C160–78
Western blot 定量的线性范围与归一化选择：同一张膜能得出几个不同的倍数
框架ECL 化学发光检测的线性动态范围有多宽？把归一化方式从管家蛋白换成总蛋白染色后，同一批数据算出的倍数变化会差多少？
你自己的那一点你贡献的是一次定量条件的系统标定：（1）用同一份裂解液做二倍梯度稀释上样，画出信号-上样量曲线，找出线性区上下限与饱和点；（2）在同一张膜上同时用管家蛋白（GAPDH/β-actin）与总蛋白染色（Ponceau S 或无染色总蛋白成像）归一化，比较两套倍数；（3）用自举法给出 n = 3 时倍数变化的置信区间，并计算这个设计的最小可检出倍数。结论是一张"什么样的倍数变化在 n=3 的 Western blot 上是可信的"实用表。
擦过CELL031（2025，Grand Award，"Turning Into Bone: Exploring FOP's Cell Signaling"） 摘要原文："Western blots and confocal microscopy were used to measure phosphorylation and internalization"、"a construct with the ACVR1 transmembrane domain exhibited a significant increase in internalization"。CELL036（2026，Grand + Special） 摘要原文："changes at the protein level were confirmed by western blotting"、"CA-MSCs were found to exhibit significant differences in expression of ... and ATP5a protein"。两个 Grand Award 项目都把 Western blot 当作确证性证据，而摘要中都没有线性范围、归一化方式或重复数的说明——这在分子生物学的可重复性讨论里是被反复点名的一个环节。
约束最可能死在你没有 Western blot 设备与抗体。 电泳、转膜、ECL 成像、抗体——总成本高，且抗体需要冷链。最便宜的规避方式：这条课题不需要任何生物学处理组——只需要一份裂解液和一套梯度，所以可以设计成"借用某个实验室两个下午"的方案。若完全没有设备，改做 C2（qPCR）或直接走纯计算路线。合规： 若用市售已建系细胞系（ATCC 等），属组织豁免，只需在研究计划与 Form 3 中标明来源与目录号；若用新鲜/冷冻组织或原代细胞，须 Form 6A + 6B + SRC 事前批准。
C267–77
ΔΔCt 的两个前提：扩增效率真的都是 100% 吗，参考基因真的不随处理变吗
框架每对引物的扩增效率是多少？在你的处理条件下，被当作内参的那个基因自己变了没有？把这两项测出来后，报告的倍数变化会移动多少？
你自己的那一点你贡献的是ΔΔCt 方法的两项前提检验：（1）对每对引物做 5 点稀释标准曲线，从斜率算扩增效率 E，若 E 偏离 90–110% 则改用 Pfaffl 效率校正公式重算倍数；（2）用 geNorm/NormFinder 类稳定性算法在多个候选内参（GAPDH、ACTB、18S、TBP、RPL13A）中评估稳定性，检验被选中的那个内参是否本身随处理变化；（3）报告两套算法下倍数变化的差异幅度。ΔΔCt 的两个假设是教科书内容，但学生项目里几乎没人验证——而内参随处理漂移会直接把结论方向搞反。
擦过CELL032（2026，Grand Award，"Reactive Astrocytes Modulate Neural Stem Cell Fate"） 摘要原文："leading to TNFα upregulation by RT-qPCR and sustained secretion by ELISA"、"Only strongly stimulated astrocytes maintained elevated TNFα after one week, indicating a threshold-dependent feedback mechanism"。CELL017（2026，Grand Award，"Modeling LEPID by siRNA Knockdown of Kars1 in PC12"） 摘要原文："Quantitative PCR (qPCR) confirmed suppression of Kars1 mRNA and assessed expression changes in a curated panel of downstream candidate genes (Stxbp1, Atp2b1, Scamp5, Hspd1, and Casp8)"、"Consistent dysregulation of these genes following Kars1 knockdown prompted subsequent RNA sequencing"。两个 Grand Award 项目的关键结论都由 qPCR 倍数支撑，两份摘要都没有提到扩增效率或内参稳定性。注意 CELL032 用的是炎症刺激条件——GAPDH 与 ACTB 在炎症刺激下不稳定是有文献记载的经典问题。
约束需要 qPCR 仪与引物。最便宜的规避方式：这条课题不需要任何新的生物学处理——你可以用任何已有的 cDNA 样本（甚至是实验室的存档样本）做效率标定与内参稳定性评估，因此是"借用仪器"方案里最容易谈成的一种。若完全没有 qPCR：这条课题有一个纯计算版本——公开的 qPCR 原始扩增曲线数据集（如 RDML 格式的公共数据）可以用来做效率重算与内参重评，虽然弱一些但可行。合规： 用已建系细胞系走组织豁免 + Form 3。
C374–84
MTT 测的是活细胞数还是还原能力：当你的处理物本身就是还原剂
框架当一个植物或海洋提取物被加进 MTT 反应体系时，它自己能不能把四唑盐还原成甲臜？把"无细胞 + 提取物"的空白做出来后，"细胞活力显著降低"这个结论还剩多少？以及：当细胞计数与 MTT 结果矛盾时，哪一个是对的？
你自己的那一点你贡献的是一个前作缺失的无细胞对照与一次四方法交叉验证：（1）无细胞空白——只有培养基 + 提取物 + MTT，测吸光度；富含多酚、抗坏血酸、还原糖的提取物可以直接还原四唑盐，产生"看起来细胞很多"的假阳性；反之某些提取物会抑制线粒体还原酶而产生假阴性；（2）在同一批孔上并行做 MTT、直接细胞计数、ATP 发光法与 LDH 释放，画出四者在血清梯度下的分歧点；（3）给出"MTT 在什么情况下不能作为活力代理"的判定规则。
擦过CELL011（2025，Grand Award，"Marine Sources: A Comprehensive FBS Alternative"）。摘要原文："Novel extracts derived from sea urchin roe (uni) and an invasive algae (Gracilaria salicornia)"、"The 5% and 10% uni and 10% algae treatments showed promising proliferation, with cell counts statistically comparable (p>0.05) to the FBS control"、"Despite the proliferative success, the MTT assay showed significantly lower viability across all treatments (p<0.001), suggesting the extracts may lack metabolic factors necessary for cell function"。这是本文件里最漂亮的一条线索：作者自己发现了细胞计数与 MTT 的直接矛盾，并给出了一个生物学解释（缺乏代谢因子）。但还有一个更简单的解释他没有检验——海藻与海胆卵提取物富含还原性物质与色素，可能直接干扰四唑盐反应或在 570 nm 处有背景吸收。摘要里没有任何无细胞空白对照。这个矛盾在原文里是敞开的，你只需要去回答它。
约束需细胞培养设施（超净台、CO₂ 培养箱、酶标仪）。最便宜的规避方式：这条课题最巧妙的地方在于它有一个完全不需要细胞的核心实验——"提取物 + MTT，无细胞"这一支只需要试管和分光光度计，就能直接证明或排除化学干扰。先做这一支，用它的结果去说服实验室给你后续的细胞时间。 细胞系用市售已建系（组织豁免 + Form 3）。合规： 提取物制备涉及溶剂，查 SDS 走 Form 3。
C470–88
96 孔板的边缘效应能不能伪造出一条剂量-反应曲线
框架96 孔板外围孔的蒸发与温度梯度造成的信号偏差有多大？当化合物按浓度梯度沿列排布（这是绝大多数人的做法）时，边缘效应能不能单独产生一条看起来漂亮的剂量-反应曲线？
你自己的那一点你贡献的是一次"假剂量-反应"的构造性演示：（1）均一板实验——全板同一处理，测量信号的空间分布，量化边缘孔与内部孔的偏差幅度与随时间的漂移；（2）构造性检验——把这个空间偏差按"浓度沿列递增"的常规布板方式重新标注，看能否拟合出统计显著的剂量-反应关系与一个虚假的 IC50；（3）比较三种布板策略（沿列、随机化、外圈只加缓冲液）下 IC50 估计的偏差。"我用一块什么都没做的板子做出了一条 p < 0.01 的剂量-反应曲线"——这个结果在展台上极具说服力。
擦过CELL004（2026，Grand Award，"Pyrvinium: Unique ROS-Dependent Antifungal Agent"） 摘要原文："I analyzed autophagy induction and quantitation, ROS production, mitochondrial activity, synergistic effect with rapamycin and cell viability with pyrvinium combined with blue light using various biochemical and cellular assays"、"Pyrvinium treatment rapidly increased autophagic activity and intracellular ROS levels by approximately 88% within 15 min"。CELL012（2025，Special Award） 摘要原文："its effect at lowering PD1 was measured in healthy CD8+ T-cells and TGF-β1 stressed CD8+ T-cells after 10 days"、"Healthy T-cells treated with vactosertib expressed less PD1 after 10 days (p=0.04)"。这两个项目以及本类目里几乎所有的孔板实验，摘要中都没有提到布板随机化或边缘孔处理——而 p=0.04 这样紧贴阈值的结果，恰恰是最容易被空间偏差左右的。
约束需酶标仪与孔板。最便宜的规避方式：这条课题的第一支实验（均一板的空间偏差）甚至不需要细胞——用一种稳定的显色液或荧光染料填满全板，测空间分布与蒸发失重，就能得到边缘效应的物理幅度。细胞版更有说服力但不是必需的。 若能加上细胞（用市售已建系，组织豁免），把"虚假剂量-反应"做成真实的细胞实验，这条课题的分量会显著上升。
C577–87
分子对接分数能预测什么：用诱饵分子做一次基准测试
框架一个学生项目常用的对接流程（AutoDock Vina / HADDOCK + MM/PBSA），在已知结合物与结构匹配诱饵分子的标准集上，富集能力是多少？它有多大概率把一个诱饵排在真实配体前面？
你自己的那一点你贡献的是一次对整类 in silico 结论的性能基准测试：（1）取若干个有实验数据的靶点，从公开的诱饵集（DUD-E 类）取真实配体与理化性质匹配的诱饵；（2）跑与前作相同的流程（同样的打分函数、同样的 MM/PBSA 后处理），报告 ROC-AUC、早期富集因子 EF1%、以及"诱饵排在真配体之前"的比例；（3）检验MM/PBSA 结合能与实测亲和力的相关性——这是一个已知很弱的相关，但学生项目里常被当作定量证据。
擦过CELL030（2025，Grand Award，"Midkine as a Target for Pancreatic Cancer Therapy"） 摘要原文："The MK vaccine was designed with reverse vaccinology epitope prediction, structural modeling, and in silico immune and molecular docking simulations"、"Computational vaccine design indicated a structurally stable, antigenic, non-allergenic, and non-toxic MK vaccine, which elicited strong Th1-dominant immune response with high binding affinity to immune cell receptors"。MCRO025（2025，Grand + Special Award，"Induced MRSA Autolysis Using Designed Activators"） 摘要原文："MM/PBSA calculations determined an average binding energy of -80 kcal/mol for the designed activators"。-80 kcal/mol 这个数量级对一个小分子-蛋白复合物而言异常之大（典型实验值在 -5 到 -15 kcal/mol 量级），这本身就说明 MM/PBSA 的绝对值不能按实验结合自由能读——而摘要把它当作有效性证据呈现。 另有 MCRO013（2026 Grand + Special） 用 HADDOCK 分数比较两个同源蛋白的底物依赖性。三个获奖项目、三种打分函数，共用同一个未被基准化的假设。
约束零实验室、零合规、零器材，只需一台电脑与耐心。 最可能死在算力（对接上万个诱饵分子耗时）。最便宜的规避方式：缩小到 2–3 个靶点 × 每靶点 50 真配体 + 1500 诱饵，普通笔记本用 Vina 数天可完成；MM/PBSA 只对排名前列的子集做。注意 Fit=7：这条偏计算化学，需要在文书里把结论锚定到"细胞与分子生物学的靶点验证实践"，否则容易被归到 CBIO。
C677–87
i_pTM = 0.233 意味着什么：给 AI 设计蛋白的置信指标做一次校准
框架AlphaFold-Multimer 类模型输出的 i_pTM、i_pAE 与 pLDDT，与"这个设计的结合物真的能结合"之间是什么关系？阈值在哪里？一个 i_pTM = 0.233 的复合物预测，支持"设计成功"这个说法吗？
你自己的那一点你贡献的是一次置信指标的校准曲线：（1）收集有实验验证的设计结合物数据集（成功/失败均有报道的公开数据）；（2）对每一个复合物重跑预测，得到 i_pTM/i_pAE/pLDDT；（3）画出校准曲线与 ROC，给出"i_pTM 高于多少才有实际预测价值"的阈值，并报告在常用阈值下的阳性预测值；（4）用同样的流程评估随机配对的蛋白对作为负对照——如果随机对也能拿到相近的分数，那这个指标就没有判别力。
擦过CELL019（2026，Grand Award，"AI-Powered Oral Cancer Screening Platform"）。摘要原文："RFdiffusion designed 32 therapeutic binders (86 residues) targeting HPX's heme-binding pocket (best pLDDT 0.809, i_pTM 0.233). RFAntibody generated 24 diagnostic nanobodies (best pLDDT 0.920, i_pAE 7.39 Å)"。这里可以直接核对：i_pTM = 0.233 在 AlphaFold-Multimer 的常规解读里属于"预测失败/无可信界面"的区间（通常认为 i_pTM > 0.5 才提示可信的相互作用界面），而这已经是 32 个设计里最好的一个。摘要把它与 pLDDT 0.809 并列作为设计成果呈现。这是一个非常具体、可以逐字引用原文的入口——而且你不需要指控任何人，你要做的是给这个指标建立一条大家都能用的校准曲线。
约束零实验室、零合规。 最可能死在算力（AlphaFold-Multimer 推理需要 GPU）与数据集构建（"有实验验证的设计结合物"这个集合需要自己整理）。最便宜的规避方式：用公开的 ColabFold/免费 GPU 额度；数据集可从已发表的设计蛋白基准（多个公开的 binder design benchmark）中取。若算力实在不够，退到只用已发布的预测结果与已发表的实验结论配对做校准分析——这仍然是原创的元分析，且完全零算力。注意 Fit=7：同 C5，需在文书里锚定到分子生物学的实际应用。这条的原创性是本文件最高（O=9）——它质疑的是一个正在被整个领域快速采纳、但阈值尚未被学生群体理解的指标。
C777–87
你的分类器认出的是肿瘤还是数据集：批次效应的直接检验
框架一个在多组学数据上训练、在外部数据集上验证的分类器，它学到的特征有多少来自生物学，多少来自平台/批次差异？用同一组特征去预测"样本来自哪个数据集"，准确率是多少？
你自己的那一点你贡献的是一次批次探测器检验（batch-detector test）：（1）用与疾病分类器完全相同的特征集，训练一个"预测样本属于哪个数据集"的分类器——如果它的 AUC 接近 1，说明这些特征首先编码的是批次而不是生物学；（2）做标签置换检验建立零分布，看真实 AUC 相对置换分布的位置；（3）用批次校正（ComBat 等）前后各跑一遍疾病分类，报告 AUC 的变化；（4）检验配对设计的泄漏——当同一病人的肿瘤与癌旁样本分处训练/测试两侧时，模型可以靠"认出这个病人"作弊。
擦过CELL019（2026，Grand Award，"AI-Powered Oral Cancer Screening Platform"）。摘要原文："Proteomics data from CPTAC HNSCC (182 samples, 9,382 proteins) trained five classification models"、"External validation on PXD025701 (28 samples, 45% protein overlap) achieved AUC = 0.73, rising to 0.79 when evaluated by paired concordance reflecting the dataset's matched tumor/adjacent-normal design"、"Clinical modeling projects... achieving 97.4% sensitivity while avoiding 91% unnecessary biopsies"。它做了外部验证，这一点必须承认并主动称赞——这已经比大多数学生项目强。但两个具体的点可核对：（a）外部集只有 28 个样本、蛋白重叠仅 45%，AUC=0.73 的置信区间会很宽；（b）"paired concordance" 把 AUC 从 0.73 提到 0.79，而配对设计恰恰是最容易引入病人身份泄漏的地方——用配对信息评估会系统性高估。而 97.4% 的敏感度是"临床建模"外推出来的，不是外部集实测的。
约束零实验室、零合规、零器材——CPTAC 与 PRIDE（PXD 编号）数据全部公开可下。 最可能死在生信工具链的学习曲线。最便宜的规避方式：批次探测器检验的实现极其简单（换个标签重训一遍），可以先做这一支拿到结果，再决定是否往下做校正与泄漏分析。注意 Fit=7：需要在文书里把结论落到"蛋白组生物标志物的可转化性"，否则会被归到 CBIO。
C868–78
端粒变长这个反直觉结果，会不会是 DNA 质量造成的
框架qPCR 端粒相对长度（T/S 比）的技术变异系数是多少？当样本来自受热白化、可能已发生 DNA 降解的组织时，DNA 完整性对 T/S 比的影响有多大？在这个噪声水平下，"白化珊瑚的端粒显著变长"能被可靠检出吗？
你自己的那一点你贡献的是一次针对 T/S 比的技术验证 + 一个降解伪影检验：（1）同一份 DNA 反复测 10–20 次，得到技术 CV，据此算最小可检出变化；（2）人为降解实验——把同一份 DNA 用轻度超声或热处理制造 DNA 完整性梯度（用凝胶或片段分析确认），测 T/S 比随完整性的变化，因为端粒与单拷贝基因的扩增子长度不同，降解对两者的影响不对称，会系统性地推动 T/S 比；（3）检验 DNA 浓度定量误差（NanoDrop vs 荧光定量）对 T/S 比的贡献。
擦过CELL025（2026，Special Award，"Methods of Immortality in Hawaiian Corals"）。摘要原文："DNA was extracted from the tissues to assess telomere length before and after heat stress"、"Telomeres significantly lengthened in visibly bleached corals and when telomere length was compared to chlorophyll a fluorescence, there was a strong negative trend between chlorophyll fluorescence and telomere length"、"in the heat stressed samples, telomerase subunits were no longer correlated suggesting that telomerase is not the mechanism that is utilized for telomere maintenance"。这里的逻辑张力很清楚：端粒在热胁迫下变长，同时端粒酶亚基的相关性消失——作者据此推断存在非端粒酶机制。但还有一个更平凡的解释没被检验：白化组织的 DNA 质量与共生藻含量都变了（共生藻的 DNA 会混入样品并稀释宿主信号），这两项都能系统性地移动 T/S 比。摘要中没有任何 DNA 完整性或宿主/共生体比例的校正。
约束需 qPCR 仪。最便宜的规避方式：这条课题完全不需要珊瑚。 技术验证与降解伪影检验可以用任何容易获取的 DNA（自己的口腔拭子属"仅学生本人"豁免、或市售人基因组 DNA、或植物 DNA）来做——核心结论是"T/S 比对 DNA 质量有多敏感"，与物种无关，而这个结论对所有用 qPCR 测端粒的项目都适用。 用市售 DNA 或自身样本可大幅简化合规（注意：人血须 BSL-2 + 合格科学家监督，仅学生本人血液豁免；口腔拭子属体液，须查 Form 6A/6B 要求）。
C966–84
微核计数的评分者间一致性：不设盲会偏多少
框架不同评分者数同一批图像的微核数，一致性有多高？同一个评分者在知道分组与不知道分组两种情况下，计数会差多少？自动化流程与人工计数的偏差是多少？
你自己的那一点你贡献的是一次评分信度与设盲效应的实验：（1）同一套图像交给 ≥4 位受过同样训练的评分者独立计数，报告 ICC 与 Bland-Altman；（2）设盲对照——同一批图像随机分两次呈现，一次带（伪造的）分组标签、一次不带，测量标签对计数的影响幅度；（3）与开源自动化微核识别流程比对。"知道分组会让计数偏移 X%"这个数，直接决定了所有不设盲的形态学计数实验的可信度。
擦过CELL047（2025，Special Award，"Genomic Instability in Cancer"）。摘要原文："It was hypothesized the combination of induced telomere 8-oxoG and the inhibition of ATM, ATR, and WEE1... would result in an increase in genomic instability, measured by micronuclei formation"、"The number of micronuclei per 100 cells were quantified. Assays showed a significant increase in the number of micronuclei when cells were subjected to 8-oxoG and ATRi, and no increase when using ATMi"。"每 100 个细胞的微核数"是一个纯人工判读的形态学计数，而且它同时报告了"某处理有效、另一处理无效"的对比——这正是期望偏倚最容易起作用的场景。摘要中没有提到设盲或评分者间信度。
约束可以做成零实验室版本：公开的细胞影像库（如 BBBC 影像基准集）里有大量可用于计数任务的图像，评分者可以是同学。最便宜的规避方式：完全用公开图像 + 同学评分者，零合规、零器材。若要自建图像集则需细胞培养与荧光显微镜。注意一个设计细节：为了让"不设盲"这一支成立，你需要给同一批图像贴上随机的假标签——这是合法且必要的实验设计，但必须在研究计划里写清楚，不要让评委误以为你在伪造数据。
C1076–86
三个 p 值都在 0.026–0.043 之间：把阈值扫一遍，再做一次多重比较校正
框架一个基于图像分割阈值定义的"覆盖率"指标，随分割阈值如何变化？在把整个脑区 × 分期 × 分层的比较矩阵纳入多重比较校正后，那几个刚刚跨过 0.05 的结果还剩几个？
你自己的那一点你贡献的是阈值敏感性分析 + 事后多重比较校正：（1）在合理的阈值区间内扫描分割参数，把每个比较的 p 值画成"p 随阈值变化"的曲线——如果 p 值在阈值区间内从 0.01 跨到 0.5，那这个结论是由参数选择决定的；（2）统计原研究实际做了多少次比较（脑区 × 三种分期量表 × 皮层分层），用 Benjamini-Hochberg 做 FDR 校正，看哪些幸存；（3）报告效应量与置信区间，而不只是 p 值。
擦过CELL049（2025，Grand Award，"Astrocyte Role in Selective Vulnerability to AD"）。摘要原文："quantifying astrocytic-vasculature protein overlap as a measure of BBB integrity"、"A novel pipeline was implemented to compare astrocytic coverage of blood vessels across Clinical Dementia Rating, Braak, and Thal staging"、"Astrocytic coverage was additionally compared between the prefrontal and primary visual cortex (PFC and V1)"、"significant increases in GFAP-specific astrocytic coverage of blood vessels across all measures of AD progression in layer IV of the V1 (p = .026; p = .035; p = .043)"。三个 p 值分别是 .026、.035、.043，全部落在 0.05 以下但都很接近；而设计里至少有 2 个脑区 × 3 套分期量表 × 多个皮层分层的比较空间，摘要中没有提到任何多重比较校正。"蛋白重叠"这个指标的定义又完全依赖于图像分割阈值。这两点合起来，是本文件里最具体的一个可辩护性缺口。
约束可以做成纯计算：多重免疫荧光的公开数据集与开源分割工具（QuPath、CellProfiler、Ilastik）齐全，不需要任何组织。最便宜的规避方式：用任何公开的多通道荧光影像数据做同一个方法学演示——阈值敏感性这个问题与具体疾病无关。重要合规提示：这条课题绝不能触碰朊样蛋白。 阿尔茨海默病相关的湿实验（Aβ、tau）被明文禁止，但对已有影像数据的重分析属于"仅使用来自同行评审出版物或公共数据库的数据/图像"，明文豁免。把课题定位成"图像定量指标的阈值稳健性"而不是"阿尔茨海默病研究"，既合规又更准确。
C1173–83
CoCl₂ 是缺氧模型吗：把化学模拟与真实低氧的转录响应比一比
框架氯化钴诱导的转录响应，与真实低氧培养的转录响应重叠多少？在多大程度上 CoCl₂ 的效应来自 HIF 通路之外（金属毒性、ROS、钙信号）？用 CoCl₂ 得到的结论能外推到缺血损伤吗？
你自己的那一点你贡献的是一次模型效度的转录组比较：从公开数据库取同一细胞类型下的 CoCl₂ 处理、真实低氧（1% O₂）、以及 DMOG/DFO 等其他 HIF 稳定剂的表达谱，（1）计算三者差异表达基因集的 Jaccard 重叠与秩相关；（2）做通路富集，识别 CoCl₂ 特有而真实低氧没有的通路（金属应激、氧化应激、未折叠蛋白反应是可预期的候选）；（3）给出一份"用 CoCl₂ 做缺氧模型时哪些结论可以外推、哪些不能"的实用清单。
擦过CELL006（2026，Grand Award，"Overcoming Regenerative Barriers in CMs via VEGF-B"）。摘要原文："AC16 human cardiomyocytes were treated with Cobalt Chloride (CoCl2) to model the hypoxic stress that occurs during myocardial infarction, with recombinant VEGF-B overexpression treatment"、"Functional assays demonstrated VEGF-B's potential to significantly enhance cell viability and reduce apoptosis"、"Bulk RNA-seq analysis identified key genes significantly implicated in VEGF-B pathways, with upregulation of proliferative genes (MYCN, MKI67) and suppression of apoptotic and inflammatory genes (PDCD2, IL6R)"。整个项目的转化主张（"心肌梗死后的心肌再生"）建立在 CoCl₂ 能代表心肌缺血这个前提上。CoCl₂ 稳定 HIF-1α 是真的，但它同时是一种重金属，会独立引起 ROS 与内质网应激——而这两条恰好也会影响细胞活力与凋亡这两个主结局。摘要中没有任何真实低氧对照。
约束零实验室、零合规、零器材——GEO/ArrayExpress 上 CoCl₂ 与低氧的表达谱数据大量存在。 最可能死在"跨研究比较的批次问题"——不同实验室的数据不可直接合并。最便宜的规避方式：优先选择同一篇研究内同时包含 CoCl₂ 与真实低氧两个处理的数据集（这类数据集存在），从根本上消除批次混杂；找不到时用秩相关而非绝对表达值比较。这条课题与 C7 共用同一套生信技能，两条可以合并成一个更强的单一课题。
C1272–90
敲低之后的那一堆差异基因，有多少是 siRNA 的脱靶
框架一次 siRNA 敲低实验得到的差异表达基因里，有多少可以用 siRNA 的种子序列（seed sequence）介导的 microRNA 样脱靶来解释，而不是目标基因功能的下游效应？
你自己的那一点你贡献的是一次标准但几乎没人做的脱靶检验：（1）取 siRNA 的 2–8 位种子序列，在下调基因的 3'UTR 中检索其互补七聚体的富集程度，与背景基因集比较（这是经典的种子富集分析）；（2）做Sylamer 类的无偏基序富集，看排在下调端最富集的基序是否恰好是种子互补序列；（3）在公开的多 siRNA 数据集上验证这个流程，量化"典型 siRNA 实验中种子脱靶可解释的 DEG 比例"。如果下调基因显著富集种子互补位点，那么这批 DEG 的相当一部分与目标基因无关——而这正是单一 siRNA、无 rescue 实验设计的固有弱点。
擦过CELL017（2026，Grand Award，"Modeling LEPID by siRNA Knockdown of Kars1 in PC12"）。摘要原文："siRNA-mediated knockdown of Kars1 in undifferentiated rat PC12 cells was used to model KARS1 loss-of-function"、"Consistent dysregulation of these genes following Kars1 knockdown prompted subsequent RNA sequencing, which revealed that many of the most differentially expressed genes were linked to neurodevelopmental phenotypes"、"These findings support a model in which KARS1 deficiency disrupts mitochondrial and proteostatic balance in neurons"。摘要中没有提到使用多条独立 siRNA、也没有 rescue（回补）实验——这两项是排除脱靶的标准手段。而"最显著差异表达的基因大多与神经发育表型相关"这个观察，在 PC12 这样的神经样细胞里，也可能只是反映了该细胞类型本身高表达的基因更容易进入 DEG 列表（表达量偏倚）。你的分析可以同时检验这两条替代解释。 同类问题也见于 MCRO039T（2026 Grand Award） 的 siRNA 设计——它做了 in silico 脱靶查询，但查的是完全互补的脱靶，而种子介导的脱靶恰恰不需要完全互补。
约束零实验室、零合规、零器材。 最可能死在"你需要拿到原始的 siRNA 序列与 RNA-seq 数据"。最便宜的规避方式：不需要复现前作的具体数据——用公开的大规模 siRNA 表达谱资源（连接图谱类数据、或已发表的多 siRNA 对照实验）来量化这个现象的普遍程度，结论的适用面反而更广。这条课题技术上是本文件里最"内行"的一条，做出来在展台上极难被驳倒，但也最需要你真正读懂 RNAi 脱靶的机制——不要在没有把种子配对规则搞清楚之前开题。
C1358–76
"1 拷贝/µL"的灵敏度声称：LOD95 与空白假阳性率
框架一个核酸扩增方法声称达到 1 拷贝/µL 的灵敏度，其 95% 检出限（LOD95）经 probit 分析后是多少？无模板对照（NTC）在多少次重复中出现假阳性？
你自己的那一点你贡献的是一次符合诊断学规范的灵敏度与特异度评估：（1）在极限稀释区做 7 个浓度 × 每浓度 ≥ 20 次重复，用 probit 回归拟合检出概率曲线，报告带置信区间的 LOD95（在泊松分布下，1 拷贝/µL 的模板意味着约 37% 的反应管里根本没有模板，因此"1 拷贝/µL 的灵敏度"在物理上就要求检出率上限约 63%——这个泊松论证本身就是一个很强的展台论点）；（2）做 ≥ 50 次 NTC，报告假阳性率——等温扩增方法因不需要热循环而尤其容易产生非特异性扩增与气溶胶污染。
擦过CELL028T（2026，Special Award，"SNIPER: Long-Target Isothermal DNA Amplification"）。摘要原文："SNIPER achieved long-target amplification (>5.8 kb) and multiplex amplification of 4 multi-kilobase targets with sequencing adapter incorporation, while maintaining PCR-level sensitivity (1 copy/uL)"、"SNIPER's practical utility was demonstrated in a multiplexed three-exon panel for non-small cell lung cancer screening"。"1 copy/µL" 是一个非常强的声称，而摘要中没有给出重复次数、检出率或 LOD 的定义方式。 同类问题见 MCRO008（2025 Grand Award） 的 LAMP 方法："demonstrated 100% sensitivity and specificity"——同样没有给出样本量与置信区间。
约束最可能死在设备与试剂成本。 等温扩增试剂（Bst 聚合酶、SSB）不便宜，且 7 × 20 = 140 个反应加 50 个 NTC 是一笔可观的开销。最便宜的规避方式：换成成本更低的体系做同一个方法学问题——市售的等温扩增（LAMP）显色试剂盒、甚至是常规 PCR，只要目标是"极限灵敏度声称需要多少重复才能支持"，体系本身可以随便换。若完全没有分子实验室，这条课题有一个纯计算/纯统计版本：用泊松-probit 模拟给出"在 n 次重复下，能可信声称的最低 LOD 是多少"的查表——可行性上升到 9，但需要在文书里把它讲成方法学工具而不是模拟练习。
C1455–73
电生理里的时间效应：那个药效有多少是标本本身在衰退
框架一个离体神经-肌肉标本在实验过程中的基线漂移（rundown）有多大？当药物按固定顺序、递增浓度施加时，多少"剂量依赖的抑制"其实是标本随时间的自然衰退？
你自己的那一点你贡献的是时间匹配的溶剂对照与随机化施药顺序：（1）时间匹配对照组——只灌流生理盐水，按与实验组完全相同的时间表记录，量化 EJP 幅度与复合动作电位面积的自然衰减曲线；（2）顺序随机化 + 洗脱可逆性——把浓度施加顺序随机化，并在每个浓度后做洗脱恢复，用恢复率区分"药理效应"与"不可逆衰退"；（3）报告药效相对于时间匹配对照的净效应。
擦过CELL018（2026，Grand Award，"Isoflurane Effects on Synaptic Transmission"）。摘要原文："In the MRO, isoflurane induced mixed results at 0.1% and 0.2%, though the activity with isoflurane after five minutes was significantly greater than activity in saline (p=0.028; t=-3.056)"、"Higher frequency stimulations with isoflurane present resulted in depressed EJP amplitudes"、"Muscle tension increased without evoked nerve stimulation"。注意 "after five minutes" 这个时间限定与 p=0.028 这个紧贴阈值的值——在离体标本上，五分钟的时间差本身就足以产生可观的基线变化，而摘要中没有提到时间匹配对照。它自承"mixed results"，这恰恰说明信号不稳。
约束最可能死在电生理装置（放大器、微电极拉制、灌流系统）。这类设备中学几乎没有，且操作需要训练。最便宜的规避方式：把标本换成不需要细胞内记录的体系——如蟑螂或蝗虫腿部神经的胞外记录（有成熟的低成本教学方案，放大器可自建或用几百元的开源方案），核心问题（基线漂移 vs 药理效应）完全一样。合规： 无脊椎动物，Form 3（麻醉剂/受试化合物查 SDS）。若你能接触到电生理实验室，这条课题的价值会显著上升；否则不建议作为首选。
C1562–80
三个浓度点能算出 IC50 吗：稀疏剂量序列的估计偏差
框架用 3 个、5 个、8 个浓度点拟合同一条真实的剂量-反应曲线，IC50 的估计偏差与置信区间宽度分别是多少？当浓度范围没有覆盖平台区时，IC50 会被系统性地推向哪一边？
你自己的那一点你贡献的是一次剂量-反应实验设计的模拟研究 + 真实数据再分析：（1）用已知参数的四参数 log-logistic 曲线生成数据，加入真实水平的实验噪声，在不同点数与浓度布局下反复拟合，报告 IC50 的偏差、变异与置信区间覆盖率；（2）识别最常见的两个设计缺陷——浓度范围不覆盖上下平台、以及浓度点在对数尺度上分布不均——各自造成多大偏差；（3）把公开的剂量-反应原始数据按不同点数子采样重拟合，验证模拟结论；（4）产出"给定预算下的最优浓度布局"建议表。
擦过CELL039（2025，Special Award，"Tiny but Mn-mighty: Salinomycin in Tumor Treatment"） 摘要原文："The cells were incubated with MnCl2 and salinomycin for 24 h, followed by 24 h of recovery"——只有单一浓度组合，无剂量序列，因此无法给出任何效力参数。 CELL012（2025，Special Award） 摘要原文："Future tests with therapeutic doses of TGF-β1 and multiple time points of vactosertib treatment may yield insightful results"——作者自己指出缺少剂量与时间维度。 MCRO042（2025，Grand Award，"Berberine and a Nanoparticle on EBV Infectivity"） 摘要原文："all compounds were too toxic at 20 µM, whereas 2, 5, and 10 uM did not inhibit growth"、"Infectivity was inhibited at concentrations of 5 and 10 µM"——从 10 µM 无毒到 20 µM 全毒，中间是空的；这个剂量布局无法定出任何 IC50，而这是学生项目里极常见的浓度设计。
约束零实验室、零合规、零器材，纯模拟 + 公开数据。 最可能死在"评委觉得这是统计学不是细胞生物学"。最便宜的规避方式：产出物必须是面向实验者的实用工具——一份"我只能做 N 个浓度，该怎么摆"的决策表，加上一个开源的在线计算器；并用至少两个真实的公开剂量-反应数据集验证。这条是本文件里进入门槛最低的一条（F=9），适合作为"先跑起来"的起步课题，或者作为其他湿实验课题失败时的降级路径。