1.  组学 AI 算法创新

• 深度学习架构：针对高维 / 稀疏 / 异质组学数据的 GNN、Transformer、MAE、扩散模型优化。

• 自监督 / 弱监督学习：组学数据预训练、标签高效学习、跨数据集泛化增强。

2.  单细胞与空间转录组学

• 空间转录组增强（核心）：针对 Xenium、Cosmx 等图像式空间技术的基因面板稀疏、灵敏度低问题，用泛癌预训练扩散模型做全基因组表达重建，提升单细胞分辨率数据质量。

• 单细胞 - 空间多模态融合：整合大规模 scRNA-seq（130 万细胞、21 种癌症）与空间数据，无需配对参考即可跨组织泛化，解决传统方法依赖匹配数据、需重训练的痛点。

• 生成式 AI 在组学的应用：基于条件潜在扩散模型 + 随机微分方程（SDE），将细胞状态建模为低维流形，从稀疏观测中高保真恢复完整转录组，抑制噪声并保证生物学合理性。