夜雨聆风点击蓝字 关注我们
一位乳腺癌患者，拿到了病理报告。白纸黑字写着：HER2阳性。
医生告诉她，有一种靶向药叫做曲妥珠单抗（商品名：赫赛汀），是目前成熟的治疗方案之一。她完成了规范的疗程，满怀期待地等待复查结果。
结果却令人沮丧，肿瘤几乎没有缩小。
然而，同一家医院，同样的诊断，同样的药，另一位患者的肿瘤在检查中几乎消失了。
为什么结果天差地别？
辅助绘图：即梦
病理科医生每天要审视大量染成蓝红两色的组织切片。他们能从细胞的形态、排列、染色深浅中，判断这是不是癌，是哪种癌，恶性程度如何。但有一件事，他们做不到——看出这块肿瘤里，哪些基因在哪个位置活跃。
要回答这个问题，需要一种叫做"空间转录组学"的技术。
普通基因检测只能告诉你整个肿瘤里有哪些基因在工作，而空间转录组学能进一步告诉你——哪些基因，在肿瘤的哪个位置，活跃程度如何。说白了，就是给肿瘤内部画一张"基因活动地图"。这张地图造价极高，一个样本动辄数万元，远非常规检查所能承受。
近期发表在顶级学术期刊《细胞》（Cell）上的一项研究，有望改变这一局面。
DOI: 10.1016/j.cell.2026.04.023
Path2Space：看见医生看不见的
来自美国国立癌症研究所等机构的研究团队，开发了一个名为Path2Space的AI模型。只需要一张普通的病理切片，它就能生成一张覆盖14068个基因的空间活跃程度分布图。
Path2Space的工作原理
DOI: 10.1016/j.cell.2026.04.023
研究团队用56567组切片图像与基因检测数据的配对样本训练这个模型。AI反复学习切片里细胞的排列方式、组织结构的纹理变化，慢慢摸索出图像背后隐藏的基因活动规律。
在三个完全独立的患者群体中验证后，有4807个基因的预测结果在所有验证集里都表现出色，其中包括乳腺癌诊断和治疗中绕不开的几个关键基因：CHEK2、ERBB2（即HER2）和 CDH1。与目前已有的21种同类方法相比，Path2Space的预测准确率显著更高。
左图：实验室实际测量的HER2基因活跃程度空间分布；右图：AI仅凭病理切片图像预测的结果。两者高度吻合。
DOI: 10.1016/j.cell.2026.04.023
同一种癌，三种不同的命运
有了这张AI绘制的基因地图，研究团队把目光投向了976例乳腺癌患者的病理切片，数据来自美国癌症基因组图谱（TCGA）这一大型公共数据库。
他们识别出了11种空间基因活动模式，并将患者归纳为三类：
增殖富集型（proliferation-enriched SpatioType）
肿瘤细胞像踩了油门，拼命分裂。
免疫调节型（immune-modulated SpatioType）
免疫细胞活跃，身体还在和肿瘤较劲。
免疫静默型（immune-inactive SpatioType）
免疫系统几乎沉默，肿瘤悄悄溜走。
免疫静默型患者的复发风险，是免疫调节型的2倍以上。排除年龄和肿瘤分期的干扰后，这个差距依然成立。
无论患者本身是HER2阳性、激素受体阳性还是三阴性乳腺癌，这套分型方式都能在现有诊断之上，提供额外的预后信息。
三种空间表型亚型患者的无病生存曲线：免疫静默型（红色）患者复发风险显著更高，免疫调节型（蓝色）患者预后最好。
DOI: 10.1016/j.cell.2026.04.023
回到开头的问题：
为什么同样的药，效果会不一样？
研究团队发现，答案不在HER2有多活跃，而在它怎么分布，并给这个指标起了个名字——SPAND（Spatial Neighborhood Diverseness，空间邻域多样性）。
赫赛汀消灭的是HER2高活跃的乳腺癌细胞，打死它们的同时，免疫系统会被激活。如果高活跃区域和低活跃区域彼此交织，这股免疫反应就能顺势扫到旁边的低活跃细胞。但如果两者泾渭分明、各占一块，免疫反应到边界就停了，低活跃区域的细胞活下来，乳腺癌迟早复发。
同为HER2阳性乳腺癌患者的病理切片，左侧肿瘤中HER2高活跃区域（暖色）与低活跃区域高度混杂，这类患者对靶向药反应更好；右侧分布较均一，疗效相对较差。
DOI: 10.1016/j.cell.2026.04.023
SPAND在四个独立患者群体里都经过验证，预测赫赛汀完全缓解的准确率，在四个队列中分别达到80%、69%、72%和83%。在HER2高表达患者中，SPAND的准确率（89%）远超传统基因测序方法（65%）。
这对患者和医生意味着什么？
如果Path2Space这样的工具能够进入临床，或许在治疗开始之前，患者的病理切片就能告诉医生：这个肿瘤的HER2分布方式如何，赫赛汀对患者是否有效。
对病理科而言，一张普通的染色切片，正在从观察形态的工具，变成能读懂分子信息的平台。
对医疗资源有限的地区而言，这件事的意义更实际。不需要昂贵的测序设备，不需要复杂的实验流程，一张切片加一台电脑，或许就够了。
辅助绘图：即梦
写在最后
当然，这项研究目前仍有其局限。Path2Space的训练数据以乳腺癌为主，能否直接用于其他癌种，还需要进一步验证。此外，当前模型的空间分辨率约为55微米，尚无法精确到单个细胞的层面，对于数量稀少的细胞亚群，预测能力也相对有限。
随着更高分辨率的空间组学平台逐渐普及，以及更多癌种数据的积累，这类AI工具的边界将持续扩展。空间蛋白质组学、空间甲基化组学，都可能成为下一步的突破口。
至少，文章开头那位拿着病理报告的患者，等待的时间可能会短一点。
辅助绘图：即梦
参考资料：
Shulman E, Campagnolo E, Lodha R et al. AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology. Cell, 2026; 189: 1–16.
欢迎评论区留言。
