BioArt專·精系列培訓 | Codex + Claude Code + Claude Science三智能體科研訓練營

Codex 更像代碼工程師和分析審查員，負責寫代碼、跑分析、修報錯、檢查統計邏輯；Claude Code 更像科研項目經理，負責搭建目錄、管理文件、梳理證據、生成報告和制作 PPT；Claude Science 則把文獻、數據、腳本、圖表和科研寫作連接成完整工作臺。

本次 Codex + Claude Code + Claude Science 三智能體科研訓練營，系統實操AI智能體嵌入真實科研工作流。課程將從 0 搭建科研 AI 工作臺，覆蓋機制圖、PPT、綜述寫作、文獻檢索、課題設計、基金標書、臨床數據，以及單細胞、空間轉錄組等CNS文章數據分析。

01

課程特色

1. 三智能體協同：從“會問 AI”升級到“會指揮 AI”干活
系統訓練Codex + Claude Code+Claude Science的協同科研工作流。

2. 從 0 搭建科研 AI 工作臺：讓每個課題都有結構、有記錄、可復查。把文獻、數據、腳本、圖表、PPT、標書和報告全部放進一個可管理、可追蹤、可復用的科研工作臺。

3. 覆蓋科研真實場景：機制圖、PPT、文件管理、綜述、標書和課題設計全打通

4. CNS頂刊數據實戰：bulk、單細胞、空間轉錄組、代謝組、蛋白組、16S 和臨床數據全覆蓋

5. 強調 Codex 交叉審查與 Claim 校準：避免 AI 幻覺和過度解讀

6. 每節課都有明確課堂產出：不是聽完就忘，而是形成自己的科研資產

7. Skill 封裝：把一次課程變成長期可復用的科研工作流

02

課程核心模塊

課程總體分為六個模塊：

模塊一：科研 AI 工作臺基礎

建立 Codex + Claude Code+Claude Science 三智能體科研工作臺，系統搭建項目目錄、任務看板、版本記錄和隱私合規清單。同時覆蓋機制圖制作、PPT 生成、文件管理、項目資產盤點、論文圖表精修、服務器任務提交和 Claude Skills 使用，讓大家形成一套可長期復用的科研 AI 項目管理框架。

模塊二：智能體 + SCI 綜述寫作全流程

圍繞 SCI 綜述從選題到投稿的完整流程，訓練學員判斷不同綜述類型，凝練有投稿空間的題目，并完成檢索式設計、文獻池構建、精讀筆記、證據矩陣、Proposal、大綱、正文、總覽圖、三線表和投稿包。重點是讓智能體參與選題、檢索、證據整理、寫作、圖表規劃和修稿，把綜述寫作變成可復查、可迭代的工程化流程。

模塊三：智能體助力國自然標書寫作

聚焦國自然標書的 AI 輔助設計與寫作，先建立個人科研畫像，再讓 Codex 以評審專家視角評估候選方向。課程按照“方向—背景—問題—假說—目標—技術路線—風險方案”逐層推進，完成立項依據、研究目標、研究內容、技術路線圖、創新點和可行性分析，并封裝為可反復調用的技能。

模塊四：課題設計與科研假說打磨

面向新課題、新方向和新文章框架設計，訓練學員用 Claude Code 整理研究基礎，用 Codex 從導師和評審視角追問科學問題、核心假說和技術路線。課程將模糊想法拆解為科學問題樹，最終輸出課題題目、核心假說、研究目標、技術路線圖、創新點、風險替代方案和完整課題設計書，并封裝為新SKILL。

模塊五：智能體復現頂刊多組學數據分析

用 Codex + Claude Code 零代碼復現CNS頂刊多組學分析。覆蓋bulk RNA、單細胞、空間轉錄組、代謝組與蛋白多組學，以及 16S 測序數據。每類數據都會完整跑通數據定位、文件審計、分組檢查、代碼生成、圖表輸出、結果解釋、Codex 審查和 Skill 封裝。

模塊六：臨床科研 AI 工作臺與論文投稿閉環

面向臨床醫生和醫學科研人員，搭建從臨床研究設計、電子病歷清洗、統計建模、SCI 圖表到論文投稿的完整 AI 工作流。課程覆蓋 PICO/PECO 研究設計、入排標準、變量字典、統計分析計劃、數據脫敏、Table 1、回歸分析、生存分析、PSM、亞組分析和交互作用，最后由 Claude Code 生成論文初稿，Codex 完成統計審查、結果校準和投稿生成。

03

課程具體內容

模塊一：科研 AI 工作臺基礎第一節課：科研 AI 工作臺部署

1. 理解 Codex、Claude Code、Claude Science 在科研中的不同分工。

2. 搭建科研 AI 工作臺三層結構：資料層、執行層、審查層。

3. Codex 從 0 建立醫學科研 AI 項目目錄。

4. 編寫 README、AGENTS.md、CLAUDE.md 和 CODEX_REVIEWER.md。

5. 建立任務看板、版本記錄和人工核查機制。

6. 搭建 Claude Science 工作臺入口，整合文獻、繪圖、生信、實驗記錄和團隊協作。

課堂產出：項目文件夾、AI 行為規則文件、任務看板、版本記錄表和隱私合規清單。

第二節課：Codex 制作文章機制圖

1. Codex 從一句話科學假說拆解成機制鏈條。掌握機制圖四層結構：場景、角色、關系、證據。

2. Codex 建立機制元素表和機制關系表。

3. 使用 Codex 生成 Mermaid、SVG 和 PPT 可編輯圖稿。

4. Codex 進行機制箭頭證據映射和人工審核。

5. 聯合 Claude Science、BioRender 和 PPT 進行后期精修。

課堂產出：機制圖草圖、SVG 文件、圖注和證據檢查表。

第三節課：Claude Code 做 PPT

1. 理解 Claude Code 作為 PPT 工程師和科研表達助理的角色。

2. 用 Claude Code 讀取項目目錄，盤點可用素材。

3. Claude Code 從材料清單生成 PPT 故事線。

4. 設計逐頁大綱：頁標題、核心信息、所需圖片和講者備注。

5. Claude Code 生成組會版、基金答辯版和論文匯報版 PPT。

6. 對 PPT 進行科學審查：結論是否超過證據、圖文是否匹配、縮寫是否解釋。

課堂產出：Claude Code 創建10 頁組會 PPT 大綱、講者備注和 PPT 初稿。

第四節課：Claude Code 做文件管理

1. 訓練 Claude Code 作為科研項目秘書，管理項目資產。

2. Claude Code 搭建科研項目標準目錄。

3. 制定文件命名規范：日期、主題、版本和作者。

4. Claude Code 對文獻、圖表、代碼、PPT 和標書材料進行資產盤點。

5. 建立文件關系映射：證據表、機制圖、PPT、標書之間如何互相連接。

6. 完成版本管理、重復文件識別、缺失材料檢查和 final_package 輸出。

7. Claude Code 建立私人文獻知識庫，對本地 PDF 文件夾建立 RAG 向量索引，后續用自然語言檢索和提問。

課堂產出：項目資產盤點表、命名規范、版本記錄和最終項目包清單。

第五節課：Claude Science 科研全能工作臺

1. 理解 Claude Science 在科研中的定位：把文獻、數據、腳本、分析、服務器計算和圖表交付串起來。

2. 搭建 project card、data、scripts、results、figures、provenance 標準目錄。

3. Claude Science 從差異分析表、單細胞對象、空間數據、臨床數據和綜述證據矩陣出發生成科研圖表。

4. 完成火山圖、熱圖、UMAP、DotPlot、KM 曲線、森林圖、機制圖和 Fig.1 總覽圖設計。

5. Claude Science 精修論文級圖表：統一 panel、字體、標簽、圖例、顏色、統計標注、分辨率和導出格式。

6. 掌握 AI 修圖規范：只做規范化表達，不改變數據事實，保留原圖、代碼、參數和修改記錄。

7. 連接 SSH/HPC/Slurm，完成遠程服務器任務提交、日志監控、結果下載和失敗排查。

8. Claude Science 根據任務選擇文獻分析、單細胞、空間組學、蛋白組、結構生物學、化學信息學、圖表設計或服務器計算 Skill。

課堂產出：科研項目結構、作圖任務卡、修圖 checklist、服務器任務模板、Skill 選擇表、Fig.1 設計說明和可復現記錄表。

模塊二：AI + SCI 綜述寫作全流程第六節課：AI + SCI 綜述文章思路解讀

1. Codex 拆解 SCI 綜述發文邏輯：科學問題、研究空白、證據層級、圖表論證和投稿表達。

2. 判斷不同綜述類型：Narrative Review、Systematic Review、Scoping Review 和 Meta-analysis。

3. Codex 建立智能體寫綜述完整流程：選題 → 檢索 → 文獻池 → 精讀 → 證據矩陣 → 大綱 → 正文 → 投稿。

4. 學習選題收縮公式：領域 + 對象 + 機制 + 場景 + 新視角 + 核心問題。

5. Codex 建立選題評分矩陣：新穎性、文獻量、碰撞風險、可聚焦性、作者優勢、投稿空間和圖表潛力。

6. 檢查已有綜述，判斷題目是否已經被寫爛，是否還有差異化空間。

課堂產出：個人項目卡、候選題目表、選題評分表、最終題目和一句話中心問題。

第七節課：智能體對 SCI 文獻檢索式設計與第一版文獻池構建

1. Codex 將綜述題目拆成 2–5 個可檢索概念塊。

2. 完成中文關鍵詞到英文專業術語校準：MeSH、WOS Topic、標題摘要高頻詞。

3. 擴展同義詞、縮寫、拼寫變體和領域表達。

4. Codex 設計 PubMed 寬泛版、適量版和精準版檢索式。

5. 做 Review 碰撞檢索，判斷已有綜述和差異化空間。

6. 建立檢索日志：數據庫、日期、檢索式、命中量、導出量、格式和限制條件。

7. Codex 建立第一版文獻池：大文獻池、核心文獻池和關鍵證據池。

課堂產出：檢索式、檢索日志、已有綜述碰撞表和第一版文獻池字段表。

第八節課：對標綜述、文獻篩選、精讀筆記與證據矩陣

1. Codex 建立 5–10 篇高質量對標綜述庫。

2. 拆解對標綜述的標題、摘要、章節、圖表、論證順序和未來方向。

3. Codex 完成文獻去重和元數據清洗：DOI、PMID、標題、作者、年份。

4. 對文獻進行強相關、中等相關、弱相關和待人工核查分類。

5. 建立文獻二級分類：背景、機制、技術、證據、爭議、局限、應用和未來方向。

6. Codex 建立標準核心文獻表：PMID/DOI、研究類型、關鍵發現、支撐章節、證據強度、局限和引用句。

7. 建立精讀筆記和綜述素材筆記，把文獻轉化為背景、機制、爭議、圖表和正文素材。

8. Co d ex 建 立證據矩陣：章節、核心論點、支撐文獻、證據類型、證據強度、沖突 證據和可用圖表。

課堂產出：對標綜述學習表、文獻篩選表、精讀筆記、綜述素材筆記和證據矩陣。

第九節課：Proposal、大綱、正文寫作與綜述圖表系統

1. Codex 將中心問題拆成 4–6 個子問題。

2. 學習三種綜述大綱結構：機制遞進型、問題解決型和證據地圖型。

3. Codex 完成 Proposal 寫作：題目、中心問題、研究空白、差異化、章節安排和圖表計劃。

4. 搭建 Introduction 邏輯鏈：背景 → 進展 → 缺口 → 必要性 → 本文范圍。

5. Codex 訓練主體段落寫作：主題句、證據句、比較句、解釋句、綜合句和過渡句。

6. 學習智能體分階段寫作，不一鍵全文生成，每次只寫一個章節或段落。

7. 設計綜述圖表系統：Fig.1 總覽圖、機制圖、證據地圖、分類矩陣、時間線和未來方向圖。

8. 設計三線表：核心研究證據表、機制/通路比較表和轉化策略表。

9. Codex 做圖表反模板審查：無證據箭頭、無意義顏色、偽造關系、圖文重復和標簽混亂。

課堂產出：Proposal、大綱、Introduction 邏輯鏈、主體段落初稿、Fig.1 設計說明和表格規劃。

第十節課：審稿人視角修訂、引用核查、降 AI 味、選刊與投稿包

1. Codex 模擬編輯和審稿人評估：創新性、結構、證據、圖表、引用和期刊匹配。

2. 拆解常見退稿原因：選題重復、主線混亂、引用薄弱、圖表低質和目標期刊不匹配。

3. Codex 建立 Revision checklist：結構問題、證據問題、表達問題和格式問題。

4. 完成引用核查：文獻是否存在、對象是否匹配、是否支持當前句子、引用位置是否準確。

5. Codex 建立 AI 防幻覺清單：不編 DOI、PMID、作者、年份、數據和機制關系。

6. 訓練降 AI 味寫作：去掉模板化表達，提高信息密度和作者判斷。

7. 進行目標期刊反向寫作：scope、review policy、近期綜述、圖表數量、參考文獻數量和 APC。

8. Codex 完成 Cover Letter 和投稿包整理。

課堂產出：模擬審稿意見、修訂清單、引用核查表、目標期刊表、Cover Letter 和投稿前 checklist。

模塊三：國自然 AI 工作臺與標書寫作第十一節課：科研畫像構建與國自然 AI 工作臺搭建

1. Codex 建立個人國自然 AI 項目文件夾。

2. 用 Claude Code 記錄研究身份、研究方向、前期基礎和標書偏好。

3. 建立 research_profile.md、previous_foundation.md 和 style_guide.md。

4. Codex 編寫 CLAUDE.md，讓 Claude Code 生成內容越來越貼合你的學術身份。

5. 編寫 CODEX_REVIEWER.md，讓 Codex 扮演基金委評審專家。

6. Codex 根據科研畫像生成 3 個候選課題方向。

7. 讓 Codex 從創新性、可行性、前期基礎和風險角度打分。

課堂產出：科研畫像、前期基礎表、AI 行為文件、候選課題方向和評分表。

第十二節課：結構化生成立項依據與研究目標

1. 不再一次性讓 AI 寫完整標書，而是按照“方向 → 背景 → 問題 → 假說 → 目標”逐層推進。

2. 用 Claude Code 生成研究背景、研究現狀和文獻缺口。

3. 用 Codex 審查背景是否空泛、缺口是否真實、邏輯是否跳躍。

4. 訓練科學問題提煉公式。

5. Codex 生成可驗證的核心假說。

6. 將研究目標拆成三層：現象關聯、機制因果、干預轉化。

7. Codex 生成研究內容和立項依據 v01。

課堂產出：科學問題樹、核心假說、三個研究目標、研究內容拆解表和立項依據草案。

第十三節課：技術路線、雙 AI 評審與專屬 Skill 封裝

1. Codex 將研究目標轉化為“目標—方法—指標—預期結果—風險—替代方案”表。

2. Codex 生成技術路線圖 Mermaid / SVG。

3. Claude Code 生成技術路線文字說明。

4. 設計預期結果、創新點、可行性和風險替代方案。

5. Codex 進行三輪評審：科學邏輯、方法學路線和標書表達。

6. Claude Code 根據評審意見逐項修訂。

7. 輸出立項依據 AI 輔助版 v03。

8. 將整套流程封裝成專屬 NSFC_GRANT_SKILL.md。

課堂產出：技術路線圖、創新點、風險替代方案、Codex 評審意見、修訂記錄和專屬國自然寫作 Skill。

模塊四：課題設計與科研假說打磨第十四節課：科研畫像與領域定位

1. Codex 建立課題設計 AI 項目文件夾。

2. 用 Claude Code 記錄研究身份、研究方向、技術棧、發表基礎和前期數據。

3. 建立 research_profile.md、technical_stack.md 和 publication_foundation.md。

4. 編寫 CLAUDE.md，讓 Claude Code 每次生成都貼合你的科研身份。

5. 編寫 CODEX_REVIEWER.md，讓 Codex 像導師和評審一樣挑錯。

6. 根據科研畫像生成穩妥型、平衡型和高沖擊型候選方向。

7. Codex 從基礎匹配、技術可行、創新性和風險角度打分。

課堂產出：科研畫像、領域定位表、候選方向和評分表。

第十五節課：科學問題凝練與核心假說打磨

1. Codex 區分模糊想法、研究方向、科學問題和課題題目。

2. 用 Claude Code 把模糊想法拆成科學問題樹。

3. Codex 多輪追問：問題是否太大、是否可驗證、是否只是相關性。

4. 訓練科學問題公式：疾病/場景 + 對象 + 機制 + 表型 + 缺口。

5. Codex 生成核心假說 v01、v02、v03。

6. 檢查假說是否能被實驗、數據或模型驗證。

7. Codex 生成 5 個課題題目版本，并用評分矩陣選擇最優題目。

課堂產出：科學問題樹、核心假說、題目評分矩陣和最終課題邊界。

第十六節課：研究設計、創新點識別與 Skill 封裝

1. Codex 將核心假說拆成三個研究目標：發現定位、機制因果、干預轉化。

2. Codex 建立目標—方法—證據矩陣。

3. 設計實驗分組、驗證策略、預期結果和風險替代方案。

4. Codex 生成技術路線圖 Mermaid / SVG。

5. Claude Code 生成技術路線文字說明。

6. Codex 進行三輪評審：科學邏輯、方法學可行性、創新性和成果轉化。

7. Claude Code 根據評審意見逐項修訂。

8. 封裝成專屬 TOPIC_DESIGN_SKILL.md，下次輸入關鍵詞即可啟動。

課堂產出：完整課題設計書、技術路線圖、創新點、風險替代方案和專屬 Skill。

模塊五：雙 AI 智能體復現頂刊多組學數據分析第十七節課：雙 AI 智能體分析 Nature 主刊 bulk RNA 數據

1. 從 Nature 文章 Data availability 找到 GEO 編號、表達矩陣和樣本分組。

2. Claude Code 建立項目目錄、保存輸入輸出、管理腳本和結果。

3. Codex 作為生信工程師生成 R 代碼并執行分析。

4. 審計表達矩陣：判斷 TPM、count 還是 log2 表達矩陣。

5. Codex 檢查樣本名、分組、缺失值、重復基因和 logFC 比較方向。

6. 使用 limma 完成差異分析，輸出全部基因、上調基因、下調基因和閾值說明。

7. 繪制火山圖、top5 上下調基因熱圖和 Nat8 小提琴圖。

8. Codex 審查分組方向、logFC 方向、P 值/FDR 使用和結論邊界。

9. Claude Code 自動生成中文分析報告，并封裝為可遷移 Skill。

課堂產出：差異分析結果表、火山圖、熱圖、小提琴圖、中文分析報告和 bulk RNA 分析 Skill。

第十八節課：雙 AI 智能體分析 Nature 單細胞數據

1. Claude Code 建立項目目錄、記錄輸入輸出和結果報告。

2. Codex 作為 Seurat 生信工程師生成代碼并執行分析。

3. 讀取單細胞矩陣，計算 nFeature、nCount 和 percent.mt。

4. Codex 完成細胞過濾和 QC 圖輸出。

5. 完成標準 Seurat 流程：Normalize、HVG、Scale、PCA、FindClusters、RunUMAP。

6. Codex 識別各 cluster 的 marker 基因。

7. 結合 marker 規則、自動注釋和人工校正，生成細胞類型注釋表和注釋版 UMAP。

8. 繪制每個細胞類型 top3 marker 氣泡圖。

9. Codex 審查代碼、QC 參數、marker 合理性和注釋風險。

課堂產出：Seurat 對象、QC 圖、聚類 UMAP、注釋 UMAP、marker 表、氣泡圖、中文報告和單細胞分析 Skill。

第十九節課：雙 AI 智能體分析 Science 文章空間轉錄組數據

1. Claude Code 建立空間組學項目目錄，管理輸入輸出和分析報告。

2. Codex 作為空間組學生信工程師生成代碼、跑分析和修報錯。

3. 讀取組織圖像和空間坐標，完成 spot 級 QC、過濾和基礎可視化。

4. Codex 完成 Normalize、PCA、FindClusters 和 UMAP。

5. 輸出 UMAP cluster 圖、spatial cluster 圖和 top genes spatial 表達圖。

6. 根據 marker 基因識別 Villous_Trophoblast、Syncytiotrophoblast、Macrophage、Decidual_Stromal、Glandular_Epithelial、Fibroblast 等胎盤相關區域。

7. 分析空間鄰近、空間排斥和空間聚集，輸出共定位網絡、空間相關熱圖和 Moran’s I 結果。

8. Codex 使用 CellChat 推斷不同空間區域之間的配體-受體通訊，重點解析 COLLAGEN、LAMININ、FN1、SPP1、PECAM1、NOTCH、VEGF 等信號通路。

9. Codex 檢查代碼、參數、圖表和過度解讀；Claude Code 輸出完整中文分析報告。

課堂產出：空間組學對象、QC 圖、空間聚類圖、空間 marker 圖、共定位網絡、Moran’s I 結果、CellChat 通訊結果、中文報告和空間轉錄組分析 Skill。

第二十節課：雙 AI 智能體分析 Cell 文章代謝和蛋白多組學數據

1. Codex 識別 RNA-seq、非靶向代謝組和 IP-MS 免疫沉淀質譜數據。

2. Codex 為代謝組 / 蛋白組工程師生成代碼、跑分析和修報錯。

3. 審計代謝組數據：識別三組樣本和 QC 樣本。

4. Codex 檢查 m/z、保留時間、離子模式、代謝物注釋、樣本豐度和缺失值。

5. 繪制三組火山圖、組合火山圖、Top10 上調 + Top10 下調代謝物熱圖。

6. 進行 KEGG / MetaboAnalyst 通路富集，重點解釋脂質代謝、有機酸代謝、色氨酸代謝、Pantothenate and CoA biosynthesis 等通路。

7. Codex 解析 IP-MS 數據，篩選高可信蛋白、重疊蛋白和候選 XRCC1 相關互作網絡。

8. 構建 metabolite-pathway-protein-function 映射表，把差異代謝物、通路富集和 IP-MS 蛋白網絡整合為機制證據鏈。

9. Codex 審查分組、閾值、p 值、代謝物 ID、IP-MS 互作解釋和過度結論。

課堂產出：差異代謝物表、火山圖、熱圖、通路富集結果、IP-MS 蛋白互作表、多組學機制映射表、中文報告和代謝組/蛋白組分析 Skill。

第二十一節課：雙 AI 智能體分析 Nature Microbiology 文章 16S 測序數據

1. Codex 拆解 Nature Microbiology 文章中多種微量營養素缺乏如何重塑腸道菌群、機會致病菌和抗性相關生態。

2. Codex從原始 reads 到 OTU/ASV、物種注釋、α/β 多樣性、差異菌群和功能預測。

3. Codex 為 16S 數據生成 R / phyloseq / vegan 分析代碼。

4. 審計 metadata 和豐度表：檢查 Sample、Diet、Day、Group、MDB_ID。

5. 繪制門、科、屬、種水平堆積柱狀圖，展示 CON 與 LM 在 Day 0 和 Day 28 的群落組成變化。

6. Codex 繪制 Bray–Curtis PCoA，并用 PERMANOVA 檢驗組間差異。

7. Codex 識別 Enterobacteriaceae、Klebsiella、Escherichia 等候選菌群變化。

8. 用 PICRUSt2、相關網絡和隨機森林拓展功能解釋，但區分預測結果、相關結果和實驗證據。

9. Codex 檢查分組、代碼、統計、圖表和過度解釋，避免把 16S 結果寫成宏基因組功能或因果證明。

課堂產出：phyloseq 對象、菌群組成圖、α 多樣性圖、β 多樣性 PCoA、差異菌群結果、功能預測結果、中文報告和 16S 分析 Skill。

模塊六：臨床科研 AI 工作臺與論文投稿閉環第二十二節課：臨床科研 AI 工作臺與研究方案設計

1. 理解 Claude Code 和 Codex 在臨床科研中的分工。

2. 編寫 CLAUDE.md 和 CODEX_REVIEWER.md。

3. Codex 用 PICO / PECO 設計回顧性隊列研究問題。

4. 制定入排標準、暴露因素、結局指標和協變量。

5. Codex 建立變量字典和統計分析計劃。

6. 明確醫療數據脫敏和 PHI 上傳紅線。

課堂產出：項目環境、研究問題卡、變量字典、入排標準和脫敏清單。

第二十三節課：電子病歷數據清洗、Table 1 與基礎統計

1. Codex 導入 CSV / Excel 電子病歷數據。

2. 完成數據審計：樣本量、缺失、異常值、重復患者和變量類型。

3. Codex 進行醫學數據清洗：缺失值、多重插補、異常檢驗值和連續變量分類化。

4. 一鍵生成 Table 1：連續變量、分類變量、P 值、缺失值和 SMD。

5. Codex 審查 Table 1：統計檢驗是否正確、變量是否合理。

課堂產出：清洗數據、數據審計報告、Table 1 和 P 值校驗報告。

第二十四節課：回歸建模、生存分析、PSM 與臨床統計閉環

1. Codex 區分 Logistic、線性回歸和 Cox 回歸的適用場景。

2. Codex 構建單因素和多因素模型。

3. 完成 Kaplan-Meier 和 Log-rank 檢驗。

4. 檢查 Cox 比例風險假設。

5. Codex 完成 PSM 傾向性評分匹配和匹配后平衡評估。

6. 完成亞組分析和交互作用分析。

7. Codex 作為統計 Reviewer 檢查模型漏洞。

課堂產出：回歸表、Cox 表、PSM 表、Love plot 和統計審稿意見。

第二十五節課：SCI 臨床醫學繪圖與論文初稿生成

1. Codex 學習投稿級臨床圖表標準。

2. 繪制臨床四大名圖：Kaplan-Meier、Forest plot、ROC 和 Nomogram。

3. Codex 繪制患者入組流程圖和多 panel 圖。

4. Claude Code 根據統計結果自動生成 Results。

5. 按 STROBE 寫作 Title、Abstract、Methods、Results 和 Discussion。

6. 在 Discussion 中寫清臨床意義、文獻對比、局限性和未測量混雜因素。

7. Codex 審圖：坐標軸、單位、CI、圖例和正文引用是否對應。

課堂產出：3–5 張 SCI 圖表、圖注和 STROBE 論文初稿。

第二十六節課：Codex 交叉審稿、Claim 校準與投稿包生成

1. Codex 扮演臨床期刊 Reviewer，對初稿打分和挑錯。

2. 識別 Overclaim、文獻遺漏、統計漏洞和圖表問題。

3. Codex 進行雙 AI 三輪迭代：醫學措辭、機制討論和統計薄弱點。

4. 完成臨床 Claim 校準：從“證明有效”改成“與結局改善相關”。

5. Codex 完成醫學數據倫理、AI 使用披露、Prompt 日志和代碼版本控制。

6. 整理引用格式和目標期刊格式。

7. Claude Code 生成帶圖表的完整 DOCX。

8. Cover Letter 提煉 clinical implications。

9. 生成投稿 checklist，完成投稿前最終核查。

課堂產出：AI 審稿意見、Claim 校準表、修訂稿、Cover Letter 和投稿 checklist。

04

課程費用

費用：原價2880元，暑期限時優惠價2380元

? 全方位學習： 直播授課 + 全套錄播（支持無限次回放）

? 教學答疑： 授課期間專屬學習群內導師一對一指導

? 配套資源： 全套核心代碼、教學數據、精美講義

團購優惠

兩人同行：享9折

三人及以上：享85折

咨詢掃碼聯系

05

機構和講師介紹

華哥科研平臺

授課理念：將CNS文章的新技術學懂（理解）、學會（會敲代碼分析）、學透徹（站在課題頂層設計角度理解）、學以致用（用到自己的標書申請和文章發表中）。

初心使命：普及前沿技術，服務科研一線，賦能創新突破，助推生命科學進步

主講老師（一）

許萬喆，東京大學計算生物學及醫學科學博士，日本科學技術振興機構（JST）次世代研究員，劍橋大學生物化學系及毒理學研究中心訪問學者。長期從事人工智能與生命科學交叉算法，蛋白質基礎模型以及臨床隊列多模態模型開發；當前研究方向聚焦于人工智能體以及空間蛋白組學基礎大模型研發。發表nature子刊等論文多篇；與歐洲生物信息學研究所（EMBL-EBI），國際通用蛋白質資源數據庫（UniProt）長期合作，參與多項國際計算蛋白項目，著眼于AI驅動的生命科學新發現。

主講老師（二）

楊奕濤，東京大學醫學科學研究所助理教授，日本學術振興會（JSPS）特別研究員，長期深耕深度學習算法、醫療AI與空間組學交叉領域，積累了豐富的科研實踐經驗；現致力于多模態融合、生物醫學基礎大模型開發及轉化醫學相關算法研究。發表Nature Communications等SCI期刊發表論文多篇；與中日及歐美頂尖計算生物學實驗室深度合作，參與多項國際前沿科研項目，致力于以人工智能驅動生命科學新發現。

主講老師（三）

張振華，華哥生信創始人，目前在東京大學從事醫學人工智能研究。深耕單細胞多組學、空間轉錄組與機器學習領域6年，培養學員3萬余人 ; 指導學員發表CNS主刊文章18篇、一區及子刊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;合作院士團隊及國際頂尖實驗室，發表SCI論文26篇（Sci.Adv、 Mol Cell、 PNAS、 JACS、NC、 Cell Rep Med、Mol Cancer、EMBO Mol Med等頂刊）。