C181–91
肠道菌群癌症分类器的 AUC 0.99 是从哪来的：特征选择位置与跨队列迁移的双重检验
框架当特征选择在交叉验证之外做时，菌群分类器的 AUC 会被抬高多少？把同一批公开 CRC 菌群数据分别按"选择在外/选择在内"两种流程跑，AUC 差值有多大？这个差值能否解释 ISEF 报告值与文献常规值之间的落差？
你自己的那一点你产出的是一条校准曲线——AUC 虚高量随样本量、特征数、选择比例的变化。前作没做，是因为前作的目标是"造一个好分类器"，而不是"量化这类分类器的报告值可信到什么程度"。第二个自产结果是跨队列迁移矩阵：在队列 A 上训练、在 B/C/D 上测试的 AUC 矩阵，直接回答"0.992 是否可外推"。
擦过CBIO003（2025 CBIO Grand Award）"Colorectal Cancer Detection From Gut Microbiome"——摘要原文：先做 normalisation 与降维，再做多样性分析，然后训练随机森林，报告 AUC 0.992 / accuracy 0.947，并提出 Ruminococcaceae UCG-002 等 5 个菌属作为生物标志物。摘要没有说明特征选择相对交叉验证的位置，也没有外部队列验证。相关但不同题：CBIO043（2026 Grand+Special，Digital Embryo）跨 9 个数据集做多组学、CBIO062（2025 Grand）用 Pfam 域预测沙门氏菌严重度。学术前作：Ambrosini/Duvallet 等的跨队列菌群 meta 分析（需自行核查）。
约束最可能死在数据可及性——须先确认 curatedMetagenomicData 或对应 16S 原始数据（含队列标签）能下载。规则 7 规避：你的产出不是"整理已有 AUC"，而是自己重跑两套 CV 流程 + 自己构建跨队列矩阵，这是新生成的实验数据。不涉及人类受试者（公开去标识化二次数据）。
C279–89
"没有差异表达的 miRNA 也能 92% 分类"——这是生物信号还是批次效应
框架用倍数变化落在 0.9–1.1（即基本无差异表达）的 miRNA 训练分类器，仍然能达到 92% 准确率。这个准确率在标签置换检验下会掉到多少？换一个测序平台/批次的独立数据集，还剩多少？
你自己的那一点你做三件前作没做的事：(a) 标签置换零分布——如果置换后仍有远高于 50% 的准确率，说明信号来自样本层面的技术协变量而非标签；(b) 把"批次/平台"当作标签重训一遍，看非差异表达 miRNA 能否预测批次（如果能，答案就出来了）；(c) 跨平台留一验证。这是一个有明确二值结论的实验：生物信号，或技术假象。两个结果都是可发表的。
擦过CBIO033（2025 CBIO Grand Award）"miRNAs in Lung Cancer Detection"——摘要原文明确把 miRNA 按倍数变化分为三档：HD（FC≤0.5 或 ≥2.0）、MD（0.5–0.9 或 1.1–2.0）、ND（0.9–1.1），每档各选 50 个最具判别力特征训随机森林，准确率分别为 99% / 99% / 92%。项目把 92% 解读为"低差异 miRNA 携带临床价值信息"的支持证据，没有做置换检验，也没有做跨平台验证。同类目内无同题。
约束最可能死在找不到带批次元数据的公开 miRNA 表达数据集。最便宜的规避：优先选 GEO 上标注了 platform 与 submission batch 的系列；批次信息缺失的数据集直接放弃，不要硬凑。纯 CPU，随机森林在几千特征上秒级。不涉及人类受试者（公开去标识化）。
C378–88
生成式增强把 F1 从 89% 抬到 96%：抬的是性能还是泄漏
框架用 GAN 生成合成图像来扩充训练集时，如果合成发生在训练/测试划分之前，测试集里就混进了由测试样本衍生的图像。这个顺序错误单独贡献多少 F1？在多中心 MRI 上，被试级划分与切片级划分的差值又是多少？两者叠加能否解释 89%→96.1% 这个提升？
你自己的那一点你构造一个 2×2 析因实验（增强在划分前/后 × 切片级/被试级划分），在同一份公开脑 MRI 数据上跑满四格，得到四个 F1。这张 2×2 表就是你的核心产出，前作没有任何一个格子的对照。附加一问：GAN 做的"跨站点谐调"会不会把站点标签也一并抹掉——如果站点与诊断标签在数据里相关，谐调反而可能制造捷径。
擦过CBIO056（2025 CBIO Grand Award + Special Award）"Novel GenAI to Improve Alzheimer's Diagnosis"——摘要原文：ResNet50 基线 F1 = 89%；随后用 AG-GAN 把三个站点的影像参数向最大站点对齐，再用 CycleGAN 生成合成图像补充数据，F1 提升到 96.1%，并自称"首个用 GAN 框架增强 AD 诊断的研究"。摘要没有交代增强与数据划分的先后顺序，也没有说明是被试级还是切片级划分。相关：CBIO045（2025 Grand）用 VAE 做 FDG-PET 痴呆分类（n=2000），CBIO041（2025 Grand+Special）血液 AD 检测 92.03%。
约束最可能死在算力——CPU 训 ResNet50 不现实。最便宜的规避：把网络换成 2D 小型 CNN（<1M 参数）或直接用冻结的小型预训练特征 + 逻辑回归，只要四个格子用的是同一个模型，2×2 差值就成立；你测的是流程差异，不是模型强度。GAN 那一格可以用轻量的仿射/强度增强代理，但必须在文中说明这是代理并论证代理的合理性。数据须用公开去标识化影像库。
C478–88
"temporal duplication"之后再划分训练集：新生儿癫痫检测 86% 里有多少是同一段脑电
框架若在划分训练/测试集之前对脑电片段做复制/重叠切分，同一段真实信号会同时落在两侧。在公开新生儿脑电数据上，把"片段级随机划分"换成"患儿级划分"，准确率下降多少？再问第二层：该数据集有三位专家独立标注，选用不同专家或不同共识规则作为金标准，报告值会漂移多少？
你自己的那一点两条自产曲线。第一条是泄漏量曲线：重叠率从 0 到 90% 时准确率如何单调抬升——这条曲线把"方法学选择"变成了可量化的量。第二条是金标准敏感性：同一个模型在"任一专家标注/多数共识/全体一致"三种标签下的性能带宽。前作只报告了一个点值（86%），这两条曲线说明那个点值的位置有多依赖于两个从未被讨论的选择。
擦过CBIO036（2025 CBIO Grand Award）"Neonatal Seizure Detection Using a Hybrid AI Model"——摘要原文的预处理链是"bad signal removal, band-pass filtering, fixed-length epoch segmentation, Principal Component Analysis, standardization, and temporal duplication"，随后训练 Conv-Bi-LSTM，报告总体准确率 86%（非癫痫 90%、癫痫 76%），使用公开的 79 名足月新生儿数据集中随机抽取的 20 名。摘要未说明划分是片段级还是患儿级，也未说明用哪位专家的标注。相关：CBIO049（2026 Grand）用可穿戴多模态做癫痫预测——值得注意的是它自己诚实报告了跨患者模型灵敏度只有 5.68%、患者专属模型 86.6%，恰好从反面印证了本课题的问题是真的。
约束最可能死在数据下载与 EDF 解析的工作量。最便宜的规避：先只跑通 5 名患儿的完整管线再扩展。纯 CPU（小型 LSTM 或干脆用手工特征 + 梯度提升，泄漏效应与模型无关）。规则 7 规避：两条曲线都是你自己跑出来的实验结果。
C578–88
用细菌基因组预测临床严重度：模型学到的是毒力还是血清型系谱
框架沙门氏菌基因组的蛋白家族（Pfam）域可以 93% 准确预测临床严重度。但血清型/系谱本身既决定基因组内容也决定临床表现。做留一支系交叉验证（leave-one-clade-out）后，准确率还剩多少？如果直接用系谱标签做预测，能达到多少？
你自己的那一点你产出的是一张"性能 vs 系谱距离"曲线：训练集与测试集在系统发育树上的距离越远，性能衰减多少。这是细菌基因组机器学习里公认必须做但学生项目几乎从不做的检验。第二个自产结果：把 70 个"新型 Pfam 严重度标志物"逐个与系谱标签做关联，看多少个其实是系谱标记。
擦过CBIO062（2025 CBIO Grand Award）"Early Detection of Critical Salmonellosis Cases"——摘要原文：用 Pfam 域作为基因组数据的表示，识别出 70 个新型 PFAM 严重度标志物，XGBoost 达到 ~93% 准确率预测临床严重度。摘要完全没有提及系统发育/血清型分层，也没有提及任何形式的群体结构校正。同类目相关：CBIO054（2026 Grand，TAG-Cas）明确做了 gRNA 分层划分（是本类目里少见的做了分层的例子，可作为正面参照引用）。
约束最可能死在数据整备——需要同时带基因组与临床严重度标注的公开集合。最便宜的规避：若严重度标注拿不到，退化为"用 Pfam 预测血清型"这个可完全公开复现的替代任务，先证明 Pfam 域对系谱有极强预测力，再论证严重度模型必然受此污染。这个退路仍然是一个完整、可辩护的结果。纯 CPU（Pfam 注释用 hmmscan，可预下载已注释数据）。
C669–87
把三维基因组信息换成随机矩阵，CRISPR 脱靶预测会掉多少
框架一个整合了 Hi-C 接触图的脱靶预测模型报告 PR-AUC 0.916 并结论"三维拓扑对预测是必需的"。如果把 Hi-C 通道替换为(a)行列置换后的接触图、(b)保留距离衰减但打乱局部结构的随机矩阵、(c)全零，PR-AUC 各是多少？
你自己的那一点前作做了消融（去掉 Hi-C 分支），但去掉一个分支和喂给它随机输入是两回事——去掉分支会改变模型容量，喂随机输入才能分离"三维信息"与"多一个分支"。你产出的是一张随机化对照表，这是判定"结构信息真的被用上了"的标准做法。附加一层：1 kb 分辨率的 Hi-C 在多数数据集里接近噪声，可以直接测量三种分辨率各自的贡献。
擦过CBIO054（2026 CBIO Grand Award）"3D-Aware CRISPR Off-Target Prediction"——摘要原文：TAG-Cas 三分支架构，整合 23bp 引导序列、200bp 上下文 + ATAC-seq、以及 11×11 Hi-C 接触图（1kb / 10kb / 50kb 三个分辨率），通过 Multiplicative Biological Gating 融合；在 K562 crisprSQL 上用 gRNA 分层划分做严格交叉验证，PR-AUC 0.916；摘要写"Ablation testing and McNemar's statistical analyses showed that multi-scale 3D structural accessibility is a major driver"。做了消融，但未做随机化对照。
约束最可能死在 Hi-C 数据体量（K562 Hi-C 原始数据可达数十 GB）。最便宜的规避：只下载所需位点周围的 11×11 窗口，或使用已发布的低分辨率接触矩阵，内存需求可控在 16 GB 内。深度模型可换成梯度提升 + 同样的三组特征——随机化对照的结论对模型类别不敏感，这是本课题可行性的关键。纯 CPU 可行。
C782–92
在"根本没有亚型"的数据上，亚型发现算法会报告几个亚型
框架一个分层贝叶斯混合回归框架在自闭症队列上发现了 4 个"可复现的亚型"，并解释了 71.5% 的结局方差（对照的合并回归只有 6.2%）。把同一算法喂给结构完全相同但按构造不存在亚型的模拟数据，它会报告几个亚型、解释多少方差？
你自己的那一点你造一个零假设校准器：生成保留真实数据的特征相关结构、缺失模式、样本量，但结局与特征之间只有单一线性关系（无亚型）的合成数据，跑同一套流程 N 次，得到"亚型数"与"解释方差"的零分布。有了这个零分布，71.5% 这个数字才第一次有了参照系。这正是前作没有的东西——监督式的隐变量模型天然会把方差解释度推高，因为亚型划分本身就在拟合结局。
擦过CBIO055（2026 CBIO Grand Award + Special Award）"GeneSTRATA: Decoding Autism Heterogeneity"——摘要原文：27,606 名自闭症个体，新型分层贝叶斯混合回归，"supervised latent variable formulation that prioritizes features based on their contribution to cognitive-adaptive outcomes"；识别出 4 个可复现亚组（Synaptic / Transcription / Chromatin remodeling / minimal-genetic-effect），解释 71.5% 的认知—适应差距方差，对照合并回归基线 6.2%，并在 4,044 人的独立队列中验证。它做了独立队列验证（这是真实的加分项，必须在你的文中承认），但没有做"无亚型"零数据校准——独立队列验证能排除过拟合到样本，但排除不了"算法在任何数据上都会报告亚型"。
约束最可能死在把结论说成"前作是错的"。它不一定错。 你的结论应当是"该算法族在零亚型数据上的基线表现是 X，因此 71.5% 相对基线的增量是 Y"。这个措辞既可辩护又不需要拿到前作的私有数据。完全不需要真实队列数据即可完成核心实验——这是本条可行性极高的原因。纯 CPU，几百次模拟在笔记本上是小时级。不涉及人类受试者。
C879–89
量子博弈论模型比经典模型好 10–20%：扣掉多出来的参数还剩多少
框架在同一份公开的癌症演化博弈数据上，量子博弈论（QGT）模型比经典演化博弈论（EGT）模型的拟合好 10–20%（p = 0.0016）。当两类模型的自由参数数量被匹配、并改用样本外预测误差而非样本内拟合来比较时，这个优势还剩多少？用 AIC/BIC 惩罚后的排序是否反转？
你自己的那一点你做参数匹配的模型比较——给 EGT 加上与 QGT 自由度相同的扩展项（例如更高阶多项式适应度或额外的记忆项），再比。如果 QGT 的优势在参数匹配后消失，说明优势来自灵活性而非量子结构；如果不消失，那才是对 QGT 的真正支持。两个结果都是干净的结论，这是本条不会因结果不显著而报废的原因。
擦过CBIO083（2026 CBIO Grand Award + Special Award）"Quantum Game Theory to Simulate Cancer Dynamics"——摘要原文：使用 Kaznatcheev 等人的公开演化博弈实验数据（非小细胞肺癌，Alectinib 敏感/耐药株，四种环境）；先用量子启发的 RBF 核检验量子适应度函数，通过 LOOCV 确认经典适应度函数更优（这一步做得很好，必须承认）；随后用 SVD 预处理经典多项式适应度并代入 Lindblad 主方程；最先进的 QGT 模型（带 leaky integrator）"consistently outperforms all EGT models by 10-20% with a p-value of 0.0016"。关键：LOOCV 只用在适应度函数选择上，动力学模型的 10–20% 比较没有说明是样本内还是样本外，也没有说明参数数量是否匹配。
约束最可能死在拿不到原始数据。先做这一步再决定是否立项：确认 Kaznatcheev 等的博弈实验数据确实公开可下载（摘要称其为 "a dataset from Kaznatcheev et al."，需自行核查）。数据规模极小（四种环境下的频率轨迹），纯 CPU 秒级，是本文件里算力最不成问题的一条。
C975–85
"AlphaFold 结构 + Vina 打分取前 N"这条流水线，在已知答案的靶点上能富集多少
框架近两届至少三个 CBIO 获奖项目用同一条流水线筛药：AlphaFold 预测结构 → AutoDock Vina 对接 → 按结合能取前几名 → ADMET 过滤。把这条完全相同的流水线用在有已知活性/诱饵标注的基准靶点上（DUD-E / LIT-PCBA），富集因子是多少？用 AlphaFold 结构与用晶体结构，富集差多少？
你自己的那一点你产出的是这条具体流水线的回顾性富集基准——不是泛泛地说"对接不准"，而是给出这条被 ISEF 反复使用的确切配置在标准基准上的 EF1%、BEDROC 数值，并给出 AlphaFold 结构相对晶体结构的富集损失。这是一个可以直接被下一届参赛者引用的量化参照，前作全部只报告"我们选出的分子结合能 ≤ -8.5 kcal/mol"而从不报告这个阈值意味着多大的假阳性率。
擦过三个已核对原文的获奖项目共用此流水线：
- CBIO063（2026 Special Award）"Large-Scale Virtual Screening/Lead Optimization"：UniProt 取序列 → AlphaFold 预测 EZH2 结构 → AutoDock Vina 筛 5,229 个 Zinc20 分子 → 取结合能 ≤ -8.5 kcal/mol 的 5 个（M275/M179/M295/M400/M332）→ SwissADME 过滤 → PLIP/PRODIGY-LIG → CReM/FragRep 优化 → MD 的 RMSD/RMSF 检查。
- CBIO070（2026 Special Award）"BPGM Allosteric Target for SCD Repurposing"：1,600 个 FDA 药物分层对接 + MM-GBSA 重打分，选出 ketorolac / amlodipine / avatrombopag，后又筛天然产物库得到 acarbose。
- CBIO041（2026 Special Award）"XAI-Driven in silico Toxoplasmosis Drug Screening"：5 小时内过滤 86,000 个化合物，测试集 R²=0.71、训练集 R²=0.95（注意这个 0.95/0.71 的落差本身也是一个可攻击点）。
另有 CBIO013（2025 Grand）"Computational Modeling of a Bispecific Antibody"用 AlphaFold 3 + HDOCK2.0 + PRODIGY，选择依据明确写着 "visual inspection, binding energy, and hydrogen bond interactions"。
约束最可能死在对接算力。Vina 是 CPU 原生但吞吐有限。最便宜的规避：不要全库筛——从 DUD-E 中选 3–5 个靶点，每靶点抽样 200 活性 + 4,000 诱饵，总对接量控制在 2 万次以内，普通笔记本多进程数天可完成；这个规模足以给出稳定的 EF1%。规则 7 规避：富集数值是你自己跑对接产生的，不是从文献抄的。
C1075–85
蛋白结构相似度预测的 MAE 0.074：常数预测能拿到多少
框架随机蛋白对的 TM-score 分布高度偏斜（绝大多数落在 0.2–0.3）。在这种分布上，一个恒定输出的"模型"、以及仅用序列长度差/序列同一性的朴素基线，MAE 各是多少？相对这些基线，0.0741 的实际增量是多少？
你自己的那一点你建立基线阶梯：常数预测 → 长度特征 → 序列同一性 → k-mer 余弦 → 报告值，在同一套测试集上给出五个 MAE。这把一个孤立数字变成了有刻度的量。第二个自产结果：按 TM-score 分层的 MAE——如果误差集中在高相似度区间（那才是有用的区间），整体 MAE 就有误导性。
擦过CBIO077（2026 CBIO Grand Award）"ML Model for Protein Structural Similarity"——摘要原文：Siamese 网络的蛋白语言模型，双损失（TM-score 全局 + lDDT 逐残基），在两个数据集上分别达 TM-score MAE 0.0741 与 0.0583，lDDT MAE 0.0788 与 0.0038；对照对象是 TM-Align/DALI/ProBiS（准确但慢）与 TM-Vec（快但只有全局）。摘要没有报告任何朴素基线，也没有按相似度分层报告误差。注意 lDDT MAE 0.0038 这个数字——四位有效数字的极小误差在偏斜分布上尤其需要基线对照。
约束最可能死在"这看起来只是在挑刺"。规避方式：把课题定位成"为这类嵌入式结构比较方法建立报告规范"，并给出你建议的标准报告表格。这样即使基线阶梯显示前作确有实质增量，你的产出依然成立。纯 CPU（TM-Align 是 C 程序，跑几万对是分钟级）。
C1173–91
基因功能嵌入的余弦相似度，测的是功能相似还是研究热度
框架用基因功能嵌入的余弦相似度预测药物协同。但 GO 注释深度与基因的研究热度强相关（热门基因注释多）。控制注释条目数与文献计数后，协同预测的性能还剩多少？用"注释数匹配"的负样本重构评测集，AUC 变化多大？
你自己的那一点你构造度匹配零模型（degree-preserving null）：随机化 GO 注释但保持每个基因的注释数量不变，看预测性能掉多少。再做热度分层评测：把基因对按平均文献计数分成五档，报告每档的性能。如果性能集中在高热度档，那么这个方法在真正需要它的地方（研究不足的基因）恰恰无效——这是一个有实际后果的结论。
擦过CBIO012（2025 CBIO Grand Award）"The Usage of Gene Synergy to Predict Drug Synergy"——摘要原文：自称"the first framework to predict drug-drug synergy using universal gene function embeddings"；用 GoBERT 生成基因功能嵌入（每一维是该基因具有某功能的概率，实验确证为 1、确证否定为 0、无实验证据者由 GoBERT 赋概率），计算两基因嵌入的余弦相似度作为协同度，再与实验药物数据对齐。摘要只写"experimental results demonstrate strong performance"，没有给出任何具体数值、基线或零模型——这本身就是一个可攻击点，但也意味着你无法直接对比数字，只能重建方法。
约束最可能死在无法复现前作的确切配置（摘要没有数值）。最便宜的规避：不要试图复现它的分数。把课题重新表述为"基因功能嵌入相似度这一类方法的注释偏倚特征"，用任意一个公开的 GO 嵌入（GoBERT 或替代品）+ 公开药物协同数据（DrugComb / NCI-ALMANAC）自建完整实验。这样你的结论独立成立，前作只是动机来源。纯 CPU。
C1271–89
多组学带来的 +0.116 AUC，有多少是"研究批次"
框架一个整合 6 种组学的胚胎发育停滞预测框架，AUC 0.870，比只用转录组的 0.754 高 0.116。这 1963 个细胞来自 9 个独立数据集。做留一数据集验证（leave-one-dataset-out）后，多组学增益还剩多少？把"数据集来源"当作标签直接预测，能达到多少 AUC？
你自己的那一点你产出的是增益分解：把 +0.116 拆成"真实生物学跨组学信息"与"数据集来源可分性"两部分。做法是先测量数据集来源的可预测性（如果 AUC 接近 1，说明批次信号极强），再在数据集分层下重估多组学增益。这是多组学整合领域的标准质控，而前作在摘要里报告的是"在未见过的数据集上达到 0.870"——"unseen datasets"这个措辞很可能已经是留一数据集了，这一点必须先向原文核实，若已做，则本课题转向第二问：6 层组学各自的边际贡献（逐层剥离），因为 +0.116 是整体增益，从未被分解到具体组学层。
擦过CBIO043（2026 CBIO Grand Award + Special Award）"Digital Embryo: Multi-Omic Arrest Prediction"——摘要原文：首个整合 6 种组学（转录、蛋白、代谢、分泌、基因组、表观）的框架，1963 个细胞、9 个独立数据集，94 维特征矩阵（scVI 作转录组骨架），XGBoost 在 "unseen datasets"上 AUC 0.870，仅转录组对照 0.754；另有扰动引擎，在 85 个化合物上验证，40 个最强预测效应中 37 个与已知体外结果吻合。相关：CBIO075（2026 Special）X-TREME-OMICS 做跨物种多组学整合。
约束最可能死在前提核对——摘要的 "unseen datasets" 可能已经等价于本课题的第一问。必须先读原文（或研究计划）确认，再决定走第一问还是第二问。 这正是本文件反复强调的那条规矩：未经核对的前提是最致命的翻车方式。纯 CPU（XGBoost + 94 维特征）。
C1377–87
肝毒性预测的准确率，在骨架划分下会掉多少
框架药物性肝损伤（DILI）数据集里含大量结构类似物。把随机划分换成骨架划分（scaffold split）或按 Bemis-Murcko 骨架/Tanimoto 阈值聚类划分，性能掉多少？这个落差是否足以解释"达到或超过既有肝毒性基准"这一表述？
你自己的那一点你产出划分策略阶梯：随机划分 → 时间划分 → 骨架划分 → 严格 Tanimoto 聚类划分，四种划分下的 AUC/MCC。并额外产出一张近邻距离直方图：测试集每个分子到训练集最近邻的 Tanimoto 距离分布——这张图直观说明"测试集有多新"。前作用的是 MACCS 指纹 + 集成学习，MACCS 只有 166 位，对类似物几乎无区分度，落差可能很大。
擦过CBIO078T（2026 CBIO Grand Award）"H.E.P.A.R"——摘要原文：1,199 个化合物的 SMILES，MACCS 位系统拓扑指纹 + 通过生物信息 API 获取的酶—化合物相互作用数据；基学习器包括深度网络、梯度提升树、图神经网络、遗传算法，集成投票；"Metrics for Accuracy, MCC, and AUC-ROC consistently met or exceeded established hepatotoxicity benchmarks"；并称发现了一个"独特的、研究不足的化学位"显著贡献 DILI，且用过氧化氢氧化实验验证。摘要未说明划分策略。
约束最可能死在"这个结论太可预期"——骨架划分掉性能是化学信息学的常识。规避方式：把重点放在落差的大小与其对结论的影响上，而不是落差的存在；并把 MACCS 与更强指纹（ECFP4）在两种划分下的四格对比一并给出，回答"是划分问题还是表示问题"。这是本文件可行性最高的几条之一：RDKit + 梯度提升，纯 CPU，1,199 个分子在笔记本上是分钟级，公开 DILI 数据集（DILIrank 等）易得。
C1472–90
一个"再现了三条已知规律"的模型，随机参数也能再现几条
框架一个预测番茄抗性基因崩溃时间的马尔可夫模型，通过"再现了三条已知定性规律"来自证真实性。从参数先验中随机抽 N 组参数，其中有多少组同样能再现这三条规律？如果比例很高，这种验证方式就不携带信息。
你自己的那一点你把"定性验证"变成可量化的辨识度指标：定义每条验证标准的通过判据，做大规模参数抽样，报告"随机参数通过率"。通过率 5% 意味着验证有力，通过率 60% 意味着验证近乎无信息。然后给出改进建议并实测：哪些额外的观测量能把通过率压下去（即哪些实验数据真正约束了模型）。这是可辨识性分析的标准做法，在学生建模项目里几乎从不做。
擦过CBIO071（2026 CBIO Grand Award + Special Award）"Predicting ETI Failure in Tomato via Markov Chains"——摘要原文：番茄—丁香假单胞菌系统，马尔可夫链 + 平均场近似，3 个 R 基因（Pto/Prf, Roq1, Ptr1）与 4 个效应子（AvrPto, AvrPtoB, AvrRpt2, HopQ1），比特串编码病原状态，转移含突变与水平基因转移，效应子特异速率参数化，C++ 实现。验证方式原文写明是三条定性/数量级标准：(i) R 基因—效应子重叠与病原生长的反向关系，长期种群稳定在 ~10⁷–5×10⁸ CFU/cm²；(ii) Roq1 抗性多季持久性 >3 年；(iii) 感病番茄短期生长达 ~10⁸ CFU/cm²，"matching the expected ~10⁷–10⁸ CFU/cm² range"。注意第三条：预测值 10⁸ 落在期望区间 10⁷–10⁸ 内——这个区间跨一个数量级，通过它的参数集可能非常多。 相关：CBIO052T（2026 Special）用 Lotka-Volterra 建模椰子介壳虫，同样以"与真实数据吻合"作为验证。
约束最可能死在无法拿到前作的确切参数先验。规避方式：不要复现它的模型。自己按摘要描述重建一个同构模型（比特串状态 + 突变/HGT 转移），参数先验用文献报道的合理范围，然后做你自己的可辨识性分析。你的结论是关于这一类验证方式的，不依赖于精确复现。纯 CPU（马尔可夫链模拟，Python 即可，C++ 非必需）。
C1572–90
在自己模型生成的合成数据上训练分类器，AUC 0.94 度量的是什么
框架一个项目用量子退相干模型生成 10,000 个合成样本，再用梯度提升分类器在这些样本上区分野生型与突变型，得到 AUC 0.94，并以此"确认量子结构标志物形成统计可分的分布"。这个 AUC 与模型假设的关系是什么？当模型的核心参数（退相干加速倍数）被改成任意值时，AUC 会怎么变？
你自己的那一点你做一个循环性拆解实验：搭一个结构相同的合成数据生成器 + 分类器管线，系统扫描"生成器中两类之间的真实差异幅度"，画出 AUC 随该幅度的变化曲线。这条曲线的意义是：AUC 完全由你在生成器里放进去的差异决定，因此它验证的是特征工程能否读出你放进去的东西，而不是模型是否符合生物学。 这是一个可以清晰、非攻击性地讲清楚的方法学结论，并且对所有"用自建模拟器生成数据再分类"的项目都适用。
擦过CBIO072（2026 CBIO Grand Award）"Quantum Decoherence in ALS Neuronal Channels"——摘要原文四阶段：(1) 从 PDB 数据量化结构噪声剖面；(2) Lindblad 主方程 + 随机偶极耦合模拟相干损失；(3) 转译为远端运动潜伏期（DML）的电生理预测；(4) "a gradient boosting classifier validated biophysical marker separability across a synthetic 10,000-sample population"，AUC-ROC 0.94。摘要自己写了 "validating feature design over clinical classification performance"——它其实意识到了这一点并作了限定，这一点必须在你的文中原样引用并承认，否则你会被原文当场驳倒。你的课题不是"指出它错了"，而是"把它自己承认的这个限定量化成一条曲线"。相关：CBIO071T（2025 Grand）KRT ALS 生物标志物用真实转录组，可作为对照参照。
约束最可能死在被理解为人身攻击。规避方式：题目与摘要必须写成"合成数据验证的信息含量"这一方法学问题，前作只作为动机与案例出现一次；主体是你自己的扫描实验，与 ALS 无关也成立。这也意味着本条不依赖任何外部数据，可行性极高，纯 CPU 数小时。