AI+公共数据，复刻Cell级成果

空间转录组很贵，大队列更难做。这篇 Cell 文章换了一个思路：不重新做大量空间实验，而是用公开 Visium 空间转录组和普通 H&E 病理切片训练 AI，让模型从病理形态中预测空间基因表达。

作者开发的模型叫 Path2Space。训练时，先根据 Visium spot 位置，从配套 H&E 切片中切出小图，做颜色标准化，再用 CTransPath 提取病理图像特征，最后用 MLP 神经网络预测每个位置上 14068 个基因的表达。简单说，就是让模型学习：什么样的组织形态，对应什么样的空间表达模式。

模型训练好后，作者没有只报准确率，而是把预测结果做成空间表达热图，比较 ERBB2/HER2、CHEK2、CDH1 等基因的真实表达和 AI 预测表达。结果显示，预测表达能较好还原基因在组织中的空间分布。作者还在 HEST、Martinez、HTAN 等独立队列中验证，说明模型有一定泛化能力，甚至在 FFPE 样本上也有接近表现。

接着，作者把 Path2Space 用到 TCGA、METABRIC 等乳腺癌大队列 H&E 切片上，生成“虚拟空间转录组”。每张切片被切成很多接近 Visium spot 大小的位置，每个位置都有预测基因表达。随后作者做空间区域聚类，得到 11 类空间区域，并用 t-SNE、空间分布图和通路热图展示这些区域的差异。

这些虚拟空间信息还能继续连接临床。作者根据 11 类空间区域在每个患者中的比例，把乳腺癌分成增殖富集型、免疫调节型、免疫不活跃型等空间类型。结果发现，免疫不活跃型患者预后更差，并且在 METABRIC 队列中也能验证。

最后，作者还把它用于疗效预测。比如 HER2 不是只看平均表达，而是看高低表达区域在组织里如何分布。作者提出 SPAND 指标，衡量 HER2 局部空间异质性，用于预测曲妥珠单抗疗效。化疗预测中，11 类空间区域比例也能帮助判断病理完全缓解。

这篇文章的启发很直接：普通 H&E 切片不只是诊断图片，借助 AI 和公开空间数据，也可以转化成可分析的“虚拟空间组学”，继续做分型、预后和疗效预测。