一个 TCGA 数据集，一下午跑出一版可发表的图
您在文献里第无数次撞见那个基因。它总在别人的故事里露个脸，却没人正面回答：在您研究的那种癌症里，它到底重不重要。您想亲手查一次，又卡在同一处——手头没有测序数据。
放在几年前，光这一步就够劝退：下载 TCGA、清洗表达矩阵、对齐临床信息、写一堆脚本画图，把数据摆平就得耗掉一周。现在同一条路，一下午能走完，末端还能落到一版结构完整、够得上投稿的图。
下面我不讲某一步的代码怎么写，那是教程的事。我想带您走一遍完整路径，并在每一步标清楚：哪些是 AI 替您跑，哪些必须您自己判断。因为一下午出图不难，难的是这版图经不经得起审稿人追问。
先把问题问窄
一切从定题开始，这一步 AI 帮不上太多，也最不该外包。
TCGA 里有几十个癌种队列，您得先选一个，再把问题收窄到数据能回答的程度。「这个基因重不重要」太大了；「它在肺腺癌的肿瘤组织里表达是否高于正常组织，高表达是否和更差的生存相关」——这才是一份数据接得住的问题。
AI 能替您把队列的家底摊开：这个癌种在 TCGA 里有多少样本、有没有配对的正常组织、临床随访全不全，省掉您翻文档的工夫。但「值不值得做这个基因、这个问题有没有生物学意义」，得您来定——AI 不知道您这个领域里哪些结论早被做烂了，哪些还是空白。
剩下的执行，交给 AI
问题定死，剩下的就是 AI 最擅长的部分。您把目标讲清，它能把一条标准分析链排出来并跑通：
- 差异表达：把肿瘤和正常组织对比，算出每个基因的变化倍数和校正后的显著性，看您关心的那个落在整体的什么位置。
- 生存分析：按目标基因的表达高低把病人分两组，画生存曲线，做组间比较。
- 免疫浸润：用反卷积估计各类免疫细胞的相对丰度，看它和目标基因的表达有没有关联。
三步跑下来，您拿到的是一组配套的图，外加生成它们的完整代码。AI 在这里的价值，是把「查半天语法、调半天参数」的执行压进几分钟。它做的是排流程、写代码、出图；它没做、也做不了的，是判断这条流程用在您这份数据上到底合不合理——那是下一节的事。
图出来了，别急着截图进 PPT
这一步最容易被跳过，也最决定这版图的生死。图好看不等于结论成立，您得回过头，一项项核。
样本与分组
TCGA 不少癌种的正常组织样本极少，甚至只有个位数——拿几个正常样本去和几百个肿瘤样本比差异表达，结论是虚的。常见的补法是引入 GTEx 这类正常组织数据，但两个来源本身有系统差异，合并前得先处理。生存分析同理：按表达中位数一刀切成高低两组最省事，却未必最合理——换个切点，显著性可能就变了。这些，AI 不会主动替您操心。
批次与技术偏差
TCGA 的数据来自不同中心、不同批次，技术性的批次效应会伪装成生物学差异。您得确认分析里处理过这一层，否则您看到的「肿瘤和正常的区别」，可能有一部分只是测序批次的区别。
结论的强度
最后看措辞。相关不是因果，一次在公共数据里跑出的关联，是「值得进一步验证的线索」，不是「已经证实的机制」。AI 写结论时很容易把话说满，您得把它往回收——投稿时那句话的分寸，是您署名负责的。
可复现，才算做完
一版图能不能发表，一半看科学性，另一半看它能不能被别人照着重跑出来。让 AI 把整条流程沉淀成一份可复现的脚本——数据怎么取、怎么过滤、参数设多少、随机种子固定在哪，都写清楚——这既是审稿人可能要的，也是三个月后的您自己要的。
把公共数据的标准分析打包跑通、末端交出一份可复现脚本，正是这类组学智能体擅长的活：它替您压掉执行，把您从查语法、调参数里解放出来，好让您把精力放到真正需要判断的地方。
压缩的是执行，不是判断
回头看这一下午：AI 替您做的，是把定题之后那一长串机械动作——写代码、跑分析、出图、整理成可复现脚本——从几天压到几十分钟。它顺带压掉的还有犹豫：您不必再因为「这段代码不会写」卡住，不必为一个环境报错耗掉半天。
但它没碰那几个真正要紧的决定：这个问题值不值得问，样本和分组撑不撑得起结论，那句话能说到多满。这些没被压缩，因为它们本就不该被压缩——那是您作为研究者，不能外包的部分。
所以「一下午一版可发表的图」，不是把脑子外包出去，而是把手上的活外包出去，好把脑子腾出来。这版图最后会印进一篇署您名字的论文；AI 能替您把它画出来，却替不了您在作者一栏落笔——那一下，始终得您自己来。