肺癌预后预测项目：
-
数据： a. 化免联合治疗 小细胞肺癌：46个治疗后的样本，19个MPR，27个NMPR，配对的有7个样本
-
输入和输出细胞集合配对： a. 只用治疗前后共有的细胞类型 b. 确定细胞总数，按照单纯形法抽细胞集合 c. 训练目标：用治疗前的细胞集合预测治疗后的细胞集合 d. 可选（输入细胞集合各细胞类型比例可以按照真实数据比例采样） e. 基因可以只用HVGs（Top5k）
-
模型 a. backbone用stack b. 第一轮训练，用于预测治疗后的表达谱 （提供给用户） c. 下游：治疗后表达谱预测合不合理，表型预测（微调，decoder换成moe-mil），细胞重要性，基因重要性 d. stack架构：有没有办法融入扰动信息（Trabi）
注意：预训练时，input和output 要是表型匹配的（mpr等要相同），所以是不是在第一轮微调时候只用治疗前后配对数据（7个患者） 注意：要想办法把扰动/治疗信息添加到input里面（看Trailblazer等模型怎么做的，是不是encode后concat？）
下游补实验：实验验证关键细胞和基因步骤一般怎么做？是使用cell line吗？那不是可以使用扰动预测模型进行预测（比如DeSCOPE）
AIVO：AI虚拟类器官：以AIVC作为基本构建单元，模拟细胞-细胞和细胞-基质相互作用
公共数据做建模训练——自己数据做验证——从自己数据验证的结论引出单细胞组学分析——机制挖掘——实验验证
Q：建模使用的前沿深度学习模型如何才能保证效力和公信力？如何让编辑和审稿人相信不是在自娱自乐？ maybe methods部分做详细的数学论证？
Task: 1. 不同的化疗药物方案有区分的意义吗？比如不同的药物组成的2药化疗/3药化疗 2. stack架构 预训练好的参数——拿我们的肺癌细胞微调——用不带治疗信息的治疗前sclc做微调——先不引入扰动，与stack一样output与input生成长得差不多的细胞集合 3. stack类似架构从零开始预训练，input是治疗前，output是治疗后，整个模型相当于一个虚拟治疗过程，然后output与GT数据的治疗后比较作loss，output后面接一个MoE-MIL合并为patient-level embedding，然后接一个分类器区分表型数据（比如疗效）在做loss。然后训练完成后用验证集的治疗前input，然后生成一个虚拟治疗后的output——然后MoE_MIL总结出patient-level embedding——分类器验证他的疗效预测准不准 backbone用stack架构，用stack预训练的encoder部分参数，decoder重新训。先尝试input直接用治疗前，output直接预测治疗后，