夜雨聆风2026年5月8日《Cell》杂志在线发表了文章《AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology》（《AI预测的空间转录组学从病理学中解锁乳腺癌生物标志物》），该研究开发了一种名为Path2Space的深度学习模型，能够直接从乳腺癌H&E病理切片预测14,068个基因的空间表达谱，在多个独立队列中验证了其在细胞类型推断、肿瘤微环境分型和化疗及曲妥珠单抗（Trastuzumab）治疗反应预测方面的性能，发现基于空间异质性定义的SpatioType亚型及HER2空间邻域多样性（SPAND）标志物可独立预测患者预后和治疗反应，为大规模低成本精准肿瘤学生物标志物发现提供了新途径。
这篇文章的探索不仅是个“降本”的方法，而是从肿瘤的整体镜下表现出发，用深度学习的方法把HE染色切片的信息应用到极致，以判断乳腺癌的生物学行为。Path2Space模型对HER2阳性乳腺癌具有多维度的临床转化价值：首先，该模型提出的HER2空间邻域多样性（SPAND）指标能够量化HER2表达的空间异质性，在预测Trastuzumab病理完全缓解（pCR）方面表现优异（AUC 0.72-0.83），尤其在HER2高表达亚组中显著优于传统bulk RNA-seq和FISH检测（TransNEO: 0.89 vs. 0.65; PBCP: 0.78 vs. 0.40; IMPRESS: 0.92 vs. 0.55），揭示了高SPAND肿瘤因HER2高/低区域混杂分布可能通过Fc受体介导的免疫旁观者效应增强曲妥珠单抗疗效的新机制；其次，模型识别的三种SpatioType亚型（增殖富集型、免疫调节型、免疫失活型）在HER2+乳腺癌中展现出独立的预后分层能力，其中免疫失活型与最差预后相关；再者，基于空间簇组成联合HER2 SPAND的预测模型在多个独立队列中验证了对化疗和曲妥珠单抗反应的稳健预测性能（PBCP外部验证AUC达0.90），并可通过预测评分三分位实现患者治疗获益的可靠性分层；最后，该模型仅需常规H&E切片即可推断空间分子特征，为HER2+乳腺癌的精准分型、治疗决策优化及大规模回顾性生物标志物发现提供了低成本、可扩展的新途径，并有望延伸至HER2低表达/超低表达领域指导抗体偶联药物（ADC）如的精准应用。
亮点
• Path2Space可从H&E切片预测数千个基因的空间表达 • 空间模式定义了具有不同生物学特征和生存结局的乳腺癌亚群 • 空间生物标志物在治疗反应预测方面优于bulk测序 • Path2Space实现了从常规组织病理学中规模化发现反应生物标志物
摘要
空间转录组学（ST）检测技术正在改变我们对肿瘤异质性的理解，但其高昂的成本限制了其在大规模生物标志物发现中的应用。本研究开发了"Path2Space"深度学习模型，可直接从组织病理学切片预测空间基因表达。该模型基于大规模乳腺癌ST数据训练，能够稳健预测数千个基因的空间表达，性能优于21种已建立的方法。通过对976例TCGA（癌症基因组图谱）乳腺癌肿瘤的肿瘤微环境（TME）进行图谱绘制，Path2Space准确推断细胞类型丰度，并识别出三种具有不同生存结局的空间定义乳腺癌亚群。值得注意的是，由此衍生的低成本空间TME图谱在预测患者对化疗和曲妥珠单抗（Trastuzumab）的治疗反应方面，比昂贵的传统bulk测序生物标志物更为准确。因此，Path2Space为分子检测提供了一种可扩展、快速且具有成本效益的替代方案。它为大队列治疗生物标志物发现以及肿瘤生物学的转化相关见解开辟了途径，并具有跨多种癌症适应症应用的潜力。
研究背景与既往研究进展
1.1 空间转录组学的临床价值与瓶颈
空间转录组学（Spatial Transcriptomics, ST）技术正在深刻改变我们对肿瘤异质性的理解。通过保留组织空间位置信息的同时检测基因表达，ST能够揭示肿瘤微环境（Tumor Microenvironment, TME）的精细结构。既往研究已取得重要进展：
• Wu等（2021, Nature Genetics） 通过单细胞与空间联合分析，绘制了人类乳腺癌的空间图谱，识别出与临床结局相关的巨噬细胞亚群空间分布特征 • Wang等（2025, Nature Communications） 发现富含趋化因子的血管微环境促进淋巴细胞浸润，血管密度与临床预后改善相关 • Andersson等（2021, Nature Communications） 在HER2阳性乳腺癌中，ST技术描绘了T细胞与巨噬细胞的空间相互作用，揭示了I型干扰素反应相关的免疫微环境特征 • Klughammer等（2024, Nature Medicine） 在转移性病灶中区分了免疫排斥区域与T细胞浸润区域，并识别出上皮-间质转化表型，为理解转移和治疗抵抗提供了新视角
1.2 现有技术局限与深度学习机遇
尽管ST技术前景广阔，其高昂成本限制了大规模生物标志物发现和验证所需的大队列应用。由于ST数据通常与苏木精-伊红（H&E）染色图像配对，从H&E切片预测空间基因表达成为具有成本效益的可扩展替代方案。
既往深度学习在病理图像分析方面已有探索：
• 细胞类型识别：Li等（2024）开发了计算病理学免疫特征用于导管原位癌预后预测 • 分子特征预测：Coudray等（2018）证明深度学习可从非小细胞肺癌病理图像预测基因突变；Hoang等（2024）建立了从组织病理学预测癌症治疗反应的深度学习框架 • 空间基因表达预测：He等（2020）和Xie等（2023）尝试从H&E图像预测空间基因表达，但仅限于少数基因，无法应用于生存和治疗反应分析所需的大规模临床队列
1.3 本研究创新点
本研究开发的Path2Space模型突破了上述局限：
• 直接从H&E全切片图像（Whole-Slide Images, WSIs）预测14,068个基因的空间表达 • 在乳腺癌中实现可扩展、快速、低成本的空间转录组学替代方案 • 发现基于空间特征的乳腺癌亚型（SpatioTypes）及治疗反应生物标志物 • 预测性能显著优于21种现有方法
研究方法
2.1 研究设计与数据来源
2.1.1 训练与验证数据集
空间转录组学训练队列（Bassiouni et al.）：
• 10× Genomics Visium平台ST数据，含配对H&E图像 • 基因表达从55μm直径捕获区域（"spots"）测量 • 预测目标：在≥5% spots中检测到的14,068个基因 • 采用留一患者交叉验证（leave-one-patient-out cross-validation），共56,567对图像-表达spots
外部验证队列（3个独立队列）：
• HEST（Jaume et al., 2024）：4例患者5个样本 • Martinez et al.（2023）：4例患者4个样本 • HTAN（Human Tumor Atlas Network, Mo et al., 2024）：7例患者9个样本
2.1.2 大规模应用队列
• TCGA-BRCA：976例患者1,096张切片，含853例完整生存数据 • METABRIC：141例患者（用于SpatioType生存验证） • 治疗反应队列： • TransNEO（Sammut et al., 2022）：化疗93例，曲妥珠单抗61例 • PBCP（Personalised Breast Cancer Programme）：化疗19例，曲妥珠单抗18例 • IMPRESS：化疗64例，曲妥珠单抗62例 • Cedars-Sinai：曲妥珠单抗26例
2.2 Path2Space模型架构
模型包含两个核心组件（见图1A）：
2.2.1 图像预处理
1. Tile提取：围绕每个spot提取正方形图像tile 2. 颜色归一化：采用Macenko方法进行染色标准化 3. 特征提取：使用CTransPath（数字病理学基础模型）将每个tile编码为768维特征向量
2.2.2 回归预测
• 多层感知器（MLP）神经网络： • 输入层：768节点（对应CTransPath特征） • 隐藏层：768节点，ReLU激活，20% dropout • 输出层：14,068节点（每个基因一个预测值） • 预测目标：log10转换的原始计数（log10(count+1)），而非CPM标准化值 • 优化器：Adam，初始学习率1×10⁻⁴ • 损失函数：均方误差（MSE） • 早停策略：验证集平均相关性50个epoch无改善则终止
图1. 数据集和计算流程概述
(A) 空间转录组学预测模型（Spatial transcriptomics prediction model）
• Path2Space在四个配对H&E-ST数据集上训练和评估 • 全切片图像（WSI）围绕ST spots进行分块、颜色归一化、使用CTransPath基础模型编码，输入多层感知器（MLP）推断spot水平基因表达(B) SpatioType分析（SpatioTypes analysis） • Path2Space应用于TCGA乳腺癌（BRCA）WSI预测空间基因表达，识别定义肿瘤空间特征的空间簇 • 采用无监督方法将患者分组为预后性乳腺癌亚群，称为SpatioTypes(C) 生存和反应预测（Survival and response prediction） • 结局预测通过两种途径： • (i) 空间分布（Spatial Distribution）：SPAND（空间邻域多样性）量化HER2空间表达异质性 • (ii) 基于空间簇的模型（Spatial Cluster-Based Model）：空间聚类后逻辑回归预测药物反应
2.2.3 空间平滑处理
• 对每个spot，与其200μm半径内所有邻近spot（平均8个邻居）的表达值取平均 • 同时应用于预测值和测量值，用于模型评估和下游分析 • 用于基准比较时，平滑预测与未平滑测量值对比以确保公平性
2.3 模型训练策略
2.3.1 集成预测（Ensemble Prediction）
• 22轮交叉验证迭代，每轮留出一例患者 • 每轮内创建7个独立训练-验证分割 • 最终预测取7个模型预测的平均值 • 共训练154个模型（22×7）
2.3.2 质量控制（QC）标准
基于图像质量和转录组数据可靠性建立阈值：
• 图像质量：苏木精强度、伊红强度、锐度（Laplacian方差） • 转录组质量：总UMI计数、线粒体和血红蛋白基因计数 • 应用后Bassiouni队列保留22/43样本（14例患者）
2.4 下游分析方法
2.4.1 细胞类型推断
• SpaCET反卷积：将scRNA-seq参考特征应用于预测的空间表达 • 监督MLP回归器：在PanopTILs数据集（151例患者1,709个ROI）上训练，预测癌细胞、淋巴细胞、基质细胞比例
2.4.2 空间聚类与SpatioType定义
• SpaGCN图卷积网络：将TCGA切片分为连续伪spots（~6,131/切片），聚类为空间相干域 • 跨患者联合聚类识别11个空间转录组学簇（ST clusters） • 层次聚类定义患者级元簇，通过肘部法、Davies-Bouldin指数和PAC确定最优解
2.4.3 空间异质性量化（SPAND）
• 空间邻域多样性（Spatial Neighborhood Diverseness）：SPAND = −Moran's I(gene)/mean(gene) • 量化100×100μm邻域内的局部表达变异性 • HER2 SPAND：ErbB信号通路标准化富集评分（NES）除以癌细胞比例
2.4.4 治疗反应预测
• 基于空间簇的模型：11个ST簇比例作为特征，L1正则化逻辑回归 • 联合模型：空间簇模型 + HER2 SPAND评分平均 • 对照模型：直接图像特征模型、H&E推断的bulk表达模型
2.5 统计方法
• 基因预测准确性：Pearson相关系数（PCC），先按slide平均，再按患者平均 • 分类性能：AUC，高/低表达二分类（以slide中位数为界） • 生存分析：Kaplan-Meier曲线，log-rank检验，Cox比例风险模型 • 模型比较：DeLong检验比较AUC，Mann-Whitney U检验比较分布 • 多重检验校正：Benjamini-Hochberg FDR
研究结果
3.1 空间基因表达预测性能（对应图2和附录）
3.1.1 交叉验证性能（Bassiouni et al.）
Path2Space在留一患者交叉验证中表现稳健（见图2A左）：
• 基因水平中位PCC：0.38（平滑后）/ 0.20（未平滑） • 高预测基因：6,629个基因PCC > 0.4（平滑后），1,376个（未平滑） • 分类性能：中位AUC 0.70（平滑）/ 0.65（未平滑），3,116个基因AUC > 0.75（平滑）
代表性临床相关基因的预测可视化（见图2C-E）：
• CHEK2（BRCA2相互作用因子）：预测与测量表达的空间模式高度一致 • ERBB2/HER2：空间异质性准确重建 • CDH1（E-钙粘蛋白）：表达梯度精确预测
图2.Path2Space空间基因表达预测性能
3.1.2 外部验证性能
模型泛化至三个独立队列（见图2A右三幅）：
• HEST：中位PCC 0.40（0.22未平滑），7,023个基因PCC > 0.4，中位AUC 0.71 • Martinez et al.：中位PCC 0.36（0.20未平滑），5,409个基因PCC > 0.4，中位AUC 0.69 • HTAN：中位PCC 0.33（0.17未平滑），4,401个基因PCC > 0.4，中位AUC 0.67
交叉验证与外部验证间高度一致：4,807个基因在两个设置中均达到PCC > 0.4（见图2B，超几何检验p < 1.0×10⁻⁵⁰）。这些稳健预测基因包含乳腺癌关键基因如CHEK2、ERBB2、CDH1。
3.1.3 生物学意义验证
癌症标志通路富集（见图2F）：
• 4,807个稳健预测基因在所有10个MSigDB癌症标志通路中显著富集（FDR < 0.05） • 最强富集：避免免疫破坏、逃避生长抑制、抵抗细胞死亡
组织保存方法影响（见图2G）：
• 尽管仅在新鲜冷冻（FF）切片上训练，Path2Space在FFPE切片上表现相似（中位PCC：FF = 0.35，FFPE = 0.37） • 线性混合效应模型调整队列后，保存方法无显著影响（p = 0.69） • 表明模型可有效泛化至档案组织库
3.1.4 基准比较（对应图3、图S4）
与16种最先进ST预测方法比较（见图3A）：
• HVG预测（988个高变基因）：Path2Space在交叉验证和外部验证中均达到最高中位PCC，显著优于所有其他方法（p < 0.001） • 全基因组预测（14,068基因）：在Top 5模型中（Path2Space、EGNv2、mclSTExp、BLEEP、StFlow），Path2Space再次达到最高PCC（p < 0.001）（见图3B） • 遗留ST数据：在785 HVG的遗留数据集上，Path2Space达到第二高PCC，与最佳方法EGNv2无统计学差异（见图S4C-D）
图3 . 与最先进ST预测模型的基准比较
3.2 细胞类型特异性表达与丰度推断（对应图4、图S5）
3.2.1 细胞类型标记基因预测
在PanopTILs注释的TCGA切片上（见图4A）：
• 癌细胞富集区域：RPS21表达升高 • 淋巴细胞富集区域：STAT1表达升高 • 基质细胞富集区域：FARSA表达升高
差异表达分析（见图4B）：
• 比较>50%细胞类型区域与0%区域，Path2Space预测的标记基因上调显著强于非标记基因（Mann-Whitney U检验，p < 0.01） • 该模式在PanopTILs预测表达、HEST测量表达和HEST预测表达中均一致
图4 . Path2Space预测和细胞类型推断性能评估
3.2.2 细胞类型分类性能
SpaCET反卷积应用（见图4C）：
• Path2Space推断表达的SpaCET反卷积在PanopTILs上表现： • 癌细胞：PCC = 0.69，AUC = 0.85 • 淋巴细胞：PCC = 0.60，AUC = 0.80 • 基质细胞：PCC = 0.41，AUC = 0.85
监督MLP反卷积模型（见图S5B）：
• 5折交叉验证中持续优于SpaCET： • 癌细胞：PCC = 0.80，AUC = 0.88 • 淋巴细胞：PCC = 0.80，AUC = 0.87 • 基质细胞：PCC = 0.60，AUC = 0.85
3.2.3 与测量ST的比较（HEST样本，图4D）
Path2Space预测ST vs. 测量ST的SpaCET反卷积：
• 癌细胞：AUC 0.85-0.89（接近测量ST的0.93-0.94） • 基质细胞：AUC 0.85-0.89（接近测量ST的0.93-0.94） • 淋巴细胞：AUC 0.92-0.93（优于测量ST的0.82） • 均优于HoVer-Net直接H&E核分类器
3.2.4 细胞类型内基因表达变异
在HEST验证队列中（见图4E-F）：
• 病理注释区域内中位PCC：癌细胞0.39、基质细胞0.30、淋巴细胞0.27 • 每个细胞类型3,286-5,774个基因PCC > 0.4 • 非标记基因预测略优于标记基因（中位PCC 0.39 vs. 0.36, p = 2.6×10⁻¹²），证明预测不依赖经典标记基因
3.3 乳腺癌空间亚型（SpatioTypes）与预后（对应图5、图S6-S7）
3.3.1 空间转录组学簇（ST Clusters）
对TCGA 1,096张切片的~670万伪spots分析（见图5A-B）：
• SpaGCN识别7,295个空间域（平均6.6/切片） • 联合聚类定义11个ST clusters，在Bassiouni队列验证Rand指数0.75
生物学特征（见图5C-E、图S6C-E）：
• 增殖通路（图5C）：Clusters 9、11显示KRAS信号、E2F靶点、G2-M检查点激活 • 免疫通路（图5D）：Clusters 5、8显示干扰素反应、炎症反应、IL-6/JAK/STAT3信号 • 生存关联（图5E）：Cluster 4富集与较差无病生存相关（HR > 1, p = 0.02）；Cluster 5与较好预后相关 图5. TCGA-BRCA预后性肿瘤SpatioType识别
图S6. 乳腺癌空间转录组学簇特征
3.3.2 SpatioType定义与特征
层次聚类识别5个元簇，其中3个包含98%患者（见图5F）：
| 增殖富集型 | ||
| 免疫调节型 | ||
| 免疫失活型 |
临床相关性（见图5G-H、图S6G-I）：
• 免疫调节型 vs. 免疫失活型无病生存显著差异（p = 0.001） • 免疫失活型多变量Cox模型HR = 2.04（p = 0.002），独立于年龄和分期 • 该分层在HR+、HER2+、TNBC亚型中均成立（图5H） • 增殖富集型与更高病理分期相关（p = 0.006）
3.3.3 METABRIC外部验证（图S7A-D）
• SpatioType分配重现TCGA生存分层（p = 0.01, log-rank检验） • 免疫失活型调整后HR = 5.45（p < 0.001） • 在Nottingham预后指数（NPI）差亚组中仍显著（p = 0.005）
图S7. SpatioType和曲妥珠单抗反应空间生物标志物验证
3.4 HER2空间异质性预测曲妥珠单抗反应（对应图6、图S7E-I）
3.4.1 SPAND生物标志物
空间异质性可视化（见图6A）：
• 高SPAND：HER2高/低区域混杂分布 • 低SPAND：HER2表达相对均一
预测性能（见图6B-E）：
• TransNEO：AUC = 0.80（vs. bulk RNA-seq ERBB2 AUC = 0.66） • PBCP：AUC = 0.69（vs. bulk RNA-seq AUC = 0.72） • IMPRESS：AUC = 0.72（vs. FISH HER2/CEP17 AUC = 0.76） • Cedars-Sinai：AUC = 0.83
特异性分析：
• 对曲妥珠单抗特异性强（化疗反应AUC仅0.57-0.61） • 在HER2高表达肿瘤中优势最显著（见图6F-H）： 图6 . 空间表达异质性预测曲妥珠单抗反应
• TransNEO：0.89 vs. 0.65（bulk） • PBCP：0.78 vs. 0.40（bulk） • IMPRESS：0.92 vs. 0.55（FISH）
3.5 空间簇组成预测化疗和曲妥珠单抗反应（对应图7、图S7G-I、表S4）
3.5.1 化疗反应预测
TransNEO交叉验证（见图7A左）：
• Path2Space空间簇模型：AUC = 0.75 • 优于直接图像模型（AUC = 0.70），匹配H&E推断bulk表达模型
外部验证：
• PBCP：AUC = 0.89（见图7A中） • IMPRESS（TNBC）：AUC = 0.74（见图7A右），优于Huang等发表模型
与发表方法比较（见图7C左）：
• Sammut-ML在交叉验证中略优，但Path2Space在PBCP外部验证中泛化更好 • 优于Ki-67、IFN-γ特征、细胞溶解活性等单指标
簇贡献解释（见图7D）：
• Cluster 4最强预测化疗无反应（系数最负） • Cluster 2次之，与免疫失活型一致
图7. Path2Space从TME组成预测化疗和曲妥珠单抗反应
3.5.2 曲妥珠单抗反应预测
TransNEO交叉验证（见图7B左）：
• 空间簇模型：AUC = 0.86 • 联合模型（簇+HER2 SPAND）：AUC = 0.89
外部验证：
• PBCP：AUC = 0.90（联合模型）（见图7B中） • IMPRESS：AUC = 0.77（联合模型）（见图7B右） • Cedars-Sinai：AUC = 0.72（见图7B最右）
与发表方法比较（见图7C右、图S7F）：
• 优于Sammut-ML（TransNEO AUC 0.75，PBCP AUC 0.83） • 优于ENLIGHT（AUC = 0.78） • 匹配或优于bulk RNA-seq生物标志物
簇贡献解释（见图7E）：
• Clusters 1、6与反应良好相关（HER2 SPAND水平高） • Cluster 4与反应差相关
3.5.3 预测可靠性评估
• 预测评分分箱显示，高分患者假发现率显著降低 • 化疗：高分组OR = 3.38（p = 0.008） • 曲妥珠单抗：高分组OR = 2.57（p = 0.03）
讨论
4.1 Path2Space的临床转化价值
Path2Space提供了实用且可扩展的空间分析实现方案。虽然其他预测框架原则上也可进行此类分析，但本研究预期将激励该生物标志物研究领域的进一步发展。
4.2 曲妥珠单抗反应的双重机制洞察
研究通过两种互补方法解析曲妥珠单抗反应：
HER2 SPAND机制：
• 高SPAND肿瘤（HER2高/低区域混杂）显示更好反应 • 这与曲妥珠单抗的Fc受体介导免疫细胞毒作用（ADCC）机制一致：靶向HER2高细胞引发的免疫反应可影响邻近HER2低细胞 • 补充了既往关于HER2异质性的研究（Li等, 2024; Filho等, 2021）
空间簇组成机制：
• 11个TCGA衍生簇的紧凑表示使简单模型可直接从H&E切片预测治疗反应 • 突出与临床结局相关的空间微环境特征
4.3 两种互补临床应用路径
路径一：回顾性队列生物标志物发现
• 在缺乏分子分析的大型回顾性队列中识别与临床结局相关的空间特征 • 随后在前瞻性环境中使用靶向检测验证这些生物标志物
路径二：直接临床决策支持
• 直接从常规H&E切片进行预测，减少对昂贵分子检测的依赖 • 从全切片组织学中获得图像衍生生物标志物 • 仅需可部署的计算基础设施，定位为可扩展、成本效益高的分子分析替代方案
4.4 扩展至其他癌种和空间组学模态
该框架可适应其他癌症类型和空间组学模态：
• 空间蛋白质组学：在翻译后调控使蛋白与mRNA水平解偶联时特别有价值（如乳腺癌雌激素和孕激素受体） • 空间甲基化分析：可发现表观遗传生物标志物。例如，MGMT启动子甲基化预测胶质母细胞瘤替莫唑胺反应，但其空间分布尚未探索，可能揭示与治疗抵抗相关的异质性
4.5 研究局限性
1. 训练数据分辨率：当前架构针对Visium分辨率（~55μm spots）优化。扩展至单细胞或亚细胞平台需要架构修改 2. 细胞类型推断粒度：虽然Path2Space可估计主要细胞类型组成（癌细胞、淋巴细胞、基质细胞），但精细细胞类型分辨率是未来发展方向。在Xenium衍生真实标签评估中，丰富细胞类型（肿瘤AUC=0.86，CD4 T细胞AUC=0.82）准确性高，但稀有群体性能下降。重要的是，基于测量ST数据的反卷积显示相同的丰度依赖性下降，表明这是Visium分辨率的固有局限而非模型缺陷 3. 荧光平台限制：研究聚焦H&E因为此类队列更大、更易获取、成本更低。荧光平台（CosMx、Xenium、空间蛋白质组学）不常规生成配对H&E数据，限制了匹配训练数据 4. 跨癌种转移：乳腺癌模型不转移至其他癌种，新癌种预测需要癌种特异性模型重训练
结论
Path2Space代表了从常规病理图像获取空间分子信息的重要技术进步。通过直接预测14,068个基因的空间表达，该模型不仅达到了超越现有方法的预测精度，更重要的是揭示了具有临床意义的空间生物标志物：
1. SpatioType分型：三种空间亚型（增殖富集型、免疫调节型、免疫失活型）跨越传统分子亚型，独立预测预后 2. HER2 SPAND：空间异质性而非平均表达水平预测曲妥珠单抗反应，为理解药物机制提供新视角 3. 治疗反应预测：空间簇组成预测化疗和曲妥珠单抗反应，准确性匹配或优于bulk测序生物标志物
该研究为大规模、低成本的精准肿瘤学生物标志物发现开辟了新途径，使数百万存档H&E切片的回顾性空间分析成为可能。随着空间组学技术的持续发展，Path2Space类框架的预测精度和生物学洞察力有望进一步提升，最终推动病理学从形态学描述向分子空间信息学的范式转变。
内容来源：https://www.cell.com/cell/fulltext/S0092-8674(26)00458-7
