIR、CD、染料结合），却直接把浊度变化表述为「β-sheet crystallization」。 共聚焦观察到了纤维微结构，但那是终产物形态，不等同于浊度动力学期间的构象状态。这就是它没问的那个问题。
文献前作：未核查（丝素的 β-折叠转变与霍夫迈斯特效应有大量文献，FTIR 酰胺 I 带解卷积是标准方法；丝素 LLPS 是近年热点，必查——很可能已有直接研究，那样你的贡献要改为「低成本条件下的验证」）。
约束可行性很好（F=8）： 蚕茧几元钱；LiBr 溶解丝素是标准流程（LiBr 需查 SDS）；透析袋便宜；浊度用普通分光光度计或手机+LED 自制。最可能死在构象测定手段。 FTIR 中学没有。最便宜的规避方式： 用刚果红/硫黄素 T 染料法 + 可逆性判别实验这个组合，完全避开 FTIR。尤其是可逆性实验——它几乎不花钱，但判别力很强，应当作为你的核心证据。
⚠️ 注意： 丝素蛋白不在朊样蛋白禁令清单上（该清单是 Aβ、tau、α-syn、TDP-43、Huntingtin 及淀粉样纤维）。但「amyloid fibrils（淀粉样纤维）」在禁令原文里被单独点名。 丝素的 β-折叠不是淀粉样纤维，但如果你的表述向「淀粉样」靠拢，SRC 可能会误判。方案里务必用「silk β-sheet crystallization / silk II conformation」这类术语，明确区分，并在风险评估里主动说明。这是一个纯文书层面的风险，但会卡死你。
表格： Form 1/1A/1B/2A + Form 3（化学品，LiBr / 甲醇 / 染料，逐一查 SDS）。蚕茧为非活体动物产物，不触发脊椎动物条款。展台禁液体/化学品/玻璃：丝素膜（干燥固体）可以带，溶液不行。
C573–83
分子印迹传感器的「选择性」，印迹因子要多大才算数
框架分子印迹聚合物（MIP）传感器的印迹因子（imprinting factor，IF = MIP 响应 / 非印迹聚合物 NIP 响应）随模板/单体/交联剂比例如何变化？IF 要达到多少，才能支撑「选择性识别」这一主张？
你自己的那一点补上 MIP 领域最基本、也最常缺失的那个对照，并给出一个可操作的阈值。 MIP 的全部主张建立在「聚合物内部形成了与模板互补的空腔」这一机制上。唯一能证明这一点的对照是 NIP（non-imprinted polymer）——用完全相同的配方、完全相同的聚合条件，但不加模板分子。 如果 MIP 与 NIP 的响应差不多（IF ≈ 1），那么观察到的「识别」只是非特异吸附，与印迹无关。
本地语料给了你一个极有力的证据点： 一个 2026 年的 Grand Award 项目自己报告了 IF = 1.37——这个数值很低（MIP 文献中通常认为 IF > 2–3 才有实质印迹效应；1.37 意味着 MIP 只比空白聚合物强 37%）。而这个项目已经把该 MIP 做进了侧向层析试纸并用于区分患者与健康人。
你的设计：(1) 合成一个易得模板（咖啡因、抗坏血酸、亚硝酸盐——避开一切生物危害与管制物质）的 MIP 与配套 NIP；(2) 系统扫描模板:单体:交联剂比例（原研究用 1:4:20，你扫一个网格）；(3) 每个配方都测 IF；(4) 关键的第二层：交叉选择性——测结构相似物（如咖啡因 vs 茶碱 vs 可可碱）的 IF，看印迹空腔到底能分辨多细的结构差异；(5) 交付一张「IF vs 可分辨的结构差异」的对应表——即回答「IF 要多大，才能分开一个甲基的差别」。
擦过三个直接锚点。
- ISEF 2026 TMED061（Grand Award）「Detecting Neurodegeneration From Tears」，摘要原文：「a colorimetric lateral flow assay (LFA) using a hydrogel molecularly imprinted polymer (MIP) synthesized via aqueous bulk polymerization with acrylamide, methacrylic acid, and MBAA as a crosslinker to selectively capture lysozyme-C（…）After iterative optimization, the hydrogel MIP for lysozyme achieved an imprinting factor of 1.37, and the LFA incorporating the MIP demonstrated selective binding of lysozyme-C across a range of concentrations relevant to tear fluid, with a clear distinction between patients with cognitive decline and healthy controls.」它诚实报告了 IF = 1.37（这是唯一报告了 IF 的项目，应予肯定），但没有讨论这个数值是否足以支撑「选择性捕获」与「明确区分患者与健康人」。
- ISEF 2025 TMED043（Grand Award）「Detecting Neurodegeneration From Tears」（同一课题的前一年）：「molecularly imprinted polymers (MIPs) were synthesized via bulk polymerization instead of antibodies. The synthesis process involved precise template protein, functional monomer, and crosslinker reactions in a 1:4:20 experimental ratio（…）This approach overcomes the limitations of antibody-based systems by providing increased stability and comparable specificity」——声称「特异性可比抗体」，摘要中未报告 NIP 对照或 IF。
- ISEF 2025 BCHM014（Grand Award）「Novel Biosensor for Lysozyme Detection」：MIP 电化学传感器，成本 $0.40–0.50/片，「The architecture of the sensor is versatile, such that it can easily be adapted for other, understudied proteins, through a simple modification - substituting the MIP in the sensor's architecture with the MIP of the target protein itself」——主张平台的普适性，摘要中未报告 NIP 对照。
- ISEF 2025 BCHM005 与 ISEF 2026 BCHM001（均 Grand Award）的血清素 MIP 传感器：报告了对多巴胺的选择性测试（这是一个真实的选择性对照，值得肯定），但摘要中未报告 NIP 对照——对多巴胺的选择性可能来自电化学氧化电位差异而非印迹空腔。
四五个项目、跨两年、跨两个类目，全都在用 MIP，只有一个报告了 IF，且那个值很低。这是本地语料里最清晰的一个结构性缺口。
文献前作：未核查（MIP 的表征标准与 IF 的意义在分子印迹领域有明确共识与综述，必查——你的贡献不是「发现要做 NIP」，而是「给出一个可操作的 IF 阈值与结构分辨能力的对应关系」）。
约束最可能死在被认为「只是在做别人早就该做的对照」。最便宜的规避方式： 让主结论是定量的、可迁移的：「IF = 1.4 的 MIP 能分辨分子量差 30% 的干扰物，但分不开一个甲基的差别」——这种句子是可以被别人直接引用的。
次要约束： 丙烯酰胺单体是本课题最大的合规风险。 丙烯酰胺在多数 SDS 上标注为可疑致癌物/生殖毒性——2027 规则要求此类化学品必须在受监管研究机构或限制进入的通风橱内操作。 开题前必查你要用的具体产品的 SDS。最便宜的规避方式： 换用不含丙烯酰胺的 MIP 体系（甲基丙烯酸 + EGDMA，或壳聚糖基印迹），并在方案中说明这一替换的理由。
表格： Form 1/1A/1B/2A + Form 3（化学品，逐一查 SDS）。若模板换成蛋白质则可能触发生物材料相关表格——本设计刻意用小分子模板避开。 展台禁化学品/液体。
C673–91
多酚「抑制」了这个酶，还是抑制了检测系统
框架表儿茶素没食子酸酯（EGCG）等多酚类化合物在酶抑制实验中表现出的抑制活性，有多大比例可由以下三条非特异通路解释：胶体聚集、自氧化产生的 H₂O₂、以及对检测体系本身（荧光素酶 / 显色底物）的直接干扰？
你自己的那一点一套完整的 PAINS 排除对照，这是药物化学界的标准动作，但在 ISEF 的天然产物抑制剂课题里几乎从未出现。 多酚是「泛测定干扰化合物」（PAINS, pan-assay interference compounds）的教科书代表，它们通过至少四条机制产生假阳性：
| 机制 | 排除对照 | 成本 |
|---|---|---|
| 胶体聚集（吸附酶分子） | 加 0.01% Triton X-100 或 0.01% BSA | 极低 |
| 自氧化产生 H₂O₂ | 加过氧化氢酶（catalase）；或用 Amplex Red 直接测 H₂O₂ | 低 |
| 对检测酶的直接抑制（发光/显色法） | 只用检测体系跑一遍（不加目标酶） | 零 |
| 共价修饰（醌类加合） | 加 DTT / 谷胱甘肽还原剂 | 低 |
其中第三条最致命、也最便宜：发光法激酶试剂盒（如 ADP-Glo）依赖荧光素酶，而多酚是已知的荧光素酶抑制剂。如果你不单独跑一遍检测体系，就无法区分「抑制了激酶」和「抑制了荧光素酶」——两者在读数上完全一样。
你的设计：用一个便宜的商品化酶–底物体系（碱性磷酸酶 + pNPP 显色，或过氧化物酶 + TMB，试剂成本 <¥300），对一组多酚（EGCG、槲皮素、姜黄素、绿原酸、百里醌）逐一跑上表四组对照，量化每条通路的贡献比例。交付物：一张「多酚抑制剂结果的最小对照集」清单 + 每条通路的典型贡献量级。
擦过四个直接锚点，跨两个类目、两个年份。
- ISEF 2026 BCHM012（Grand Award）「EGCG: A Therapeutic Agent in Alzheimer's Disease」，摘要原文：「Microscale thermophoresis was performed to understand binding affinities, and kinase assays and western blotting were utilized to understand phosphorylation patterns of CDK5 in the presence of CRMP2 and EGCG（…）It was concluded that CDK5 and CRMP2 have a strong binding affinity that is disrupted by EGCG, which is an uncompetitive inhibitor.」它做了 MST 结合测定（这是一个很强的正交证据，比单纯的活性测定扎实得多），但摘要中未报告去污剂、过氧化氢酶或检测体系单独对照。
- ISEF 2026 TMED021T（Grand Award）「Novel GSK3β Inhibitors as Alzheimer's Therapeutics」：「Luminescent kinase and ADP-Glo™ assays were performed to determine the activity of chlorogenic acid and thymoquinone. To determine the IC50 values, 4-parameter logistic regressions were applied to dose-response curves of each inhibitor's obtained luminescence（…）The hypothesis was supported; both test inhibitors demonstrated GSK3β inhibition.」用发光法测多酚（绿原酸）的激酶抑制，摘要中未报告荧光素酶干扰对照——这正是上表第三条。
- ISEF 2025 BMED059（Grand Award）：分子对接筛出槲皮素为钙蛋白酶抑制剂首选（结合能 −64.826 kcal/mol），并做胆固醇外流实验。
- ISEF 2026 BCHM039（Special Award）：姜黄素–五聚素偶联物——姜黄素是 PAINS 名单上排第一的化合物，且在 pH 7.4 水溶液中半衰期只有数分钟到数十分钟。
⚠️ 合规红线（这决定了本课题的读数选择）： BCHM012 与 TMED021T 的靶点分别涉及 CRMP2/tau 通路与 GSK3β/tau 通路。2027 规则禁止涉及 tau 等朊样蛋白的研究。你不要复制这些靶点。 本课题刻意使用与神经退行完全无关的商品化酶（碱性磷酸酶、过氧化物酶），因为你要问的是「多酚干扰的通用机制」，靶点是什么并不重要。这个替换同时降低了成本和合规风险。
文献前作：未核查（PAINS 概念有 Baell & Holloway 2010 的奠基论文；多酚的胶体聚集有 Shoichet 组的系列工作；EGCG 的自氧化产 H₂O₂ 有专门文献。这些都是成熟结论，必查——你的贡献必须定位为「在低成本可及体系上的定量标定 + 面向学生项目的对照清单」，而不是「发现多酚会干扰」）。
约束最可能死在新颖性表述。 若你写成「我发现多酚会产生假阳性」，评委（尤其是药物化学背景的）会直接指出这是二十年前的常识。必须写成「我量化了每条干扰通路在低成本学生实验条件下的贡献比例，并给出一个可执行的最小对照集」。这个措辞差别决定生死。
次要约束： 需要分光光度计或酶标仪（学校化学实验室常有）；Triton X-100 与过氧化氢酶便宜。Triton X-100 需查 SDS（部分产品标注内分泌干扰/生殖毒性）。
表格： 商品化纯酶（非活体微生物）→ 通常不触发 Form 6A，但应在 Form 3 中标明来源与目录号；Form 1/1A/1B/2A + Form 3。展台禁液体/化学品/玻璃。
C768–86
「假司美格鲁肽」的毒性，是肽的问题还是醋酸根的问题
框架在果蝇模型中，司美格鲁肽醋酸盐相对于标准司美格鲁肽表现出的「不健康生长」，有多少可由醋酸根离子本身解释？加入等摩尔醋酸钠对照后，效应还剩多少？
你自己的那一点一个被漏掉的溶剂/反离子对照，加一个模型有效性的前提检验。
第一层（反离子）： 「司美格鲁肽醋酸盐」与司美格鲁肽的化学差异主要在反离子。而醋酸根在果蝇里不是惰性的——它是乙酰辅酶 A 的直接前体，参与脂代谢与组蛋白乙酰化，能直接影响脂肪体与生长。因此「假药导致不健康生长」这个结论，必须先排除醋酸根本身。 对照极其简单：等摩尔醋酸钠。
第二层（模型有效性）： 果蝇没有已确证的 GLP-1 受体直系同源物。原研究自己也说「Prior to this study, it was unknown how similar the fruit fly GLP-1 hormone is to humans and whether GLP-1 agonists could work in flies」。这意味着「司美格鲁肽在果蝇里起作用」这个观察，本身需要一个受体依赖性检验。 最便宜的检验是乱序肽对照（scrambled peptide，同样的氨基酸组成、随机顺序）：如果乱序肽产生同样效果，那么效应与序列特异的受体结合无关。
你的设计：五组——载体、司美格鲁肽、司美格鲁肽醋酸盐、等摩尔醋酸钠、乱序肽（或另一个无关肽），读数用原研究的三个指标（幼虫翅盘亮度代表胰岛素活性、翅盘面积代表器官生长、脂肪体脂滴大小代表肥胖）。
擦过ISEF 2026 BCHM031（Grand Award + Special Award）「Semaglutide in Drosophila With Diabetes/Obesity」，摘要原文：「some pharmacies produce much cheaper, non-FDA-approved compounded semaglutide, colloquially called "fake" semaglutide—semaglutide acetate is a common compound. This treatment has caused fatalities, but its effects have not been studied.（…）For the first time, Drosophila (fruit flies) were used as a model to study GLP-1s. Prior to this study, it was unknown how similar the fruit fly GLP-1 hormone is to humans and whether GLP-1 agonists could work in flies.（…）In flies with type 2 diabetes, semaglutide raised insulin activity, caused healthy growth, and reduced obesity, mirroring GLP-1s' success in humans. Although "fake" semaglutide also raised insulin activity and reduced obesity, it caused unhealthy growth, an indicator of many issues in humans from high blood pressure to tumors and cancer. This study is the first to show that fruit flies are an effective and even beneficial model for human GLP-1s.」它自己指出了模型有效性是未知的，然后用实验结果反过来论证模型有效——这是一个循环。摘要中未报告反离子对照或序列特异性对照。
公平之处： 这是一个非常有创意的课题，而且诚实标注了「模型有效性未知」这个前提。你的课题是把那个前提补上，而不是推翻它的结论。 说不定你会发现效应完全是序列特异的——那就是对它的强力背书。
文献前作：未核查（果蝇的 GLP-1 类似物（如 CCHamide、Dilp）与哺乳动物 GLP-1 受体的同源关系，在果蝇内分泌学文献中有讨论；肽药的反离子效应在药剂学里有研究，必查）。
约束最可能死在肽的成本。 司美格鲁肽是处方药，中学生不可能合法获取。最便宜的规避方式（也是必须的）： 改用一个可合法购买的研究级肽或非处方 GLP-1 相关小分子，或者干脆把课题重心移到方法学层面：「肽类/盐类给药实验中，反离子与序列特异性对照的必要性——以果蝇代谢模型为例」，用任意一个可得的商品化肽（如短的抗菌肽或市售的膳食肽）演示这套对照体系。这个改法牺牲了「司美格鲁肽」这个热点，但保住了课题的合法性与可行性。不要试图绕过药品获取的问题。
表格： 果蝇为无脊椎动物 → 不需要 Form 5A/5B；Form 1/1A/1B/2A + Form 3（化学品/药品，须查 SDS）。若涉及任何管制物质则需 Form 2B——本设计必须避开处方药。
C870–88
「过氧亚硝酸盐特异性抑制剂」到底特异不特异
框架常用于「证明过氧亚硝酸盐（ONOO⁻）参与」的三件工具——DMPO（自旋捕获剂）、apocynin（宣称的 NOX2 抑制剂）、苯硼酸（PBA，宣称的 ONOO⁻ 清除剂）——对 H₂O₂、次氯酸（HOCl）、超氧阴离子的交叉反应各有多强？基于这三件工具得出的「ONOO⁻ 特异」结论，其特异性上限是多少？
你自己的那一点一次探针特异性的直接标定，用纯化学体系做，完全不碰细胞。 这三件工具的特异性问题在氧化还原生物学界都有明确记载：
- 苯硼酸类探针与 H₂O₂ 的反应速率常数约 1–2 M⁻¹s⁻¹，与 ONOO⁻ 约 10⁶ M⁻¹s⁻¹ ——速率常数差 6 个数量级看似很特异，但细胞内 H₂O₂ 浓度通常比 ONOO⁻ 高 3–4 个数量级，所以实际贡献可能同量级。这是一个纯粹的算术问题，很多人没算过。
- apocynin 在非吞噬细胞中不是 NOX 抑制剂 ——它需要髓过氧化物酶催化二聚才形成活性形式；在缺乏 MPO 的细胞里，它主要作为一般抗氧化剂起作用。
- DMPO 自旋加合物在无 EPR 的情况下无法区分捕获的是哪种自由基。
你的设计：(1) 用化学发生器分别产生四种氧化剂——ONOO⁻（SIN-1 分解或亚硝酸盐+H₂O₂ 酸法）、H₂O₂（直接）、HOCl（次氯酸钠）、O₂⁻·（黄嘌呤/黄嘌呤氧化酶或 KO₂）；(2) 对每种氧化剂，测三件工具的响应，构建 4×3 的交叉反应矩阵；(3) 关键的第二步：把矩阵与生理浓度相乘，给出「在典型细胞内浓度下，PBA 信号有百分之多少来自 H₂O₂」；(4) 交付一张「基于这些工具的 ONOO⁻ 归因，其可信上限是多少」的判据表。
擦过ISEF 2025 BCHM015（Grand Award）「Targeting Peroxynitrite-Inflammation Axis in PCOS」，摘要原文：「I hypothesize that peroxynitrite, a strong cellular oxidant will trigger the activation of micro-RNA (miR)-21（…）To prove the role of biochemical redox pathways, I used DMPO (nitrone spin trap), Apocynin (NOX2 enzyme inhibitor) and Phenyl Boronic Acid (PBA)(peroxynitrite scavenger). Results showed that specific inhibitors of peroxynitrite pathway significantly decreased miR21 levels, suggesting that ONOO- is involved in miR21 activation. It also showed that ONOO- resulted from an activated NOX2 enzyme since apocynin, an inhibitor of p47 phox translocation to the membrane, blocked ONOO- formation.（…）In conclusion, my data represented a unique and novel redox mediator in PCOS that was upstream of the miR21-NLRP3 axis」整条因果链（ONOO⁻ → miR-21 → NLRP3 炎症小体）的特异性完全建立在这三件药理工具上，摘要中未报告它们的交叉反应验证。 摘要原文用了「specific inhibitors」与「to prove」这样的措辞——这正是你要检验的那个「特异」。
文献前作：未核查（apocynin 的非特异性有 Heumüller et al. 2008 等明确论文；硼酸探针的 H₂O₂/ONOO⁻ 反应速率常数有 Kalyanaraman 组的系统工作；「ROS 检测方法的陷阱」有多篇权威综述。这些是成熟结论，必查——你的贡献要定位在「低成本可及条件下的定量矩阵 + 浓度加权的实际贡献估算」）。
约束最可能死在化学品安全。 次氯酸钠、过氧化氢、亚硝酸盐、SIN-1 都需要查 SDS。亚硝酸盐类通常标注致癌性——2027 规则要求此类化学品必须在受监管机构或限制进入的通风橱内操作。开题前必查，这一步零成本但决定成败。
次要约束： 需要分光光度计或荧光计。ONOO⁻ 极不稳定（生理 pH 下半衰期 <1 秒），现场制备与浓度标定是技术难点。最便宜的规避方式： 用 SIN-1（缓释型 ONOO⁻ 供体，商品化、稳定、可控），完全避开自制强氧化剂；这也大幅降低安全风险。这个替换应当写在方案第一版里。
表格： Form 1/1A/1B/2A + Form 3（危险化学品，逐一查 SDS）。若某试剂 SDS 标注致癌/致畸/生殖毒性 → 必须在 RRI 或限制进入通风橱内操作，可能触发 Form 2C。不涉及细胞或人体样本（这是本设计相对原研究的最大简化）。展台禁化学品/液体/玻璃。
C965–75
划痕愈合变慢，是细胞不爬了还是细胞不长了
框架在划痕愈合（scratch/wound healing）实验中，观察到的伤口闭合减慢，有多大比例来自迁移能力下降，多大比例来自增殖减少或药物毒性？加入增殖阻断剂（丝裂霉素 C 或血清饥饿）后，效应还剩多少？
你自己的那一点补上细胞生物学最经典的一个对照，并把它量化成一个通用的换算系数。 划痕实验测的是伤口闭合速率，而闭合由两个过程共同完成：细胞向伤口区迁移 + 细胞分裂增加总细胞数。要把结论表述为「迁移能力下降」，必须先把增殖冻结。 标准做法是丝裂霉素 C 预处理或低血清培养。
第二层同样重要：细胞毒性。 siRNA 在 80 nM 这样的高浓度下会产生脱靶效应与转染试剂毒性。若细胞在死，伤口当然闭合得慢——这与「迁移能力」无关。 因此必须并行做活力测定（MTT/MTS）并报告在相同条件下的活力百分比。
你的设计：(1) 选一个易培养的贴壁细胞系（NIH-3T3、HeLa 等常见已建系细胞）；(2) 用三种处理——阳性对照迁移抑制剂、一个已知细胞毒剂、以及高浓度转染试剂本身（无 siRNA）；(3) 每个条件都在有/无丝裂霉素 C 两种情况下测闭合速率，并同步测活力；(4) 交付一张「未做增殖对照的划痕实验，其『迁移效应』被高估的倍数」的换算表，按处理类型分类。
擦过ISEF 2025 BCHM019T（Special Award）「Limiting Esophageal Cancer With KRT16 siRNA」，摘要原文：「This hypothesis was tested by treating OE19 esophageal tumor cells with three concentrations of KRT16-targeted siRNA (20nM, 40nM, 80nM), then measuring the expression of the mesenchymal biomarker protein vimentin, as well as the cells' migration.（…）An in-cell western blot was then performed to evaluate the extent of EMT through the expression of vimentin; a significant (p < 0.01) decrease in vimentin was found with an increase in siRNA concentration. In a scratch assay, higher siRNA concentrations corresponded with significantly (p < 0.01) decreased cell migration.」它用划痕实验的结果直接表述为「细胞迁移减少」，摘要中未提及增殖阻断对照，也未报告各 siRNA 浓度下的细胞活力。 20/40/80 nM 的浓度梯度中，80 nM 属于偏高的转染浓度，脱靶与毒性风险随浓度上升——而「浓度越高效应越强」这个剂量依赖关系，正好也是毒性的典型表现。这就是它没排除的那个可能。
文献前作：未核查（划痕实验的方法学局限与增殖对照的必要性，在细胞迁移领域是标准知识（Liang et al. 2007 的方案论文即已强调），必查。这条的新颖性天花板很低，务必提前知道——这也是本条 O 只给 6 分的原因）。
约束最可能死在两头：一头是可行性（需要细胞培养设施、CO₂ 培养箱、倒置显微镜、无菌操作——中学基本不具备，必须进 RRI）；另一头是新颖性（这是教科书级的对照，评委会问「这不是常识吗」）。最便宜的规避方式： 把交付物定位为定量的换算表而非定性的提醒——「对于细胞毒性类处理，未做增殖对照会把迁移效应高估 2.3 倍；对于细胞骨架类处理，高估 1.1 倍」。这种带数字的分类结论，是常识变成贡献的唯一途径。
若拿不到细胞培养： 本条应当直接放弃，不要勉强替代。这是本文件里我唯一建议「没有实验室就别做」的一条。
表格： 已建系细胞系 → 豁免 SRC 事前批准，但须在研究计划与 Form 3 中标明来源/目录号；在大学/医院实验室完成 → Form 2C（须在展台竖立展示） + 可能的 Form 2B；Form 1/1A/1B/2A。
C1066–84
碳点荧光变化，是分子识别还是内滤光和 pH
框架碳点（carbon dots）荧光传感体系中，加入分析物后观察到的荧光变化，有多大比例可由内滤光效应（inner filter effect）、pH 漂移与离子强度变化解释，而非特异性结合？
你自己的那一点一套内滤光/环境效应的排除协议，材料成本几乎为零。 碳点荧光传感的假阳性来源非常集中：
1. 内滤光效应（IFE）： 若分析物在碳点的激发或发射波长有吸收，它会「吃掉」光而使荧光下降——这与结合无关。标准校正是 Lakowicz 公式（用分析物在激发/发射波长的吸光度校正观测荧光），但学生项目几乎从不做。
2. pH： 碳点的表面官能团（羧基、氨基）的质子化状态强烈影响量子产率。加入任何酸性或碱性分析物都会改变荧光。
3. 离子强度/聚集： 高盐会诱导碳点聚集淬灭。
4. 激发波长依赖性： 碳点荧光通常随激发波长移动（excitation-dependent emission）——这意味着在单一激发波长下测得的「淬灭」可能是发射峰移出了检测窗口。
你的设计：(1) 用果皮（橙皮、西瓜皮）微波法自制碳点（成本 <¥20，流程在文献中很标准）；(2) 选 3–4 个分析物，其中至少一个在碳点激发/发射波长有强吸收（如某染料或金属离子）、一个显著改变 pH；(3) 对每个分析物，测量未校正荧光变化 vs IFE 校正后 vs pH 钳制后三组数据；(4) 交付一张「未校正的碳点传感响应，其中特异性识别贡献占比」的分解表，并给出一份最小对照清单。
擦过ISEF 2025 BCHM037（Top Award + Grand Award + Special Award）「Nanosystem for Identification of Exosomes of TNBC」，摘要原文：「we report the design of fruit-based magneto-fluorescent carbon dot nanoarchitectures for the identification of exosomes associated with TNBC. Yellow, green, and blue carbon dots were prepared using orange peel, yellow melon, and cantaloupe organic material. The carbon dots were coupled with amine functionalized Fe2O3 magnetic nanoparticles (MNPs) using the EDC/NHS coupling method. The MNP-carbon dot composites were conjugated with aptamers to form magneto-fluorescent nanoarchitectures. The nanoarchitectures were then employed in mixed exosome environments, displaying good specificity to the Tenascin C, ubiquitin carboxyl terminal hydrolase L1, and Programmed Cell Death Ligand-1 exosomes enabling multi-exosome detection of TNBC.」它主张对三种外泌体标志物的良好特异性，摘要中未报告内滤光校正、pH 对照或非靶适配体对照。 这是本类目两届中奖项最高的项目之一（Top Award），因此针对它的方法学问题格外有分量——但也格外需要你措辞谨慎：你要问的是「这类传感体系需要哪些对照」，不是「它做错了」。
文献前作：未核查（内滤光效应校正（Lakowicz 的荧光光谱学教材）、碳点荧光机理的争议、碳点传感的假阳性，都有专门文献与批评性综述，必查）。
约束可行性很好（F=8）： 果皮碳点微波合成极便宜；需要一台荧光分光光度计（学校化学实验室可能有）或手机 + UV LED + 滤光片 + 色卡的低成本方案。若走低成本方案，必须先用标准荧光素溶液做浓度–强度标定，证明动态范围与线性足够——这一步在开题前完成。
最可能死在被认为「只是在做仪器校正」。最便宜的规避方式： 把结论落成一个惊人的具体数字：例如「在一个典型的碳点–金属离子传感体系中，报告的 60% 荧光淬灭里，有 45 个百分点来自内滤光效应」。带具体百分比的分解，比「应该做校正」有力十倍（这也符合本地语料的统计结论：含百分比量化结果是与获奖相关性最强的摘要特征）。
表格： Form 1/1A/1B/2A + Form 3（化学品 + 微波/UV 装置，须查 SDS）。不涉及外泌体或任何生物样本（本设计刻意用化学分析物替代）。展台禁液体/化学品/玻璃/UV 光源通电。
C1166–84
一个错配就能分开，两个 miRNA 家族成员呢
框架核酸杂交型生物传感器的选择性，随靶标错配的数量与位置如何变化？在总 RNA 背景下，它能否分开只差 1–2 个核苷酸的 miRNA 家族成员？
你自己的那一点把「一个乱序对照」升级为一个完整的选择性阶梯。 报告「对一条错配序列有选择性」是最低门槛，而真实样本中的挑战完全不同：let-7 家族有十几个成员，彼此只差 1–2 个核苷酸；miR-1202 之类的靶标也存在高度相似的旁系。 一个能分开随机乱序序列的探针，未必能分开单碱基错配，更未必能在总 RNA 的背景下工作。
你的设计（全部用合成寡核苷酸，成本可控）：
1. 错配阶梯： 合成靶标序列的系列变体——完美匹配、1 个错配（分别位于 5′端、中部、3′端）、2 个错配、3 个错配、完全乱序。位置维度很关键：茎环探针的中部错配通常最具区分度，端部错配几乎分不开。
2. 背景维度： 在纯缓冲液、加入 100 倍过量的非靶 RNA、加入总 RNA 提取物三种背景下重测。
3. 温度维度： 扫描杂交温度，找出选择性最大的窗口，并量化「工作温度偏离 2 °C 时，单碱基分辨能力损失多少」。
4. 交付： 一张「探针设计参数 vs 可分辨的最小错配数」的对应表。
擦过两个跨年度的同一课题锚点。
- ISEF 2025 BCHM005（Grand Award）「Sensor and Biosensor for Mental Disorder Diagnosis」，摘要原文：「To develop the microRNA biosensor, the four-way-junction (4WJ) technology was applied for the first time in the recognition of microRNA-1202. The 4WJ is composed of a DNA stem-loop probe (SL) attached to a gold electrode for target recognition（…）Strands m and f—each of which contains half of the SL and microRNA-1202 complementary sequences—are used to provide selectivity and aid in the hybridization process.（…）the microRNA-1202 reached an LOD of 0.5 nanomolar. Both had high reproducibility (10% or less), selectivity, and sensitivity（…）Future work involves the application of these sensors to biological samples, such as blood and saliva.」
- ISEF 2026 BCHM001（Grand Award）「Simultaneous Detection of Mental Health Diagnosis」（次年延续）：「a novel electrochemical biosensor was optimized for the simultaneous detection of miRNAs using the four-way-junction (4WJ) technology（…）Furthermore, this sensor exhibited high selectivity when tested against a mismatched miRNA sequence. Biological fluids (i.e., cerebrospinal fluid and blood serum) were evaluated to mimic real-world conditions for future clinical sample analysis.」
两年的项目都主张选择性；2026 版明确说明选择性是「对照一条错配序列」测得的。摘要中未报告错配数量/位置的阶梯，也未报告家族成员间的区分能力。 而这两个项目自己都把「应用到真实生物样本」列为下一步——那正是选择性阶梯变成生死问题的地方。
文献前作：未核查（核酸探针的错配区分能力、miRNA 家族的检测特异性挑战，在核酸传感领域有大量文献（toehold 探针、竞争性杂交等专门解决方案），必查——这一条的新颖性可能被压缩为「针对 4WJ 这一特定架构的选择性标定」，那仍然成立）。
约束最可能死在读数手段。 原研究用金电极电化学法，需要恒电位仪与金电极修饰技术。最便宜的规避方式： 把 4WJ 架构改造成分子信标荧光版本（茎环探针 5′端荧光基团、3′端淬灭基团），用荧光计或甚至凝胶电泳读数——杂交热力学（也就是你要研究的东西）与读数方式无关，因此这个替换不损害科学问题，却把成本从数千元降到数百元。这一点必须在方案里明确论证，否则评委会问「为什么不用原方法」。
次要约束： 合成寡核苷酸每条约 ¥30–100，一套阶梯（约 10 条）成本可控。
表格： 合成寡核苷酸（非活体、非 rDNA 表达系统）→ 通常只需 Form 3；Form 1/1A/1B/2A。若使用真实的人血清/脑脊液则触发 Form 6A + 6B + IRB——本设计用商品化总 RNA 或酵母 RNA 作背景，刻意避开。 展台禁液体/化学品。
C1256–74
薄层色谱说 1.34 g/L，高效液相说 44.5 µM
框架对同一批发酵样品，薄层色谱（TLC）灰度定量与 HPLC（或酶偶联法）给出的目标代谢物浓度，一致性有多高？在什么浓度区间 TLC 定量的偏差超过一个数量级？
你自己的那一点一次方法学一致性（method agreement）研究，起点是本地语料里一处内部数值张力。 一个 2025 年的获奖项目在同一段摘要里报告了两个数字：用 HPLC 测得的胞内 NMN 浓度是 44.5 µM（约 0.015 g/L），随后用 TLC 报告工程菌的 NMN 效价达到 1.34 g/L——相差约 90 倍。
必须诚实说明：这两个数字未必矛盾。 前者是特定构建体的胞内浓度，后者是进一步改造（共表达磷酸戊糖途径三个基因）后的发酵效价，且可能是总量而非胞内浓度。但摘要没有说明这个跨越是如何由 TLC 这一半定量方法确证的，而 TLC 灰度定量在这个浓度区间的误差本身就可能达到数十个百分点。
你的设计：(1) 取一个便宜、稳定、易检测的代谢物（如维生素 B 族、氨基酸、有机酸）；(2) 配制已知浓度的系列标准品，覆盖三个数量级；(3) 用 TLC + 显色 + ImageJ 灰度定量 与一个正交方法（酶偶联比色法、或商品化试剂盒）分别测定；(4) 画 Bland–Altman 图，报告偏倚与一致性界限；(5) 专项检验基质效应：在纯水 vs 发酵上清（可用酵母培养上清，属豁免范围）中重复，量化基质对 TLC 定量的额外偏差；(6) 交付一条「TLC 灰度定量的可信浓度窗口」判据。
擦过ISEF 2025 BCHM032T（Special Award）「Engineered V. natriegens for NMN Production」，摘要原文：「HPLC analysis revealed that the highest intracellular NMN concentration was obtained with NAMPT from C. pinensis (44.5 μM). Based on these results, three essential genes in the pentose phosphate pathway from E. coli encoding ribose-phosphate diphosphokinase, glucose 6-phosphate dehydrogenase, and 6-phosphogluconate dehydrogenase were co-expressed with NAMPT from C. pinensis in V54-33 strain. TLC analysis showed that the NMN titer of this recombinant strain reached 1.34 g/L after only 14 hours of fermentation. This study demonstrated for the first time the capability of efficient production of NMN in Vibrio natriegens.」这个项目的核心声明（1.34 g/L 效价、「首次证明」）由 TLC 支撑，而更精确的 HPLC 只用在前一步。摘要中未报告 TLC 定量的验证或与 HPLC 的一致性。
⚠️ 合规提醒（为什么你不能复制这个课题）： 原研究涉及基因组编辑、质粒转化、重组菌发酵。所有 rDNA 研究即使 BSL-1 也需要 SRC 事前批准 + 至少 BSL-1 实验室 + QS/DS 监督；家中一律禁止培养任何潜在危险生物制剂。 本课题完全不做基因工程、不培养重组菌，只做分析化学的方法学比较，必要时用面包酵母/啤酒酵母发酵作为基质来源——规则明确豁免面包酵母与啤酒酵母发酵（rDNA 研究除外）。这个设计把合规负担降到接近于零。
文献前作：未核查（TLC 密度法定量的精度与局限在分析化学教材与文献中有系统讨论；Bland–Altman 方法学有其原始论文，必查）。
约束最可能死在缺少正交参考方法。 若既没有 HPLC 也没有合适的酶法试剂盒，就没有「真值」可比。最便宜的规避方式： 用已知浓度的标准品本身作为真值——这完全绕开了对第二台仪器的需求，而且更严格（标准品浓度是配制出来的，不是测出来的）。只有在做基质效应那一层时，才需要一个正交方法，而那一层可以用「标准加入法（standard addition）」代替，同样零成本。这个降级路径应该写成方案的主线，而不是备选。
次要约束： 展开剂通常是有机溶剂（甲醇、丁醇、乙酸）——逐一查 SDS；显色剂（如茚三酮）也需查。
表格： Form 1/1A/1B/2A + Form 3（化学品）。若用酵母发酵作基质 → 面包酵母/啤酒酵母发酵豁免 PHBA 事前审查（rDNA 除外），但仍应在 Form 3 中说明。展台禁液体/化学品/玻璃：TLC 板（干燥）可以带。
C1368–86
抑制 p300 会改变几百个蛋白，凭什么归因给这一个位点
框架用 p300 抑制剂或 LDHA 抑制剂来论证「某蛋白的乳酰化驱动了某表型」时，这两种抑制剂在全蛋白质组尺度上分别影响了多少个位点？把表型变化归因于单一位点，其归因强度的上限是多少？
你自己的那一点一次归因特异性的定量预算，全部用公开蛋白质组数据完成，零实验成本。 p300 是一个广谱的酰基转移酶，其底物涵盖数百种蛋白的乙酰化位点；LDHA 抑制则改变整个细胞的乳酸/丙酮酸平衡与 NAD⁺/NADH 比，进而影响糖酵解、组蛋白乳酰化与数百个下游位点。因此「抑制剂处理后表型改变 ⇒ 该位点的修饰驱动了表型」这个推理，其特异性完全取决于抑制剂影响的位点数。
你的设计：(1) 从 PRIDE / ProteomeXchange 下载已发表的 p300 抑制、LDHA 抑制、以及乳酰化组学数据集；(2) 统计每种扰动下显著变化的位点数与蛋白数，按通路分类；(3) 计算「归因稀释因子」——若一个扰动改变了 N 个位点，且没有其他证据，那么归因给任一特定位点的先验概率约为 1/N；(4) 反过来量化「什么样的正交证据能把归因强度提回来」：位点突变体（如 K→R 突变）、结构域缺失、体外重构——各能把归因强度提升多少（用贝叶斯框架表达）；(5) 交付一份「修饰归因的证据等级表」。
擦过ISEF 2026 BCHM025（Grand Award）「Role of PRPS1 Lactylation in Glioblastoma」，摘要原文：「I demonstrated the enzyme p300 drives PRPS1 activation through lactylation（…）I hypothesized that p300 promotes de novo nucleotide biosynthesis by lactylating PRPS1, facilitating its hexamer formation and activation.（…）To test this, U87 and U-251 MG cells were treated with p300 or LDHA inhibitors or p300 siRNA, and assessed for PRPS1 lactylation and hexamer formation, as well as DNA replication and TMZ sensitivity. I found that inhibiting p300 or LDHA reduced PRPS1 lactylation and hexamer assembly, decreased nucleotide synthesis, and impaired DNA replication. Inhibiting p300 or LDHA, or the generation of PRPS1-lactylation deficient mutants resensitized TMZ-resistant GBM cells to TMZ again in the laboratory setting.」
必须公平指出：这个项目做了乳酰化缺陷突变体——这正是上面第 (4) 点里最强的那种正交证据，它把归因强度大幅提升了。 所以这不是一个「归因不成立」的案例，而是一个「归因证据分层」的绝佳教学案例：药理抑制剂给出弱归因，突变体给出强归因。你的课题正是要把这个分层量化。用它作为正面案例（而不是反面案例）来演示你的框架，会让你的方案强得多。
文献前作：未核查（化学探针的特异性标准（Chemical Probes Portal、Arrowsmith et al. 2015 的「化学探针使用规范」）、翻译后修饰的因果归因标准，都有明确的社区共识文件，必查）。
约束最可能死在公开乳酰化组学数据的稀缺（这是一个较新的修饰类型）。最便宜的规避方式： 把框架建立在数据丰富的乙酰化组学上（p300 底物组数据充足），把乳酰化作为一个应用案例并明确说明数据限制。
次要约束： 蛋白质组学原始数据体量大、格式复杂。建议直接使用已处理的补充表格（论文的 Supplementary Tables），而不是从 raw 文件重新搜库——后者的算力与技术门槛会吃掉整个窗口。
表格： 公开数据 → Form 1/1A/1B/2A。零合规负担。
C1460–78
一个「CV<12%」的测定法，误差是从哪几处来的
框架一个基于蛋白热稳定性位移的定量测定法，其总变异中，来自同一次实验内的重复、不同批次实验之间、以及不同蛋白制备批次之间的比例各是多少？宣称的精度（CV<12%）覆盖了这三层中的哪几层？
你自己的那一点一次量具重复性与再现性分析（gauge R&R），这是工业计量学的标准工具，在生化测定法开发中很少被完整报告。 一个测定法报告「CV < 12%」时，这个 CV 通常是同一天、同一批试剂、同一份蛋白的技术重复。而真正决定临床可用性的是：换一天、换一批蛋白、换一个操作者之后的 CV。 这三层变异往往相差数倍。
你的设计（用便宜的商品化蛋白，不做蛋白表达）：(1) 选一个廉价且有已知配体的蛋白（如碳酸酐酶 + 磺胺类、牛血清白蛋白 + 华法林/水杨酸），用 SYPRO Orange 或类似染料做热位移测定（若无 qPCR 仪，可用带温控的分光光度计做浊度熔解曲线，牺牲精度但可行）；(2) 嵌套设计：3 个蛋白批次 × 4 个实验日 × 3 个技术重复；(3) 用方差分量分析（ANOVA 随机效应模型）拆出三层贡献；(4) 报告「技术重复 CV」与「总 CV」的比值；(5) 交付一份「测定法精度声明应当包含哪些层次」的规范建议。
擦过ISEF 2026 BCHM032（Special Award）「A New Method to Measure Serum Drug Levels」，摘要原文：「I developed a new method for drug measurement, a "modified thermal shift assay." In this assay, a probe derived from a drug's intended protein target undergoes thermal stabilization upon drug binding.（…）due to the high affinity of MEK1 binding to trametinib, the initial formulation of this assay was highly sensitive but also saturated at low drug concentrations. To address this, I have here modified this assay by expressing and purifying a series of mutant MEK1 protein probes with reduced trametinib binding affinities. Utilization of these mutant MEK1 probes in parallel with wild type MEK1 greatly increased assay dynamic range and precision. The modified assay displays a <12% coefficient of variation across over 5 logs, characteristics superior to most current clinical drug monitoring assays. This assay only requires widely available equipment, is simple and rapid to conduct, and can be easily modified to measure other drugs.」它以「CV<12%、跨越 5 个数量级」为核心性能声明，并宣称优于多数现行临床药物监测方法。摘要中未说明该 CV 涵盖哪几层变异（技术重复 / 批间 / 蛋白制备批次）。 而该方法的关键组件是自行表达纯化的一系列突变蛋白探针——蛋白制备的批间差异恰恰是最可能被漏掉、也最可能超过 12% 的那一层。
文献前作：未核查（临床化学的方法验证有 CLSI 的正式指南（EP05 精密度、EP15），规定了必须报告的精度层次；gauge R&R 有工业统计学文献，必查——这些标准的存在恰恰强化了你的论点，也界定了你的新颖性只能落在「用它评估一个学生开发的测定法」上）。
约束最可能死在可行性。 热位移测定标准做法需要实时 PCR 仪（学校罕有）。最便宜的规避方式： 用水浴 + 分光光度计的手动熔解曲线（在一系列温度点孵育后测浊度或荧光），精度差但足以做方差分解——因为你要的是各层变异的相对比例，不是绝对精度。这个论证必须写进方案，否则评委会认为你的测定法太粗糙。
次要约束： SYPRO Orange 或类似染料需购买（约 ¥500）。不做蛋白表达纯化——直接买商品化蛋白，这既是成本考虑，也让「蛋白批次」这一层变成「购买批次」，同样可分析。
表格： 商品化纯蛋白（非组织、非细胞）→ 通常不触发 Form 6A，但须在 Form 3 中标明来源/目录号；Form 1/1A/1B/2A + Form 3（染料与加热装置）。展台禁液体/化学品/玻璃。
C1575–85
换一个内参基因，那个「显著上调」还在吗
框架qPCR 相对定量结果对内参（housekeeping）基因选择的敏感性有多大？在应激、增殖抑制、生长因子刺激这三类常见处理下，常用内参（GAPDH、ACTB、18S、TUBB）自身的表达变化了多少？换一个内参，报告的目标基因倍数变化会移动多少？
你自己的那一点一次内参稳定性的系统检验，全部用公开 RNA-seq 数据完成，零成本、零合规。 qPCR 的相对定量（ΔΔCt）的全部有效性建立在一个假设上：内参基因在所有实验条件下表达恒定。 而这个假设在应激条件下经常不成立——GAPDH 是糖酵解酶，在缺氧和代谢应激下显著上调；ACTB 在细胞骨架重塑（正是 EMT、肥大、迁移类研究的核心过程）中变化；18S 在核糖体生物合成变化时移动。换句话说：内参最不稳定的场合，恰恰是生化课题最常研究的场合。
你的设计：(1) 从 GEO/ArrayExpress 收集若干配对的处理–对照 RNA-seq 数据集，覆盖氧化应激、生长因子刺激、增殖抑制、肥大刺激等条件；(2) 提取常用内参基因的表达值，量化它们在各条件下的变化倍数；(3) 模拟 qPCR 分析：用 RNA-seq 的全局归一化结果作为「真值」，分别用每个内参做 ΔΔCt 归一化，计算目标基因倍数变化的偏差；(4) 用 geNorm / NormFinder 算法排出各条件下的最优内参；(5) 交付一张「按实验条件分类的内参推荐表 + 误用内参的典型偏差幅度」。
擦过ISEF 2026 BCHM029（Special Award）「The Role of VEGF and FGF21 in Restoring Endostatin」，摘要原文：「After primary neonatal rat ventricular myocytes (NRVMs) were cultured and treated with Endostatin (0.2 µg/mL) by the Qualified Scientist, either alone or following pre-treatment with vascular endothelial growth factor (VEGF) or fibroblast growth factor 21 (FGF21), the Finalist evaluated cardiomyocyte growth by measuring cell size via microscopy. Hypertrophic gene expression (Nppa and Nppb) was then quantified using RT-qPCR and normalized against housekeeping genes.（…）Endostatin treatment significantly reduced both cell size and hypertrophic gene expression, indicating suppression of growth pathways. Pre-treatment with VEGF or FGF21 reversed these effects, restoring both molecular and structural markers of cardiomyocyte growth.」它用 RT-qPCR 相对内参基因定量肥大标志物 Nppa/Nppb，摘要中未说明使用了哪些内参，也未报告内参稳定性验证。 而心肌细胞肥大恰恰是内参最不稳定的场景之一——肥大意味着细胞体积、总 RNA 量、代谢速率同时变化，这三者都会影响常用内参。同时该项目还用「显微镜下的细胞面积」作为肥大读数——而细胞铺展面积受贴壁与细胞骨架影响，VEGF 本身就是已知的细胞骨架/铺展调节因子。这是第二条可以问的线，但需要细胞实验才能查。
（另注该摘要的一个细节：它明确区分了「由合格科学家完成」与「由参赛者完成」的步骤。这是 2027 强化的 Form 2A/2B/2C 披露方向所鼓励的做法，值得学习。）
文献前作：未核查（内参基因稳定性有 Vandesompele 等人 2002 年的 geNorm 奠基论文与 MIQE 指南（Bustin et al. 2009，明确要求报告内参验证），必查。MIQE 指南的存在意味着这是社区已有共识——你的贡献只能是「按条件分类的定量偏差表」，不能是「发现应该验证内参」）。
约束可行性极高（F=9）：零成本、纯计算、零合规。最可能死在新颖性——MIQE 指南已经要求这件事十几年了。最便宜的规避方式： 让交付物变成一个面向学生的查询工具：输入你的实验条件类型（应激/增殖/分化/肥大），输出推荐内参与「若误用 GAPDH，预期偏差幅度」。并用本地 ISEF 语料统计一个附加发现：近两届 BCHM/BMED/TMED 获奖摘要中，有多少个报告了 qPCR 但未提及内参验证——这个统计本身就是一个独有的、别人做不出来的量化结果，而且直接把方法学问题与你的赛道连接起来。
表格： 公开数据 → Form 1/1A/1B/2A。零合规负担，这是本文件最省事的一条之一。