部分重编程（partial reprogramming / OSK）是长寿领域资金与关注最集中的方向之一， 但有一个少有人系统问的实验变量：山中因子的导入顺序会不会影响效果？ 标准做法是把 OCT4 / SOX2 / KLF4 / MYC 一起上，顺序通常不被当作变量。 这篇预印本用虚拟筛选把这个问题问了一遍。
平台：免代码 + 状态反馈
ISP Platform 建立在 Geneformer 之上，几个特点：
- 免代码图形界面——不需要写 Python 就能跑虚拟扰动；
- 支持双向跨物种分析：输入物种与人 / 鼠 Geneformer 模型可独立选择；
- 支持多基因 ISP 与状态反馈 ISP—— 后者指每次扰动后重新预测表达排序，再喂入下一次扰动。 这一点是它能模拟「顺序」的关键：普通单步扰动没有先后概念。
结果与衰老研究的接口
摘要给出的三项结果里，有两项与重编程直接相关：
- 状态反馈 ISP 模拟了山中因子的全部 24 种导入顺序（4! = 24）， 在每种顺序中分离出因子特异性效应； 结果显示当 POU5F1 或 SOX2 排在最前时，效应急剧增大。
- 在人 / 鼠 iPSC 单细胞转录组上做全基因组敲低筛选， 物种匹配与互换模型均能优先命中核心多能性调控因子——这是对平台可信度的一个自检。
- 7 个多能性基因的虚拟过表达，使体细胞向 iPSC 偏移的程度超过山中四因子 （Yamanaka factors: OCT4/SOX2/KLF4/MYC）。
此外，成对虚拟过表达筛选还指出了 NANOG / KLF2 基准之外的 prime-to-naive 转换候选调控因子。
对计划做 OSK 诱导实验的人，这是可直接转为 hypothesis 的资源： 先上 POU5F1 或 SOX2、以及那 7 基因组合，都是低成本可试的优先级假设。 工具本身免代码，试错成本极低。
必须说清的边界：这是 in silico
这一点本站要写得比摘要更重：所有结果都是计算机模拟，无湿实验验证。
- 「7 基因优于山中 4 因子」是 Geneformer 嵌入空间里的排序位移， 不等于实际重编程效率提升。这两件事之间隔着一整个实验验证的距离。
- 「顺序效应」同理——模型学到的顺序依赖，未必对应真实细胞里的动力学。
- 本条不产出任何生物学结论，它产出的是待验证的优先级。
数字与字段
摘要给出的可引用信息是 24 种顺序、7 个基因、 Geneformer、version 2。以下一律待补全文：
- 7 个多能性基因的具体名单 —— 待补全文
- 「效应急剧增大」的定量口径（嵌入位移量？命中率？）—— 待补全文
- prime-to-naive 候选因子的名单 —— 待补全文
- 所用 iPSC 单细胞数据集的来源与规模 —— 待补全文
为什么本站还是收了它
部分重编程是长寿领域的 top-tier 方向，而「导入顺序」这个变量几乎无人系统研究。 一个免代码工具把假设生成成本压到接近于零，对实验组是有用的。 本站把它标为 C 级（预印本）+ 方法学/资源类， 读者应把它当作待验证假设的来源，而不是证据。
本文为预印本，未经同行评审，结论可能在正式发表时变更。
C 级证据分级：C 级（预印本：未经同行评议，结论可能随审稿改变）
本文核心结论来自动物模型或体外细胞学，属临床前证据，不能外推至人体。「延长健康寿命」「改善功能」等表述在小鼠中的意义，与人类临床结局之间仍有距离。
关于本文的文献来源：本篇依据预印本官方摘要（本轮经 IMA 知识库《预印本速递》卡片与官方摘要核对）整理，定量一律照抄原文，未做任何数值推算补全；凡摘要未给出的信息一律标注「待补全文」。