🔍 耿同学打假报告

论文信息

标题：[未提供标题，根据内容推断为] RL-MIG: a reinforcement learning-based framework for pan-cancer risk gene prioritization
作者：[文本中未提取到作者信息]
期刊：[文本中未提取到期刊信息]
DOI：[文本中未提取到DOI信息]
发表年份：[文本中未提取到年份信息，但带有明显的未排版草稿特征]
论文来源：RL_MIG.pdf

综合评定：🟡 存疑

详细发现

发现 1：方法学与排版异常（未删除的模板占位符）

位置：Section 3, 3.1, 3.1.1 及其正文（位于体内实验结果之后）
描述：在极其严肃的正文部分（2.7节之后），赫然出现了期刊或LaTeX模板的原始教学示范文本。原文直接写道：“3 This is an example for first level head—section head... 3.1 This is an example for second level head... Sample body text. Sample body text...”
证据：这种低级错误表明作者在撰写或拼凑论文时极度粗心，直接复制了投稿模板而忘记修改，或者这本身就是一篇粗制滥造的“水会/水刊”草稿。虽然不直接等同于数据造假，但严重缺乏学术严谨性。
严重程度：🟠
复核状态：✅ 成立

发现 2：引用与图表指向异常（大面积的图号缺失）

位置：Section 2.1 至 Section 2.7 全文
描述：论文正文中在引用图表时，几乎所有图表号均缺失。例如：“pan-cancer risk gene prioritization (Fig.).”、“DCG curves and comparative results across all evaluation metrics are shown in Fig. of the 12 cancer types”、“promoted apoptosis (Fig. (Fig.E)”。
证据：正常的论文哪怕是草稿也会带有 Fig. 1, Fig. 2A 等编号。大面积的 "(Fig.)" 和 "(Fig. (Fig.E)" 指向逻辑混乱，说明作者在整理不同部分的文案时没有仔细核对图表编号。结合“发现1”，这篇论文的文本组装痕迹极重。
严重程度：🟡
复核状态：✅ 成立

发现 3：统计学异常检测（不规范的显著性符号标注）

位置：Fig. 6 及其图注（位于文本末尾的图表数据块）
描述：在展示COL11A1敲除实验的统计结果时，多次出现极其夸张的显著性星号标注，例如 ********（8个星号）。
证据：在标准的生物医学统计图表（如GraphPad Prism输出）中，通常最高也就使用 **** 来表示 P < 0.0001。出现连续的 ******** 不仅违反常规排版规范，且极度不符合常规统计学软件的默认输出格式，很可能是手动添加或数据拼凑时的笔误。
严重程度：🟡
复核状态：✅ 成立

⚠️ 发现 4：图片复用与拼接检测

位置：Fig. 6 (Western blot, 细胞迁移图等)
描述：文本提取的图注和坐标轴显示，作者进行了大量的细胞实验（CCK-8, EdU, 划痕，转移，免疫印迹等）。
证据：由于当前仅依靠文本提取，无法获取原始图片像素信息进行视觉比对，因此无法直接证实图片复用或拼接。考虑到前文发现的极强“拼凑/复制粘贴”属性，该论文的实验图片（尤其是重复使用的 shRNA 对照带）存在极高的重复使用或PS拼接风险，强烈建议获取PDF原版图片进行进一步的光谱/噪点分析。
严重程度：🟡 (暂定，待查)
复核状态：⚠️ 依据不足

耿同学辣评

你这算法模型跑得挺高端，又是强化学习又是泛癌症的，怎么写论文的时候连说明书上的“Sample body text”都原封不动地交上来了？做生信分析、做细胞实验很辛苦，但Ctrl+C和Ctrl+V的时候也得过过脑子吧！连图号和模板字眼都没删干净就拿出来混，这就好比穿了一身高定西装，结果标签还挂在袖口上飘荡，太不给学术界面子了！

建议后续行动

联系作者要求提供原始数据（特别是所有的Western Blot原始未裁剪图片和重复实验数据）。
在 PubPeer 上提出质疑（主要针对图表编号缺失、模板未清理及统计符号异常）。
向期刊编辑部举报（如果该论文已投稿，编辑部初审时理应因这种极低级的排版和模板错误直接打回）。
获取论文PDF原件，对所有的湿实验图片（Fig 6及之后）进行极其严格的像素级重复率比对。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

[未提供标题，根据内容推断为] RL-MIG: a reinforcement learning-based framework for pan-cancer risk gene prioritization