AI 把生信门槛打下来之后，专业会重新变贵？

最近身边越来越多老师跟我说："现在 AI 都能写代码了，单细胞分析我让学生自己用 AI 跑跑就行。"

这话没错。但我想说的是：AI 正在做一件很有意思的事——先把生信分析的门槛全部打下来，然后再重新让专业能力变贵。

这件事，生信圈其实已经经历过一次了。

一、AI 正在打掉生信的门槛

以前，跑一套转录组差异分析，你得会 Linux、会装软件、会写 R，环境报错能折腾一整天。以前做单细胞，从质控、降维、聚类到注释，没有专门的生信人员根本推不动。以前画一张像样的热图、火山图、UMAP 图，要反复调参数、改配色。

现在呢？

• 把报错信息丢给 AI，它告诉你怎么改；
• 描述一下需求，它给你写出完整的 Seurat / Scanpy 流程；
• 扔给它一列 marker 基因，它帮你猜细胞类型；
• 富集分析结果贴进去，它能给你写一段"像模像样"的讨论。

一个研究生突然发现：原来自己一个人也能做完一整套单细胞分析了。

二、但你很快会撞上一堵墙：听不懂 AI 在说什么

举个真实会发生的例子。

一位老师做了一个很常见的实验：野生型和敲除小鼠，各分对照组和给药组，一共四组，做了转录组。他问 ChatGPT 该怎么分析，ChatGPT 很认真地建议：

"建议做交互分析。"

问题来了：什么是交互分析？

很多人第一反应是蛋白互作网络，或者细胞之间的通讯分析——毕竟都叫"交互"。其实都不是。

于是他接着问 AI。AI 解释说：在线性模型中加入交互项，比较主效应和交互效应……

又冒出来一堆新词：线性模型、交互项、主效应、设计矩阵、contrast。

每个词再问一轮，十几轮对话下来，分析还没开始，人已经晕了。更麻烦的是，他可能在某一轮理解偏了，后面所有分析都跟着偏，自己却完全不知道。

而一个懂一点生信的人，听到"交互分析"四个字，脑子里只需要一句话：

"看这个药，在敲除鼠和野生鼠里的作用是不是不一样。"

懂了。直接让 AI 写代码，然后马上追问下一个更关键的问题："每组三个重复，够不够检测出交互作用？"——因为交互效应通常比主效应更难检测，样本量不够，很可能什么也找不到。

同一个 AI，一个人在跟它补课，另一个人在跟它干活。

三、专业名词，就是你和 AI 之间的接口

这就是用 AI 做生信时，大家最容易忽略的一点：

AI 能替你写代码，但不能替你听懂。

每一个专业名词，背后其实都是一整套逻辑的"压缩包"。批次效应、双细胞、聚类分辨率、拟时序、padj……懂的人，看到一个词就自动解压了，知道它在说什么、为什么重要、哪里会出坑。不懂的人，就得让 AI 一句一句解释，再把解释翻译成自己能听懂的话。

所以用 AI 做生信，有一个绕不过去的过程：你必须不停地跟 AI 讨论专业名词，直到把它们翻译成你自己的话。

这个过程越短，你分析得越快；这个过程走得越扎实，你越不容易被 AI 带偏。

AI 时代学生信，重点不再是背代码，而是**建立你自己的"词汇表"**。

四、"会用 AI 跑分析"很快会被磨平

说回大趋势。

• 今天你会用 AI 写分析代码，明天你师弟也会；
• 半年后，几乎所有做组学的课题组都会；
• 当所有人都用 AI 跑同一套默认参数，"能跑出结果"本身就不值钱了；
• 当所有人都能生成一张"还不错的 UMAP 图"，"还不错"就变成了最平庸的标准；
• 当所有文章都是"聚类—注释—差异—富集—细胞通讯"五件套，审稿人很快就会看腻。

所以，"会不会用 AI 做生信"这件事，很快一定会普及。差距不会出在这里。

五、这一幕，生信圈经历过

十年前，会跑转录组流程、能把差异基因列表拿出来，就是课题组里的"技术大牛"。一张火山图加一张 KEGG 气泡图，就能撑起文章里的一个 Figure。

后来呢？测序公司开始提供标准分析报告，云平台做到了一键出图。所有人都能拿到差异基因、富集结果、漂亮的热图。于是，单纯"能出图"马上就显得平庸了。

再然后，真正懂实验设计的人、懂统计的人、能把数据讲成生物学故事的人开始拉开差距。审稿人的问题也变了——不再问"你做了什么分析"，而是问"你凭什么这么分析、你的结论站得住吗"。

专业，又重新变贵了。 AI 时代，只是把这个过程又快进了一遍。

六、真正稀缺的，是"T 型"生信人才

真正需要的不是一个"会点 AI 的人"，而是一个本来就懂生信、又特别会用 AI 的人。

这种人的能力形状是 T 型的：

• 一个方向极深：单细胞、空间转录组、蛋白代谢、宏基因组，真正懂原理、知道坑在哪；
• AI 能力很强：能用 AI 把效率放大十倍，而不是被 AI 带着走；
• 周边领域有基本认知：懂一点湿实验、统计、疾病背景，能对上话就行。

七、AI 时代的单细胞分析师长什么样

他首先得是个单细胞分析师。

他得知道：要不要去双细胞、环境 RNA 要不要校正；两个亚群分开，是生物学差异还是批次效应；聚类分辨率为什么选 0.8 而不是 1.2；一群高表达 Fos、Jun 的"新亚群"，可能只是组织解离时被"吓"出来的应激反应；细胞通讯预测出一百对配受体，哪几对才值得花钱验证。

然后，他再让 AI 去写代码、批量跑参数、整理结果。

判断是他的，执行交给 AI。

八、AI 时代的组学分析师长什么样

做转录组、多组学，他首先得懂实验设计。

三个重复够不够？配对样本怎么建模？混杂因素有没有设计进去？像前面那个四组实验，从一开始就该想清楚：我要回答的是"药有没有用"，还是"药的作用是不是依赖这个基因"？问题不同，分析方法和样本量都不同。

数据一旦测出来，实验设计里的错误，任何算法都救不回来。 这恰恰是 AI 最难替你判断的地方。

写在最后

"会不会用 AI 做生信"，很快就不会是一种优势了。不会用 AI，才会掉队。

真正拉开差距的，只有两个问题：

你听得懂 AI 在说什么吗？你把 AI 接到了哪一项专业能力上？

附：AI 最爱说的生信黑话，翻译成人话

你被 AI 哪个生信名词绕晕过？欢迎在评论区告诉我，下一篇就挑大家最头疼的词来讲。