AI预测癌组织空间转录组图谱成为可能

当你看到一张乳腺癌组织的病理切片时，你看到了什么？

病理科医生看到的是细胞形态、组织结构和潜在的诊断线索。一项发表于顶级期刊《Cell》的研究让我们看到了更惊人的可能：人工智能只需“瞥一眼”这种最常规的染色切片，就能透视出肿瘤内部成千上万个基因的空间活动地图，甚至能比昂贵的基因测序更准确地预测患者对治疗的反应。

来自美国国立癌症研究所、Cedars-Sinai医学中心、成均馆大学等机构的国际团队，开发出了名为 Path2Space 的深度学习模型。它能够直接从苏木精-伊红（H&E）染色的病理全切片图像中，预测空间转录组（Spatial Transcriptomics） 信息。

这项突破性研究不仅打开了低成本、大规模癌症生物标志物发现的大门，更可能彻底改变未来癌症的诊断与治疗决策模式。

一、困境与破局：当高昂成本遇上临床普惠需求

空间转录组学（ST）是近年来的革命性技术，它能让科学家看清不同基因在肿瘤组织不同位置上的活动情况，从而深刻理解肿瘤的异质性和微环境。但是，由于其高昂的成本和复杂的流程，使其难以应用于需要成百上千样本的大型临床研究或常规诊断。

重要的是，全球医院病理科存档着海量的H&E染色切片——这是癌症诊断中最基础、最常规、成本最低的技术。那么我们能否用AI“桥接”这两种技术？ 能否让AI从已有的形态学图像中，“反推”出本需昂贵实验才能获得的空间分子信息？

Path2Space的诞生，正是对这个问题的响亮回答。

用配对数据训练AI：他们利用已有的、来自乳腺癌患者的、配对的H&E图像和Visium空间转录组数据作为训练集。每个空间转录组测序点（spot，直径约55微米）都对应一小块H&E图像。
让AI学习关联：模型（一个多层感知机MLP）的任务是，学习从这一小块图像的特征（通过一个名为CTransPath的基础病理模型提取）中，预测出该测序点内14,068个基因的表达水平。
实现精准预测：经过训练，当面对一张全新的、仅有H&E图像的病理切片时，Path2Space可以将其分割成无数个虚拟的“测序点”，并为每个点预测出一整套基因的空间表达谱。

结果表明，Path2Space的预测结果与真实测量值高度相关，中位基因预测相关系数达到0.38（经过空间平滑后）。在独立的外部验证数据集上，模型同样表现稳健，证明了其强大的泛化能力。在与21种现有方法的比拼中，Path2Space综合表现最佳。

Path2Space不仅仅是一个预测模型，更是一个强大的发现引擎。研究团队将其应用于大型临床队列，取得了三项激动人心的发现。

1. 定义全新的乳腺癌“空间亚型”

研究人员将训练好的模型应用于美国癌症基因组图谱（TCGA）中的976例乳腺癌患者H&E切片，首次大规模绘制了乳腺癌的“空间转录组景观”。通过无监督聚类，他们根据肿瘤的空间结构，定义了11个空间转录组簇，并进一步将患者归纳为三种具有显著生存差异的“空间亚型”：

其中，免疫静止型患者的无病生存期最差，风险是免疫调节型患者的两倍以上。这种基于空间结构的分类，提供了超越传统分子分型的新预后视角。

2. 精准预测化疗与靶向治疗反应

这是研究最贴近临床的亮点。团队在多个接受新辅助化疗（如TransNEO、PBCP队列）或靶向药曲妥珠单抗（赫赛汀）治疗（如IMPRESS、Cedars-Sinai队列）的患者中进行了验证。

对于曲妥珠单抗：他们定义了一个新指标——HER2通路活性的“空间邻域异质性”（SPAND）。该指标量化了HER2高表达细胞与低表达细胞在微观尺度上的混合程度。发现SPAND高的患者，对曲妥珠单治疗的反应更好（在TransNEO队列中预测AUC高达0.80）。这颠覆了以往认为HER2异质性可能导致耐药的观念，提示免疫效应（ADCC）可能在混合区域更能发挥作用。
对于化疗：利用从TCGA中总结的11个空间簇特征，Path2Space构建的预测模型在外部验证中同样表现优异（如在PBCP队列中AUC达0.89）。

关键在于，Path2Space仅使用治疗前的常规H&E切片做出的预测，其准确性匹配甚至超过了使用昂贵的 批量肿瘤RNA测序 数据构建的预测模型。

3. 发现可解释的空间生物标志物

模型不仅是“黑箱”。通过分析预测模型的关键特征，研究者发现与不良治疗反应最相关的空间簇，恰恰对应了之前定义的、预后最差的“免疫静止”空间亚型。这为理解为何这些患者疗效差提供了空间生物学层面的解释。

Path2Space研究的价值，远不止于一项技术突破或几个新生物标志物。

成本革命：它将前沿空间生物学分析的成本，从每次实验数千美元，拉低到“几乎为零”——因为计算可以在已有的病理切片上进行。这使得在成千上万的回顾性样本中挖掘生物标志物成为可能。
解锁历史宝藏：全球医院存档的数以亿计的H&E切片，从此不再是沉默的档案，而可能成为等待挖掘的空间分子数据金矿。我们可以用Path2Space重新审视历史样本，寻找新的治疗规律。
临床可及性：在医疗资源不均的地区，无法常规开展基因测序的机构，未来或可通过数字化病理切片+AI分析，获得媲美高级分子检测的预后和治疗预测信息，推动精准医疗的普惠。
范式拓展：研究者指出，Path2Space的框架可扩展至其他癌症、甚至其他空间组学技术（如空间蛋白组、空间甲基化组），前景广阔。

当然，研究也有其局限，例如当前模型基于分辨率为55微米的Visium数据开发，对更稀有的细胞类型解析能力有限。但随着更高分辨率的空间数据涌现，模型的精度必将再上台阶。

最常规的病理检查，可能蕴含着最深刻的精准医疗答案。 Path2Space如同一座桥梁，连接了病理学的形态世界与基因组学的功能世界，让AI赋能医生，从一片熟悉的“红与蓝”中，看见生命的奥秘与治疗的希望。

当我们赋予AI“空间透视”的能力，我们或许正在打开一扇新的大门，门后是更高效、更普惠的癌症诊疗新时代。

欢迎投稿！！！