网硕互联帮助中心过去一段时间，我们团队把相当多的注意力投向了cfDNA。手头这张工作账号的Token活动截图显示：累计101.6亿Token，连续使用64天，日均约1.59亿Token。这只是一个工作账号的统计，不能代表团队所有账号的汇总。
文章目录
-
- 一、单细胞的问题，已经不只是“还能测多少细胞”
- 二、为什么我们看上了cfDNA
- 三、cfDNA并不与单细胞对立；它甚至需要单细胞
- 四、为什么说这条赛道“看着简单”，却仍有方法机会
- 五、从发文章看：不必跟资源型科研硬拼规模
- 六、从临床看：抽血改变的是决策机会，不是医学定律
- 七、从商业看：市场会奖励“少折腾”，但不奖励空泛承诺
- 八、我们希望把这1.5亿Token花在哪里
- 参考资料与图片来源
如果按OpenAI官方API标准档价格做量级换算，以gpt-5.6-terra为例，输入价格为每百万Token $2、输出为 $12。假设这101.6亿Token中70%为输入、30%为输出，并暂不计算缓存折扣，Token费用约**$50,800（5.08万美元），64天平均约$794/天**。若假设全部按输入计费约$20,320，全部按输出计费约$121,920；估算不含单独计费的工具调用。截图没有模型、输入/输出和缓存拆分，因此这只是估算；Codex Pro订阅不等于实际支付了这笔API费用。
这不是实验结果，也不是一张可以证明研究水平的奖状。它只能说明，我们确实在持续阅读、写代码、复核公开数据、推倒假设，再重新寻找更有价值的问题。
我想把态度讲得直接一些：未来几年，生物信息学最值得投入的地方，未必是把图谱做得越来越庞大。**真正有价值的突破，可能发生在一个很窄的临床问题、一种反复可得的样本和一个长期没有解决好的测量环节之间。**我们把cfDNA放到中心位置，就是因为它恰好处在这样的交叉口。
这不意味着单细胞已经没有价值，更不是鼓励所有人转向同一个赛道。我只是越来越不愿意接受一种论文逻辑：采更多细胞、分更多簇、画更密的通讯网络，文章就自动更深。数据体量值得尊重，但它不能代替问题意识。
一、单细胞的问题，已经不只是“还能测多少细胞”
我做过不少单细胞相关研究，也知道它的贡献。没有单细胞，我们很难在许多复杂组织里区分细胞状态、理解稀有群体，或为后续研究建立可用的参考图谱。空间组学、扰动实验、长读长单细胞和多模态测量也还在快速推进。因此，所谓“单细胞到了技术瓶颈”，更准确地说，是一部分常见的应用型研究写法遇到了边际收益瓶颈。
同一类疾病，继续把十万细胞扩大到百万细胞，当然可能发现原本看不到的稀有状态。但如果每篇文章仍停在“重新聚类—命名亚群—拟时序—细胞通讯—挑一个基因做模型”，细胞数上去以后，核心问题可能没有前进一步。它只是让熟悉的流程运行得更大、更慢，也让图更精致。
更需要警惕的是统计单位错位。**十万个细胞，可能只来自十几位患者。**如果要推断患者间差异，细胞不能自动充当独立患者。Zimmerman等人在《Nature Communications》讨论的“伪重复”问题，正是这种错误会放大显著性、影响可重复性的原因。
我们应该问：这个亚群到底对应哪一类患者？疾病进展时是否稳定存在？采样时间、用药、组织处理方式会不会改变它？能否在独立患者和另一种测量方式里再找到它？如果这些问题答不上来，增添细胞数量带来的更多往往只是分辨率，不一定是解释力。
我期待新一代测序和单细胞测量继续突破：更完整的转录本、更可靠的表观与蛋白信息、更低损伤的空间定位、更可重复的纵向采样。这些进步会改变我们能提出的问题。但在工具到来之前，我们也应该承认：一张颜色越来越漂亮的UMAP，不等于临床问题已经被推进。
二、为什么我们看上了cfDNA
cfDNA是细胞释放到血液等体液中的游离DNA；其中来自肿瘤的部分通常称为ctDNA。它看似只是血浆里短短的片段，背后却叠加了细胞死亡、组织来源、核小体保护、酶切过程、甲基化状态和肿瘤基因组改变。同一管血，既可以问“有没有某个突变”，也可以问“这些片段来自哪里、如何断裂、为什么此时出现在循环中”。
这正是我们觉得基因组学仍有很深空间的原因。序列是底座，但有价值的信息不止碱基改变。片段长度、末端位置、末端基序、全基因组覆盖、核小体相关信号和甲基化模式，都可能提供不同的观察窗口。不过必须强调：片段信号是染色质状态和组织来源的间接线索，不能被直接写成某个患者某个组织的RNA表达或开放染色质实测结果。
2026年一项低深度全基因组测序研究，把拷贝数、片段分布、核小体及末端相关特征放到同一分析框架中，用于癌种来源判别。图里值得看的不是“特征越多越好”，而是同一份血浆测序数据怎样被拆解成互补而可检验的信号。
Moss等人在《Nature Communications》建立了细胞类型甲基化参考图谱，用血浆甲基化混合信号推断cfDNA的细胞来源。这类工作吸引我的地方，不只是“做了一个模型”，而是把“血里检测到变化”推进为“变化可能来自哪个组织、哪类细胞”。
这种“来源”问题可以连接肿瘤，也可以连接移植后组织损伤、炎症或其他器官状态。它不保证每一项研究都能做成临床检测，但它给生信工作提供了一个比“找差异基因”更明确的对象：究竟是哪一类来源的分子发生了变化，变化是否随时间与疾病过程同步。
三、cfDNA并不与单细胞对立；它甚至需要单细胞
更有意思的研究，往往在两种技术相遇时出现。单细胞擅长建立细胞状态的参考地图，cfDNA擅长在不反复取得组织的情况下观察循环中的信号。参考图谱越清楚，我们越有机会从血浆片段中提出有生物学含义的来源假设。
Stanley等人在2024年的《Nature Communications》研究中，就把单细胞转录组参考与cfDNA片段覆盖、核小体相关特征结合，用于推断血浆中的细胞类型贡献，并在癌症等场景中探索疾病相关变化。这项研究不意味着“抽一次血就等于做一次全身单细胞测序”；它说明了组织参考图谱可以服务于更容易重复获得的体液测量。
在我们看来，好的生物信息学不应该按平台划阵营。单细胞告诉我们组织里可能存在什么，血浆告诉我们哪些变化可以被反复追踪；病理、影像和临床记录再回答，这些信号是否真正对应患者的病程。**每种技术测到的都是问题的一部分。**把它们接起来，比争论哪一种“更高级”重要得多。
四、为什么说这条赛道“看着简单”，却仍有方法机会
cfDNA的入门叙事很朴素：抽血、分离血浆、建库测序、做生信分析。公开数据也允许研究者从片段长度、覆盖、末端模式和甲基化等维度提出问题。对一个没有能力自行采集百万细胞的团队而言，选择已有真实患者队列、围绕一个可解释特征做深入分析，确实比复制超大规模图谱更现实。
但“问题入口清楚”绝不等于“测量简单”。肿瘤片段可能在早期极少；有限血量决定了可观察分子数。采血管、离心时间、运输、冻融、建库方法、测序深度和比对策略，都可能改变片段图谱。造血细胞来源的背景，以及年龄相关克隆性造血，也可能让突变信号被误读。
2026年一项长读长cfDNA研究直接展示了前处理问题：部分超长读段更可能来自混入的血细胞裂解，而不是研究者想捕捉的原始血浆片段。测到“新峰”之前，先得排除它是否由采样流程造出来。
这里恰恰有方法学空间。我们更关心的是：一个指标在不同采样批次和中心是否稳定？端点或核小体特征究竟来自疾病，还是实验流程？模型在同一患者的纵向样本上是否有意义？低测序深度下还能保留多少信息？发生阴性结果时，是疾病不存在，还是该患者本来就不向血液释放足够的可检分子？
测序深度也不是一句“低成本就好”可以带过。2026年一项用cfDNA片段组学预测子痫前期的研究，把片段特征与血细胞表达关系、不同测序深度下的稳定性一起检验；其部分特征需要很深的测序才能稳定。这提醒我们：每个特征的成本—稳定性曲线，都应该用实际数据测出来。
以片段长度为例，肿瘤相关片段有时偏短，但“偏短”同时受提取试剂、建库是否保留短片段，以及分析时选用的长度窗口影响。一个实验室里成立的阈值，换一套流程可能就失灵。端点与基序也一样：若不记录采血到分离的时间、不检查白细胞破裂污染，就很难判断分类器究竟学到了生物学变化还是前处理习惯。我们希望方法文章敢于把这些不漂亮的细节放进主结果。
**这些问题很小，也很难。**它们不像“再加一个模态”那样容易写进标题，却决定方法能否真正走出训练集。Stanley等人的另一张结果图展示了癌症场景中的异常细胞类型贡献；这样的解释性分析有潜力，但依然需要疾病特异队列、合适对照和独立验证来区分信号来源。
五、从发文章看：不必跟资源型科研硬拼规模
我们不反对大队列，也不会把“小样本”浪漫化。真正的问题是，资源有限的团队该怎么提出别人愿意认真读的问题。要和拥有跨国联盟、数十万患者、海量单细胞平台的团队拼总量，投入未必划算；但在一个明确场景中把定义、数据、统计单位、机制解释和外部检验做透，仍然有机会贡献扎实的方法或结果。
比如针对某一种治疗，先明确临床决策点是治疗前选择、术后微小残留病灶监测，还是复发预警。然后决定样本应在哪些时间点采集，哪些患者必须有组织测序或病理信息，健康对照是否足够，良性疾病对照是否更关键。最后才决定测突变、甲基化、片段组学，或它们的组合。问题在前，算法在后。
拿“术后会不会复发”来说，设计时要先问：术前血、术后第几周血和治疗期间血，哪些能成对拿到？在医生做治疗决定之前，检测结果能否及时返回？如果患者后来复发，影像、病理和复发时间能否连到同一个人？这几个环节没有打通，哪怕从一管血里提取了上千个特征，模型也可能只是在预测采样时间或中心差异。
公开数据研究同样如此。数据下载量不是队列质量的替代品。原始reads是否可得、有没有真正的双端片段信息、患者与样本是否可以对应、病例和对照是否经过相同流程，这些都应在选题之前核对。把不可用的数据硬塞进一个漂亮题目，后面再复杂的算法也补不上最初的证据缺口。
方法论文也不能只报一条好看的AUC。应当报告患者而非片段或测序reads为单位的训练与验证样本量；锁定阈值后看独立队列；报告不同癌种、分期和肿瘤负荷的表现；检验批次、中心、测序深度和处理时间的影响。真正的增量，不是比一个很弱的对照模型高0.02，而是让临床上原本无法可靠回答的问题有了可复核的答案。
如果连测量本身都缺乏共同标尺，跨中心比较就更困难。2026年的一项研究制备了不同预设甲基化比例的cfDNA候选参考材料，检查实测值与设计值是否一致，并开展实验室间验证。它未替所有cfDNA检测解决标准化问题，却把一个容易被忽略的环节摆到台前。
我们也越来越愿意保留“没有成功”的结果。某个末端特征在训练集有信号、外部队列消失了，就应该追踪原因；某个指标只能区分晚期患者，不能用于早筛，就要承认其适用范围。这样的负结果不一定“好看”，却能帮下一步研究少走弯路。
六、从临床看：抽血改变的是决策机会，不是医学定律
谈液体活检时，我总会想到一个普通患者的反应：假如肝脏有问题，我也不愿意动不动就接受一次穿刺。**“今日割五城，明日割十城”可以写成玩笑，落在患者身上，却是一次次真实的疼痛、风险、排队与等待。**血样的侵入性通常更低，也更适合做多时间点观察；这让我们有机会研究组织穿刺难以密集记录的变化。
但不能因此写成“血液能替代所有组织”。组织病理提供形态、空间位置和诊断依据，血液不一定能回答。血浆检测阴性也不能保证肿瘤阴性。美国FDA对已获批的部分血浆伴随诊断明确提示：当血浆未检出相关标志物、而组织检测可行时，应考虑回到组织检测。FDA Guardant360 CDx说明
敏感度也必须放进场景里说。CCGA研究的一项独立验证中，基于cfDNA甲基化的多癌种检测总体敏感度为51.5%、特异度99.5%；I期癌症敏感度仅16.8%，IV期则达到90.1%。这组数字足以说明：“液体活检灵敏度不低”不能作为一条跨疾病、跨分期的口号。Klein等，Ann. Oncol. 2021
同样要分清任务：上面提到的2026年低深度cfDNA研究，在已经患癌的独立验证队列中，对癌种来源的首选预测准确率为80%、前两名命中率为90%；I期首选准确率低于IV期。这是癌种来源判别，不是无症状人群的早筛敏感度。
真实人群还会考验阳性结果的意义。PATHFINDER前瞻性队列中，6,621名参与者有92人出现癌症信号，最终35人确诊；阳性预测值为38%，特异度为99.1%。这并不否定早筛潜力，但说明筛查后的复核、影像和诊断路径本身也是产品的一部分。
2026年公布的PATHFINDER 2更进一步：在32,007人的性能分析集中，报告阳性预测值60.3%、特异度99.64%；对12个月内确诊的全部癌症，研究报告的事件敏感度为39.3%。这项前瞻性研究描述了检测表现与阳性后的诊断过程，不能据此宣称已证明降低癌症死亡率。
另一方面，真正让人看到临床决策价值的例子，来自更具体的问题。DYNAMIC随机试验纳入455名II期结肠癌患者，术后ctDNA指导组接受辅助化疗的比例为15%，标准管理组为28%；2年无复发生存率分别为93.5%和92.4%，达到了试验预设的非劣效标准。此后报告的5年无复发生存率分别为88%和87%。它证明的是在这一特定人群、检测方案与决策流程下，ctDNA信息可以帮助调整治疗使用，而不是“所有癌症都可以一管血解决”。DYNAMIC原始试验｜5年随访
七、从商业看：市场会奖励“少折腾”，但不奖励空泛承诺
液体活检的市场前景，我认为确实可观。理由不需要建立在夸张的市场规模预测上：更容易获取的样本、重复检测的可能性，以及已经出现的明确临床使用场景，本身就足以支持长期需求。美国FDA批准的血浆伴随诊断已覆盖若干特定癌种、基因标志物和药物组合，说明这并非只有论文没有路径的概念。FDA伴随诊断清单
但我不会说“抽血一定比组织检测更便宜”。一次穿刺和一次抽血的操作成本不同，整条诊疗路径的成本却还包括采样、建库、测序、算法、质控、复检、影像、误报后的检查、漏报造成的延误，以及支付方能否承担。若一个产品技术上可行，却让医生面对一份无法解释的报告、让患者为每次追踪承担高额费用，市场不会因为“无创”两个字自动买单。
患者愿不愿意用，也与报告的可理解程度有关。阴性意味着什么？需要多久再测一次？阳性是否必须转到影像或组织确认？如果临床无法说明这些问题，抽血虽然方便，仍可能造成持续焦虑。对企业而言，采样便利是入口，真正形成长期价值的是可靠解释、可执行的后续路径和支付方看得懂的结局改善。
真正有竞争力的产品，应该把临床问题定义得很窄：给谁用，在什么时候用，阳性后怎么办，阴性后怎么办，比现有流程增加了什么价值。在特定靶向药物选择中，它可能帮助更快获得分子信息；在术后随访中，它可能帮助识别需要更密切观察的人；在早筛中，则必须把误报、漏报和后续诊断流程一并验证。不同场景不能用同一个“液体活检”标签抹平。
至于汗液等更容易采集的体液，我很愿意关注。它们在代谢物、蛋白或可穿戴传感方面已有探索，乳腺癌汗液挥发物研究也已有21名患者的小规模初步尝试。但汗液研究不能被直接等同于血浆ctDNA临床检测；采样量、目标分子浓度、污染、个体差异和临床验证都还要过关。把远景写清楚，反而比把所有非侵入式体液并列成“成熟市场”更有说服力。汗液诊断综述｜乳腺癌汗液挥发物初步研究
八、我们希望把这1.5亿Token花在哪里
Token的消耗可以很大，问题却应该越来越小。我们希望把工作压在几个可检验的方向：cfDNA片段特征怎样与组织来源相联系；纵向变化能否比一次性分类更早、更稳地反映病程；何种预分析条件会让一个漂亮的信号失真；一个公开队列中观察到的关联，换一个中心、换一套流程，还剩下多少。
具体做起来，第一步往往很不浪漫：列清楚每一个公开数据集的来源、真实患者数、采样时间、治疗信息、可用的原始文件和不能回答的问题。数据表里写着“血浆样本”并不代表能做片段组学；缺少双端信息、无法确认建库方法，或同一患者多个时间点无法对应，都可能直接改变课题边界。把这些基础工作做好，比提前想好一个惊艳标题更重要。
第二步，是和临床伙伴把问题问得足够具体。医生说“想预测疗效”，我们会继续问：预测的是影像缓解、无进展生存，还是某次治疗之后的早期风险？结果要在几天内返回才有用？错判阳性和错判阴性，哪一种对患者更难承受？算法只有进入这样的对话，才有机会成为决策工具；否则它只是一个离开电脑就不再产生作用的分数。
第三步，是把每一个看似微小的改进留下可追溯的依据。新的片段特征比旧特征好在哪里，差异是否来自同一批患者的公平比较，换一个公开队列是否仍成立，都需要留下代码、参数和排除记录。我们不准备靠“每天用了多少Token”来回答这些问题。Token只是工具运行留下的痕迹，真正的进度应当体现为更干净的数据、更明确的边界和更可检验的结论。
这些工作最后要落到真实的患者单位上。病例数不够就说不够，样本之间没有配对就不说配对；只有相关性就不写成机制证明；模型在外部队列失败，就把失败作为下一轮方法改进的起点。AI可以帮助我们读得更快、试得更多，但它不能把缺少的患者、缺失的时间点和不存在的临床验证凭空补出来。
我仍然相信单细胞，也期待更先进的测序和空间技术。只是现阶段，我们愿意把更多时间放在cfDNA这样一条相对不拥挤、入口清楚、却尚有许多硬问题的赛道。对我们来说，生物信息学最好的样子，是把复杂测量变成对具体疾病过程更可靠的认识，再让这种认识有机会减少患者不必要的侵入性操作、无效治疗和等待。
日均约1.5亿Token，值得讲，但真正值得交代的是它将换来什么。希望下一次展示的，不只是使用量的截图，而是一项经得住跨队列验证、能回答清楚临床问题的cfDNA结果。
评论前必须登录！
注册