在生命科學(xué)快速發(fā)展的今天，空間組學(xué)讓我們看到細(xì)胞在組織中的位置與狀態(tài)，而AI 大模型則進(jìn)一步打破了實驗與計算的邊界，讓我們有機(jī)會從一張普通病理切片中預(yù)測空間蛋白和分子信息。

本次培訓(xùn)將系統(tǒng)學(xué)習(xí)從多模態(tài)配準(zhǔn)到模型訓(xùn)練、推理和課題遷移的完整流程，重點理解 AI大模型項目是如何從任務(wù)定義、數(shù)據(jù)配對、輸入輸出設(shè)計、訓(xùn)練優(yōu)化到結(jié)果評估，真正學(xué)會搭建屬于自己的 AI 大模型。

不僅看懂頂刊、復(fù)現(xiàn)頂刊，更能舉一反三，把“會用模型”真正升級為“會搭建自己 AI 大模型”，把 AI 大模型沉淀成服務(wù)自己課題和成果產(chǎn)出的核心競爭力。

論文介紹

本次復(fù)現(xiàn)的兩篇論文如下

論文鏈接：https://doi.org/10.1038/s41591-025-04060-4

論文鏈接：https://doi.org/10.1016/j.cell.2025.11.016

01

課程特色

1.真正學(xué)會搭建自己的AI大模型：

不是只學(xué)會調(diào)用現(xiàn)成大模型，而是系統(tǒng)掌握從任務(wù)定義、數(shù)據(jù)配對、輸入輸出設(shè)計，到大模型訓(xùn)練、調(diào)參、評估和模型推理的完整搭建邏輯 。

2.兩篇頂刊復(fù)現(xiàn)與模型構(gòu)建雙線并進(jìn)：

既復(fù)現(xiàn)CELL、Nature Medicine等頂刊文章的核心流程，又理解模型如何產(chǎn)生結(jié)果、如何支撐機(jī)制與結(jié)論，打通“論文復(fù)現(xiàn) → 方法理解 → 模型構(gòu)建”。

3.多模態(tài)全流程打通（圖像 × 單細(xì)胞 × 空間）：

從H&E病理圖像、CODEX多通道數(shù)據(jù)，到單細(xì)胞表達(dá)矩陣構(gòu)建，再到空間映射與模型訓(xùn)練，完整打通 圖像 → 分子 → 空間 → AI建型，真正建立跨模態(tài)整合能力。

4.可直接遷移到自己課題：

強(qiáng)調(diào)如何把病理預(yù)測空間蛋白、虛擬mIF、預(yù)后建模等思路遷移到自己的數(shù)據(jù)和研究中。

5.直播授課 + 錄屏回看 + 長期答疑（一對一指導(dǎo) + 包教包會）：

直播帶跑、課后錄屏反復(fù)看，資料包（代碼/講義/數(shù)據(jù)）全配齊；團(tuán)隊七名全職答疑助理，即使課程結(jié)束，一對一指導(dǎo)答疑不結(jié)束，真正做到包教包會。

02

課程時間

一個半月系統(tǒng)教學(xué)，實打?qū)嵃贪鼤?br/>

每周三、周五、周日晚19:00-22:00

（注意：錯過直播可以看錄播補(bǔ)上，看錄播過程中遇到問題也是七名助理一對一指導(dǎo)答疑）

共二十二節(jié)課：十八節(jié)精講課，四節(jié) 零基礎(chǔ)編程教學(xué)課

03

課程核心模塊

課程總體分為四個模塊：

零基礎(chǔ)學(xué)習(xí)python編程四節(jié)課：課程適合完全零基礎(chǔ)“小白”報名

Nature Medicine 復(fù)現(xiàn)十節(jié)課：AI大模型如何用H&E病理切片預(yù)測空間蛋白

CELL 復(fù)現(xiàn)四節(jié)課：AI如何用病理切片生成虛擬mIF（多重免疫熒光）

TCGA公共數(shù)據(jù)庫四節(jié)課：病理切片公共數(shù)據(jù)挖掘（自己病理數(shù)據(jù)也可以挖掘）

模塊一：課前預(yù)熱四節(jié)課

第1節(jié)：Python環(huán)境搭建
1.Spyder和Anaconda軟件安裝（Windows、Linux、Mac）
2.Conda環(huán)境管理和鏡像設(shè)置
3.用conda和 pip安裝python包/庫的安裝方式
4.Jupyter Lab安裝和使用

第2節(jié)：Python編程語言入門

1.Python的縮進(jìn)、命名規(guī)范（變量、函數(shù)、常量的命名方式）
2.包和模塊的基本概念，import的三種寫法
3.對象屬性與方法的調(diào)用
4.自定義函數(shù)def：參數(shù)、返回值、位置參數(shù)/關(guān)鍵字參數(shù)
5.條件語句和循環(huán)語句

第3節(jié)：Python數(shù)據(jù)結(jié)構(gòu)進(jìn)階

1.列表、元組、字典、集合基本數(shù)據(jù)結(jié)構(gòu)的系統(tǒng)講解

2.生成和索引、增刪改查、列表排序、統(tǒng)計和去重

3.矩陣的新建和行/列取子集，布爾索引（使用numpy）

4.數(shù)據(jù)框的新建、行列選擇、數(shù)據(jù)類型轉(zhuǎn)換（使用pandas）

第4節(jié)：seaborn和matplotlib繪圖（數(shù)據(jù)可視化）
1.matplotlib基本繪圖流程
2.seaborn常用圖：histplot、boxplot、violinplot、barplot、heatmap
3.使用 plotnine（ggplot風(fēng)格）繪圖
4.自定義顏色+配色，圖片設(shè)置、拼圖和圖片保存

模塊二：Nature Medicine 復(fù)現(xiàn)：AI大模型如何用H&E病理切片預(yù)測空間蛋白

第一講：掌握病理圖像與 CODEX（多重免疫熒光空間成像） 超大圖像

1.掌握H&E 圖像的文件結(jié)構(gòu)與基礎(chǔ)讀取，理解OME-TIFF 的底層結(jié)構(gòu)

2.病理大圖多級分辨率金字塔與超大圖像按需讀取，實現(xiàn)效率與精度的平衡

3.CODEX 多通道圖像的高維結(jié)構(gòu)，通過 XML 解析提取通道

4.空間多通道融合與共定位，單通道增強(qiáng)、偽彩融合可視

第二講：數(shù)字病理切片圖像和CODEX 多模態(tài)圖像對齊

1.對齊前基線建立，明確 H&E 與 CODEX/IF 在配準(zhǔn)中的角色

2.理解 Palom 的核心數(shù)據(jù)流與參數(shù)體系以及Aligner 構(gòu)建

3.縮略圖級粗對齊與仿射矩陣中縮放和平移

4.分塊精對齊與局部位移場優(yōu)化，理解局部位移計算、異常位移約束

5. 配準(zhǔn)結(jié)果 輸出 、質(zhì)量控制與效果評估、圖像增強(qiáng)

第三講：掌握H&E 與 DAPI 兩種模態(tài)細(xì)胞核分割，將 CODEX 質(zhì)心映射到 H&E 坐標(biāo)系

1.StarDist 預(yù)訓(xùn)練模型選擇與雙模態(tài)細(xì)胞核分割

2.細(xì)胞核形態(tài)特征提取

3.CODEX 質(zhì)心映射到 H&E 坐標(biāo)系，掌握基于全局仿射和局部分塊仿射

4.最近鄰距離分析與亞細(xì)胞級配準(zhǔn)精度評估

第四講：配準(zhǔn)后單細(xì)胞表達(dá)矩陣構(gòu)建與組織空間分布模式

1. 雙模態(tài)圖像讀取，從細(xì)胞核到細(xì)胞區(qū)域的單細(xì)胞邊界劃分

2.多通道 CODEX 強(qiáng)度轉(zhuǎn)化為 scRNA 的 cell × gene 表達(dá)矩陣

3.單細(xì)胞矩陣的指控、標(biāo)準(zhǔn)化、降維與聚類分析

4.局部空間回投與 Marker基因空間展示，完成組織空間分布模式

5.掌握全切片圖像預(yù)處理與智能切塊全流程

第五講：復(fù)現(xiàn)Nature Medicine論文WSI 與 CODEX 處理流程

1. 雙模態(tài)數(shù)據(jù)讀取，H&E 全切片預(yù)處理與 40x 統(tǒng)一標(biāo)準(zhǔn)化

2. 偽影的多層質(zhì)控體系過濾與高質(zhì)量 Tile 篩選策略

3. H&E 染色標(biāo)準(zhǔn)化與 Tile 級特征提取

4.CODEX 通道歸一化與 Tile 表達(dá)矩陣構(gòu)建

第六講：HEX 模型訓(xùn)練，從訓(xùn)練數(shù)據(jù)準(zhǔn)備到模型微調(diào)與性能評估

1. HEX大模型的訓(xùn)練數(shù)據(jù)格式轉(zhuǎn)換與標(biāo)準(zhǔn)化組織，包括圖像轉(zhuǎn)換、蛋白標(biāo)簽以及命名規(guī)范統(tǒng)一。

2. 配對數(shù)據(jù)質(zhì)控與訓(xùn)練前完整性驗證，確認(rèn)圖像內(nèi)容與標(biāo)簽信號的生物學(xué)一致性

3.HEX 訓(xùn)練流程與輸入數(shù)據(jù)對接，掌握從數(shù)據(jù)準(zhǔn)備完成到正式進(jìn)入模型訓(xùn)練的完整銜接邏輯。

4.模型訓(xùn)練參數(shù)微調(diào)，包括凍結(jié)骨干網(wǎng)絡(luò)、解凍末層、魯棒損失函數(shù)和 Checkpoint 保存等關(guān)鍵訓(xùn)練參數(shù)

5.HEX 模型性能評估：結(jié)合 Pearson 相關(guān)系數(shù)、MSE 等結(jié)果，判斷模型在不同蛋白通道上的預(yù)測能力與可用性。

第七講：HEX 大模型推理：從 H&E Patch 到 40 通道虛擬蛋白預(yù)測

1. 輸入H&E的Patch理解，建立模型任務(wù)對輸入形式和圖像預(yù)測蛋白表達(dá)的認(rèn)知

2.系統(tǒng)理解 HEX 的整體網(wǎng)絡(luò)結(jié)構(gòu)，掌握 MUSK 視覺編碼器作為病理特征的作用

3. 推理前預(yù)處理與標(biāo)準(zhǔn)化，確保輸入數(shù)據(jù)能夠正確送入模型。

4.完成從單張或多張 H&E Patch 到 40 維蛋白表達(dá)向量的批量推理

5. 將模型輸出整理為預(yù)測矩陣、預(yù)測結(jié)果展示與生物學(xué)解讀

第八講：HEX的AI大模型WSI高分辨率虛擬蛋白生成與空間可視化

1. 全切片推理任務(wù)設(shè)計與關(guān)鍵參數(shù)配置

2. 掌握全切片虛擬蛋白預(yù)測結(jié)果的存儲架構(gòu)

3.AI大模型在 WSI 上的高分辨率推理流程

4.通過偽彩融合和色調(diào)映射生成論文級虛擬蛋白空間表達(dá)圖譜

5. 全通道瀏覽，比較不同免疫、基質(zhì)和腫瘤相關(guān)標(biāo)記物的共定位，形成對全切片空間微環(huán)境的整體理解

第九講：從Nature Medicine復(fù)現(xiàn)到HEX大模型構(gòu)建，學(xué)會搭建自己的 AI 大模型（真正學(xué)會舉一反三，如何搭建自己的AI大模型，也是本次課程內(nèi)容的核心）

1. 理解真正的 AI 大模型項目完整的搭建流程，從“腳本層面”深入到“項目層面”

2.掌握AI 大模型項目真正的骨架，圖像格式理解→ 多模態(tài)圖像配準(zhǔn)→ 單細(xì)胞分割與空間映射→ WSI 預(yù)處理與高質(zhì)量 patch 生成→ 模型輸入輸出定義→ HEX 模型訓(xùn)練/推理→ 虛擬蛋白生成

3.AI大模型搭建的八步法：大模型從任務(wù)定義、數(shù)據(jù)訓(xùn)練配對、原始數(shù)據(jù)標(biāo)準(zhǔn)化、空間對齊、特征構(gòu)建、模型訓(xùn)練、模型 性能 評估、多模態(tài)融合

4.理解大模型搭建策略：先選問題、找輸入、找標(biāo)簽、建立輸入輸出配對關(guān)系、選訓(xùn)練策略、設(shè)計評估體系、落到科學(xué)問題

5. 建立漸進(jìn)式訓(xùn)練思路，從小樣本快速跑通流程，再逐步過渡到正式訓(xùn)練和微調(diào)，兼顧效率、穩(wěn)定性和模型性能。

第十講：如何把Nature Medicine的思路遷移到你自己的課題

案例1：HE切片預(yù)測 IHC，實現(xiàn)從組織形態(tài)到虛擬 IHC 染色圖譜的預(yù)測

案例2：病理切片預(yù)測空間轉(zhuǎn)錄組，訓(xùn)練模型從病理形態(tài)中推斷基因表達(dá)或功能模塊的空間分布。

案例3：病理圖像 + 臨床做預(yù)后預(yù)測，將 WSI 提取的圖像特征與年齡、分期等臨床變量融合建模，輸出患者風(fēng)險評分并完成生存預(yù)后預(yù)測。

案例4：單細(xì)胞圖譜輔助構(gòu)建圖像標(biāo)簽，，訓(xùn)練模型從病理形態(tài)中識別組織微環(huán)境特征。

CELL 復(fù)現(xiàn)：AI如何用病理切片生成虛擬mIF（多重免疫熒光）

第十一講：多級精配準(zhǔn)，從初步對齊到亞像素級 ROI 精細(xì)配準(zhǔn)

1. 雙模態(tài)全圖讀取與高質(zhì)量 ROI 自動篩選

2. H&E RGB ROI和CODEX DAPI ROI 裁切與 配準(zhǔn)輸入構(gòu)建

3. 三級漸進(jìn)式配準(zhǔn)策略：Rigid、Non-Rigid 與 Micro

4. 配準(zhǔn)質(zhì)量控制、多層次配準(zhǔn)結(jié)果可視化與形變場解析

第十二講：CELL主刊GigaTIME大模型復(fù)現(xiàn)與自定義 WSI 局部推理

1.CELL主刊樣例數(shù)據(jù)預(yù)處理與二值掩碼解包，理解多通道蛋白信號的存儲機(jī)制

2. 非細(xì)胞區(qū)域過濾與激活密度定量評估，量化預(yù)處理對不同蛋白通道的影響。

3. 自定義 WSI 讀取與組織區(qū)域自動定位，建立從全切片到局部分析區(qū)域的標(biāo)準(zhǔn)化入口。

4. ROI Patch 網(wǎng)格提取與第一輪全通道推理，識別該區(qū)域高激活蛋白通道

5.通道空間熱圖重建與局部空間模式解析，揭示蛋白表達(dá)與組織形態(tài)之間的空間對應(yīng)關(guān)系。

第十三講：GigaTIME 大模型全面解析

1. GigaTIME 的任務(wù)目標(biāo)與從輸入病理圖像到輸出多通道空間預(yù)測結(jié)果的整體框架

2. 模型結(jié)構(gòu)解析：從編碼到解碼，系統(tǒng)拆解 GigaTIME 的網(wǎng)絡(luò)主體結(jié)構(gòu)。 3. UNet 架構(gòu)在空間預(yù)測中的作用，深入理解 UNet 在局部空間信息保留、多尺度特征融合和像素級預(yù)測中的優(yōu)勢與適用性。 4. 損失函數(shù)與模型優(yōu)化，掌握損失函數(shù)如何約束模型學(xué)習(xí)，理解其在提升空間定位精度和表達(dá)強(qiáng)度預(yù)測能力中的作用。

第十四講：最小可運行測試與訓(xùn)練：端到端流程驗證

1. 從預(yù)訓(xùn)練權(quán)重到推理評估，完成預(yù)訓(xùn)練模型加載，驗證模型環(huán)境、數(shù)據(jù)接口和推理流程是否能正常跑通。 2. 測試指標(biāo)解讀：理解 Dice 系數(shù)和 Pearson 相關(guān)系數(shù)的意義，學(xué)會從測試結(jié)果中判斷模型的空間重疊能力和連續(xù)值預(yù)測能力。 3. 通過最小訓(xùn)練實驗走通訓(xùn)練、驗證和指標(biāo)記錄的完整流程，建立先驗證后擴(kuò)展的工程化思維。 4. 訓(xùn)練結(jié)果輸出與歷史曲線分析，掌握 checkpoint、training history 等訓(xùn)練產(chǎn)物的含義，并學(xué)會判斷訓(xùn)練是否朝著正確方向進(jìn)行。

TCGA公共數(shù)據(jù)庫病理切片挖掘（自己病理數(shù)據(jù)也可以挖掘）

第十五講：TCGA 隊列構(gòu)建、臨床數(shù)據(jù)解析與 WSI 預(yù)處理

1. 掌握TCGA公開臨床數(shù)據(jù)和病理切片的標(biāo)準(zhǔn)化下載流程

2. 生存信息與關(guān)鍵臨床變量提取，包括生存時間、刪失狀態(tài)及年齡、性別、TNM 分期等等

3. 臨床數(shù)據(jù)標(biāo)準(zhǔn)化解析與 建立 slide_id 與 case_id 的準(zhǔn)確映射關(guān)系

4. LUAD/LUSC 隊列結(jié)構(gòu)檢查與數(shù)據(jù)完整性質(zhì)控

5. 理解WSI 多倍率坐標(biāo)切片預(yù)處理，掌握從全切片生成 20x 與 40x 兩套坐標(biāo)的流程

第十六講：TCGA病理切片特征提取與訓(xùn)練數(shù)據(jù)準(zhǔn)備

1.掌握從坐標(biāo)讀取、Patch 提取到雙流特征生成的完整流程

2. WSI 形態(tài)特征與虛擬蛋白特征的結(jié)構(gòu)解析

3.雙流特征規(guī)模對比與多模態(tài)信息互補(bǔ)，每張切片的雙流特征與生存標(biāo)簽準(zhǔn)確關(guān)聯(lián)，完成標(biāo)準(zhǔn)化訓(xùn)練數(shù)據(jù)集構(gòu)建

4. 訓(xùn)練數(shù)據(jù)整理與交叉驗證劃分，掌握按 case_id 分組的 K-Fold 劃分策略

第十七講：生存預(yù)測模型訓(xùn)練與 Kaplan-Meier 評估，從跨癌種泛化到臨床風(fēng)險分層

1.雙流生存模型訓(xùn)練與跨隊列驗證，掌握雙流形態(tài)特征與虛擬蛋白特征融合建模。

2.模型輸出的風(fēng)險分?jǐn)?shù)與生存時間、刪失狀態(tài)和臨床分期等變量整合分析

3. C-index 與早期分期亞組的模型性能評估

4. Kaplan–Meier 生存曲線與風(fēng)險分層驗證，評估模型的生存分層效果

第十八講：虛擬蛋白下游分析：生物標(biāo)志物關(guān)聯(lián)、病理分期與生存預(yù)測

1. 下游分析數(shù)據(jù)體系與整體框架搭建，探索性分析和臨床分析中的適用場景。

2. 蛋白-生物標(biāo)志物關(guān)聯(lián)分析，通過虛擬蛋白與已知分子標(biāo)志物之間的關(guān)聯(lián)，驗證有生物學(xué)合理性和分子層面的解釋

3. 虛擬蛋白與病理分期的關(guān)聯(lián)分析，探索虛擬蛋白在反映腫瘤進(jìn)展階段和組織異質(zhì)性中的潛在價值。

4. 單個蛋白生存分析：基于 Kaplan–Meier 曲線和 Cox 回歸，逐通道篩選具有預(yù)后分層能力的虛擬蛋白標(biāo)記物。

5. 多蛋白 Signature 構(gòu)建與生存分析，將多個虛擬蛋白通道整合為多維特征，通過 K-means 聚類識別不同免疫微環(huán)境亞型

04

課程費用

• 課程費用**** 元/人

• 團(tuán)體報名享優(yōu)惠，兩人報名九折，三人八五折， 含 講義、代碼、數(shù)據(jù)等完整資料包

• 團(tuán)隊七名全職答疑助理，安裝等實操過程中有問題全程答疑

掃碼加微信咨詢課程

也可以搜索微信添加： huage5389

05

合作機(jī)構(gòu)

華哥科研平臺

授課理念：將CNS文章的新技術(shù)學(xué)懂（理解）、學(xué)會（會敲代碼分析）、學(xué)透徹（站在課題頂層設(shè)計角度理解）、學(xué)以致用（用到自己的標(biāo)書申請和文章發(fā)表中）。

初心使命：普及前沿技術(shù)，服務(wù)科研一線，賦能創(chuàng)新突破，助推生命科學(xué)進(jìn)步

主講老師（一）

楊奕濤，東京大學(xué)醫(yī)學(xué)科學(xué)研究所助理教授，日本學(xué)術(shù)振興會（JSPS）特別研究員，長期深耕深度學(xué)習(xí)算法、醫(yī)療AI與空間組學(xué)交叉領(lǐng)域，積累了豐富的科研實踐經(jīng)驗；現(xiàn)致力于多模態(tài)融合、生物醫(yī)學(xué)基礎(chǔ)大模型開發(fā)及轉(zhuǎn)化醫(yī)學(xué)相關(guān)算法研究。發(fā)表Nature Communications等SCI期刊發(fā)表論文多篇；與中日及歐美頂尖計算生物學(xué)實驗室深度合作，參與多項國際前沿科研項目，致力于以人工智能驅(qū)動生命科學(xué)新發(fā)現(xiàn)。

主講老師（二）

張振華，華哥生信創(chuàng)始人，目前在東京大學(xué)從事醫(yī)學(xué)人工智能研究。深耕單細(xì)胞多組學(xué)、空間轉(zhuǎn)錄組與機(jī)器學(xué)習(xí)領(lǐng)域6年，培養(yǎng)學(xué)員3萬余人 ; 指導(dǎo)學(xué)員發(fā)表CNS主刊文章18篇、一區(qū)及子刊100余篇 ; 參與國自然重點、國家重大專項、孔雀計劃等項目申報;合作院士團(tuán)隊及國際頂尖實驗室，發(fā)表SCI論文26篇（Sci.Adv、 Mol Cell、 PNAS、 JACS、NC、 Cell Rep Med、Mol Cancer、EMBO Mol Med等頂刊）。

06

課程收獲

1. 學(xué)會搭建屬于自己的AI大模型
真正掌握從任務(wù)定義、數(shù)據(jù)準(zhǔn)備、輸入輸出設(shè)計，到模型訓(xùn)練、調(diào)參、評估和模型推理的完整流程，而不是只會調(diào)用現(xiàn)成模型。

2. 掌握頂刊級AI大模型復(fù)現(xiàn)能力
能夠系統(tǒng)復(fù)現(xiàn)CELL、Nature Medicine等文章中的核心流程，理解每一步是怎么做出來的、為什么這樣做。

3. 打通圖像到分子的完整分析
學(xué)會把H&E病理圖像、多模態(tài)配準(zhǔn)、空間蛋白預(yù)測、單細(xì)胞表達(dá)構(gòu)建和下游分析連成一個完整閉環(huán)。

4. 具備遷移到自己課題的實戰(zhàn)能力
能夠把課程中的思路和流程遷移到自己的病理數(shù)據(jù)、空間組學(xué)數(shù)據(jù)或臨床研究中，真正服務(wù)課題設(shè)計和文章發(fā)表。

5. 建立 AI大模型 項目化思維
不再只是會跑代碼，而是學(xué)會從頂刊思路中提煉研究框架，具備獨立設(shè)計AI項目、分析結(jié)果和產(chǎn)出成果的能力。