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

1 · 研究问题

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？在预先固定的样本、对照与统计口径下，主效应的方向、幅度和不确定度分别是多少，结论能否在独立留出数据或独立重复中成立？

2 · 研究背景与空白

背景。 这条课题研究的不是“能不能做出一个结果”，而是一个现有结论在测量误差、样本差异和外推条件改变后还能不能站住。核心逻辑是把观察量、真实目标量与混杂因素分开：先用已知答案校验工具，再固定对照和重复单位，最后用误差棒判断差异。只给一个最高分、一次演示或一条相关关系，不能说明方法在新样本上可靠。

已有工作到哪一步。 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。

空白在于：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。五字段原文的研究问句是：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？这适合一年期学生课题，因为可以把主任务裁成一个对象、一个主指标和一个独立复核；即使预期差异不出现，只要校验与统计功效过关，零结果仍能界定已有结论的适用边界。

3 · 可检验假设

H1 在加入本课题预先规定的控制、校正或独立验证后，主指标将沿五字段框架所述预期方向变化，且相对基线变化 ≥ 10% 或标准化效应绝对值 ≥ 0.5；若 95% 置信区间同时排除这两个门槛，则 H1 被否证。两种尺度只选与主指标有意义的一种，并在预实验前写死。

H2 若 H1 被否证，备择机制是假定原观察主要由测量误差、样本构成、基础率、时间漂移或未控制混杂驱动；比较“仅含原变量”与“加入机制变量”的模型，若主效应方向改变或绝对值下降 ≥ 20%，则支持机制解释，否则报告当前分辨率下未找到证据。

4 · 量化验收标准

方法学校验硬门槛。 用自建管线、装置或代码重跑一个答案已知的合成算例/标准样；主量反算偏差须 ≤ 5%。不过关则停止，且后续全部结论无效。
统计口径预先写死。 独立样本、技术重复和连续观测分开计数；测量类每个关键条件至少 3 次独立重复，技术重复只估计仪器噪声，并用误差传播或方差分量合成不确定度。极不平衡分类主报 PR-AUC、precision、recall，不以 accuracy 为主，因为全猜多数类也会虚高；时间序列按时间划分并把随机划分仅作泄漏对照。
正式采集前固定主指标、排除规则、对照、效应方向与 10%（或标准化效应 0.5）判据；报告全部独立重复、效应量和 95% 置信区间，不只报 p 值或最佳一次。
至少完成一项阴性对照和一项敏感性分析；改变关键阈值、预处理或模型选择时，主结论不得仅由单一任意选择决定。
用独立批次、独立留出段或第二种原理不同的方法复核主量；不一致时优先报告不一致与误差预算，不平均成一个“更好看”的数字。
可复现性。 保存原始数据、清洗记录、参数、环境版本、随机种子、脚本和排除日志；第三方应能重建主表与主图。

5 · 数据与工具

用途	来源 / 工具
研究对象与主问题	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？
原创切口	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。
前作与对照基准	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。；仅用于校验与对比，不计入本项目的数据贡献
数据/样本	需核实：可取得数量、独立单位、标签/测量定义、许可与缺失情况；未确认内容不得写成已具备
分析工具	纯 CPU、16 GB 笔记本可运行的开源工具优先；需核实版本、许可、输入格式、分组/时序划分和不确定度输出能力
校验材料	已知答案的合成数据、标准样或公开基准；仅用于校验与对比，不计入本项目的数据贡献
风险边界	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。

6 · 方法路径

装环境或搭装置，跑通已知答案算例并完成校验。 锁定版本、单位、坐标/标签定义和误差计算；反算偏差 >5% 时只修方法，不进入正式样本。
核实工具能力边界并逐条排查静默失败点。 五字段原约束为：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。此外检查单位或标签错位、全数据预处理泄漏、相关观测冒充独立 n、缺失值静默填 0、默认参数改变口径、输出正常但物理量方向或尺度错误；每项用最小反例测试，不能以“软件未报错”作为通过。
预注册最小设计。 把主问题收敛为一个对象、一个主指标、一个主要对照；写死样本单位、重复数、阈值、排除规则和降级触发条件。
采集或整理正式数据。 保留原始输入与时间戳/批次，盲化能盲化的标签；协议偏离当天登记，不覆盖原记录。
估计主效应与不确定度。 同时报原口径与校正口径，给出误差棒、效应量、失败样本和敏感性曲线；分类、时序或测量问题按 §4 执行。
检验 H2 与边界条件。 H1 不成立时不临时换题，而是量化测量误差、样本构成、基础率、时间漂移或混杂能解释多少。
独立交叉校验。 使用独立批次、留出时间段或第二种原理不同的方法复算主量；失败时以“不一致”为主结果，不选择性保留支持预期的路径。

7 · 新颖性边界

本课题不声称什么： 不声称首次进入该主题，不声称重新发现或推翻前作，也不把前作的项目编号、年份、奖级、引文和数字据为本项目结果；具体已有工作是：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。

已有工作做到哪一步： 五字段证据表明前作已完成其原始对象、方法或性能演示；本项目完整保留这条事实，不把摘要未写出的信息推断为“没有做”。数据集、器材规格、价格、货期或外部文献的任何补充均标为“需核实”。

本项目贡献（属「评价维度转换」；若使用全新独立对象则同时属「新样本独立检验」，若核心是校准与脚本则同时属「方法可复现性贡献」）： 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。主结论是原结论在预注册控制与独立复核下的效应幅度及适用边界，不是附带造一个更复杂模型或装置。

为何有价值： 它把“看起来有效”转换为“在多大误差、何种样本和什么阈值下仍有效”。差异不显著同样是有效结论，但必须给出误差棒证明有能力分辨预注册的 10% 相对变化或标准化效应 0.5；置信区间过宽只能写“测不出来”。

8 · 决策门槛（go / no-go）

第 5 周末必须同时满足：校验偏差 ≤ 5%、至少取得计划独立样本的 20%、主指标能从原始输入稳定重算。任一不满足，立即启动具名降级路径 “单对象能力边界标定”：砍掉多对象/多模型比较，只保留最可得的一种对象、一个主指标和一个独立复核，转而报告误差、敏感性与最小可分辨效应；主结论仍是“原结论在什么条件下站得住”。

与“附属赛后不得修改”的冲突点：主指标、阈值、样本排除、对照、预处理和降级触发条件必须赛前定死。须提前核实： 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。同时核实许可、设备/软件真实能力、场地、表格和采购可得性。已知困难及其定位：这些限制就是能力边界，不用未经核实的规格填补。选择前提：学生愿意做重复、校验和零结果解释。预算裁剪顺序：先砍多模型/多材料，再砍次要指标，再砍展示性装置；不得砍校验、主要对照、独立重复和交叉验证。

净实验窗口按 2026-08 至 12 月约 3–4 个月规划。按实际对象核实合规：附属赛后项目不得更改；展台禁液体（含水）、土壤、玻璃、锐器、化学品、干燥粉末、>100 Wh 电池和通电无人机，禁网址与二维码；家中不得培养任何潜在危险生物制剂；涉及脊椎动物、人类受试者、激光、高真空或 SDS 标注的致癌致畸化学品时，须在相应动作前确认审批。AI 不得用于撰写研究计划、摘要、展板或引文。

评分： O=9, W=8, F=8, S=6, Fit=9 → base=81.4，h=9 → [72, 90]，置信度：中（外部文献未核查）

自己继续找题

bash python3 analysis/mine_isef.py --cat CBIO --awarded-only "你感兴趣的关键词" python3 analysis/score_topics.py your_scores.tsv

动作永远是同一个：拿一个近届获奖作品，问它没问的那个关于自身有效性的问题。

四种最高产的问法，都在上面出现过：

数字太好了。 看到 ≥95% 的准确率/AUC，先问训练测试划分的粒度（样本级？被试级？批次级？）与特征选择的位置。C1、C3、C4 都是这么来的。
金标准是谁。 看到"超过了专家"，先问专家标注本身的一致性是多少。CBIO060（2025 Grand，U-Net 胰腺肿瘤分割）摘要原文写"slightly outperformed trained radiologists in segmentation accuracy"——但胰腺肿瘤分割的观察者间 Dice 天花板本身就不高，而 LIDC-IDRI 这类每个结节有 4 位放射科医生独立标注的公开数据集可以直接测出这个天花板。这条本文件没有展开，留给你。
验证方式携带多少信息。 看到"再现了已知规律"或"与真实数据吻合"，问随机参数的通过率。C14、C15 都是这么来的。
消融和随机化不是一回事。 看到"消融证明了 X 是必需的"，问的是"喂给 X 随机输入呢"。C6 是这么来的。

几条本文件核查过但没写成课题的线索，留给你： - CBIO019（2025 Grand，ProteinFlow） 识别出的"新固碳菌"是 Synechocystis PCC 6803 与 Nostoc punctiforme——两者都是教科书级的已知固碳蓝藻。这条流水线在阴性对照上的假阳性率是多少？ - CBIO025（2025 Grand，StAIR 反向映射） 用 RMSD 与 Ramachandran 图评价重建质量，但没有报告物理有效性（键长异常、原子重叠、能量最小化所需步数）。RMSD 低但结构不物理是粗粒化反向映射的经典失败模式。 - CBIO034（2026 Grand，CROHNOS） 的 +0.08 QALY 来自离策略评估（off-policy evaluation），而 OPE 估计量的方差在医疗序贯决策上是公认的难题，摘要没有给置信区间。 - CBIO027（2026 Special，ACE） 的多示例学习 macro-F1 0.91 跨 189 名患者——注意力权重被当作"细胞级可解释性"，但注意力权重是否等于重要性在 MIL 文献里有明确争议。

一条规矩

凡是"某项目做了/没做 X"的判断，必须回摘要原文核对。

本轮生成 15 条课题时，任务书给出的若干前提在核对后被修正（例如：CBIO043 的 "unseen datasets" 很可能已经等价于留一数据集验证，因此 C12 必须先核实再选定问题；CBIO072 摘要自己已经写明"validating feature design over clinical classification performance"，因此 C15 必须承认这个限定而不能假装它不存在；CBIO083 的 LOOCV 确实做了，只是用在适应度函数选择而非动力学比较上）。

被评委用原文当场驳倒，是这类课题唯一致命的翻车方式。 每一条"它没做 X"，你都要能当场翻到摘要的那一段。