夜雨聆风编辑导读
病理切片告诉我们组织“长什么样”，空间转录组告诉我们组织里不同位置“表达什么基因”。
问题是：空间转录组很贵，不可能像 H&E 病理切片一样大规模铺开。
所以最近一批研究都在追一个方向：
“能不能只用常规病理图像，预测出背后的空间基因表达？
这篇 Nature Computational Science 论文提出了一个新框架：HESpotEx。
它的目标不是简单判断“这是不是癌”，而是更进一步：从 H&E 图像预测每个空间采样点，也就是 spot 级别的基因表达模式。
一句话概括这篇文章：
HESpotEx 试图把普通病理切片变成低成本的空间分子图谱入口，让组织形态和空间基因表达之间建立更直接的桥。
图 1：HESpotEx 到底怎么“翻译”病理图像？
先看一句话：
HESpotEx 的关键不是单一路径看图，而是用“双流”把图像特征和真实空间表达特征对齐。
图 1 是整篇文章的核心架构图。
它分成两个阶段：
第一阶段，模型先学习真实空间转录组数据。空间表达谱被送入图注意力自编码器，得到每个 spot 的表达嵌入。
第二阶段，模型处理 H&E 图像。每个 spot 对应的图像 patch 经过预训练病理图像模型 Quilt-Net 提取特征，再与表达嵌入对齐。
最后，模型用 GCN 解码器整合相邻 spot 的图像信息，预测每个 spot 的基因表达，并用细胞核数量做后处理修正。
通俗理解：
HESpotEx 不是只看一个小图块就下结论，而是同时考虑这个图块本身、它周围的空间邻居，以及这个位置大概有多少细胞。
重点
读图重点：HESpotEx 的“spot 级预测”依赖三个核心组件：图像基础模型、图结构邻域信息、细胞核数量校正。
图 2：在乳腺癌数据里，它比已有方法强在哪里？
模型架构再漂亮，最终还是要看预测准不准。
图 2 回答的是：
HESpotEx 在乳腺癌空间转录组数据上，是否真的比已有方法更稳？
作者首先在 HER2 阳性乳腺癌空间转录组数据中评估 HESpotEx，并与 OmiCLIP、IGI-DL、TCGN、mclSTExp、BLEEP、THItoGene、Hist2ST 等方法比较。
结果显示，HESpotEx 在多个指标上表现更好：
在 HER2+ 数据集中，整体上有更高的 PCC 和更低的误差
在低表达基因上，也显示出更好的鲁棒性
在外部乳腺癌数据集中，HESpotEx 的平均 PCC 为 0.24，高于第二名方法
对 33 个核心乳腺癌 driver genes，HESpotEx 也保持了较好的预测表现
图 2 还做了消融实验。结果说明，HESpotEx 的优势不是来自某一个小技巧，而是多个设计共同作用：
双流嵌入架构有帮助
Quilt-Net 作为图像编码器效果更好
细胞核数量后处理能提高预测
GCN 结合邻域信息也很重要
笔记
读图重点：HESpotEx 的卖点不只是“模型更复杂”，而是它把图像、空间邻域和表达嵌入一起纳入，提升了 spot 级预测稳定性。
图 3：不只癌症，炎症性皮肤病也能预测空间基因模式
很多病理 AI 模型在肿瘤里表现不错，但换到非肿瘤疾病就不一定。
图 3 的价值在于：
作者把 HESpotEx 放到了非传染性炎症性皮肤病数据里测试。
这里涉及三类皮肤病：
特应性皮炎
扁平苔藓
银屑病
作者关注的是已知疾病相关基因的空间表达，比如 OVOL1、IL16、OAS1 等。
这些基因不是随便挑的。它们与皮肤屏障、免疫炎症和疾病病灶区域有关，通常会在病理区域呈现更清楚的空间分布。
图 3 显示，HESpotEx 能较好恢复这些疾病相关基因在组织中的空间表达模式，并且相比其他方法更能捕捉病灶区域的空间差异。
重点
读图重点：HESpotEx 的潜在应用不局限于肿瘤。只要组织形态和分子表达之间存在可学习关系，它就可能用于更广泛的疾病图谱重建。
图 4：大规模 TCGA 中，预测表达还能关联预后
空间转录组数据通常样本少，TCGA 这类大队列则有大量 H&E 和 bulk RNA-seq。
图 4 做的是一次很实用的验证：
把 HESpotEx 用到 1,042 个 TCGA-BRCA 乳腺癌样本，看预测表达是否能对上 bulk RNA-seq，并进一步关联预后。
作者把每张切片切成图像块，预测每个区域的表达，然后汇总为患者层面的表达，与 TCGA 的 bulk RNA-seq 比较。
结果显示：
在 1,042 个 TCGA-BRCA 样本中，HESpotEx 的平均 PCC 达到 0.498
在 169 个 HER2+ 样本中，平均 PCC 达到 0.526
基于 HESpotEx 预测表达对 HER2+ 患者做无监督聚类，可以分成两个亚群
这两个亚群的总体生存存在差异，log-rank test P = 0.037
这说明，模型预测出来的表达信号不仅是“数学上像”，还可能包含与临床结局相关的生物信息。
但这里也要谨慎：这不是一个已经临床验证的预后工具，而是提示 H&E 预测表达可能用于大规模回顾性预后标志物发现。
笔记
读图重点：HESpotEx 把病理图像和大规模 bulk 队列连接起来，让很多没有空间转录组的历史样本也有机会被重新分析。
图 5：在真实 cSCC 病理样本中寻找分化、免疫和 NOTCH1 空间线索
图 5 更接近病理应用场景。
作者把 HESpotEx 用到内部收集的皮肤鳞状细胞癌 H&E 图像上，观察它是否能恢复与肿瘤分化和免疫浸润相关的空间模式。
这里有两个重点。
第一，HESpotEx 预测的空间模式能够和病理图像中的不同区域对应起来，提示它可以捕捉肿瘤异质性和分化相关结构。
第二，作者关注了 NOTCH1。NOTCH1 与皮肤鳞癌分化和肿瘤状态有关。图中可以看到，预测的 NOTCH1 表达图与组织区域差异有空间对应关系。
同时，作者还用 HoVer-Net 分割淋巴细胞，显示某些空间簇与淋巴细胞定位具有一致性。
重点
读图重点：HESpotEx 不只是输出一个整体分数，而是给出可以和病理区域对照的空间表达图，这对解释组织异质性很关键。
图 6：高分辨率空间数据里还能不能用？
最后一张图测试的是一个更前沿的问题：
当空间组学进入更高分辨率，HESpotEx 还能不能保持预测能力？
作者在结直肠癌 Xenium 数据中评估模型，并与多种 spot 级预测方法和分辨率增强方法比较。
结果显示，HESpotEx 在 PCC 和 MSE 等指标上仍然优于其他方法，并能较好预测与 CRC 相关的免疫标志物，例如 MMP2 的空间表达。
这很重要，因为空间组学技术正在从 Visium 这类 spot 级平台，走向更高分辨率甚至单细胞级平台。模型如果想长期有用，就必须适应更细粒度的数据。
不过论文也明确指出，HESpotEx 目前仍是 spot-level gene expression prediction 方法，并不是低分辨率到高分辨率的超分辨率增强工具。
笔记
读图重点：HESpotEx 在高分辨率数据上显示潜力，但它的定位仍是“同分辨率下的表达预测”，不是万能的空间超分辨工具。
这篇文章最值得记住的 5 个点
1HESpotEx 用双流架构把 H&E 图像和空间表达嵌入对齐。
2它能从 WSI 图像预测最多 5,457 个基因在 spot 层面的表达。
3在 HER2+ 乳腺癌、cSCC、炎症性皮肤病和 CRC 高分辨率数据中均进行了验证。
4在 TCGA-BRCA 中，预测表达能与 bulk RNA-seq 对齐，并提示 HER2+ 患者预后分层。
5它的价值在于扩大空间表达预测的应用场景，而不是完全替代真实空间转录组。
也要避免过度解读
这项研究很有潜力，但边界也很清楚。
第一，模型只能预测一部分基因。作者也指出，低表达、空间分布不明显或与形态弱相关的基因更难预测。
第二，模型依赖足够的训练数据。现实中很多空间组学数据没有高质量匹配的 WSI，这会限制模型迁移。
第三，HESpotEx 是 spot-level 预测工具，不是 bulk 表达预测工具，也不是空间超分辨率重建工具。
第四，TCGA 中的预后关联是回顾性分析，不能直接等同于临床可用的预后模型。
更稳妥的理解是：
HESpotEx 提供了一种把病理形态转译为空间表达线索的方法，适合用于机制探索、标志物筛选和历史样本重分析。
给研究者的后续方向建议
1. 建立更大规模的 H&E-ST 配对训练集
模型能学到多少，取决于有多少高质量配对数据。未来需要跨中心、跨平台、跨病种的标准化 H&E-ST 数据。
2. 明确哪些基因“可从形态预测”
并不是所有基因都能从图像里读出来。值得系统建立一个“形态可预测基因清单”，区分结构相关、细胞组成相关和真正难以预测的分子事件。
3. 把模型输出做成病理可解释图层
临床转化不能只给一个相关系数。更有价值的是把关键基因、细胞状态和空间簇叠加回 WSI，让病理医生能看到模型依据。
4. 在真实临床问题中做前瞻验证
例如预后分层、复发风险、治疗响应预测、分化程度判断等，都需要在预注册队列中验证，不能只停留在回顾性分析。
5. 与高分辨率空间组学和空间蛋白组整合
未来的关键不是只预测 mRNA，还要和蛋白、细胞互作、病理形态一起建模，形成更完整的组织空间解释体系。
最后一句
过去，病理切片主要被用来判断组织结构；空间转录组则用来解析分子空间分布。
HESpotEx 代表的方向，是把二者接起来：
让每一张普通 H&E 切片，不只被“看见”，也被重新“读出”空间分子信息。
这条路还没走完，但它正在让大量已有病理切片重新变得可计算、可挖掘、可解释。
联系我，帮你实现人生第一篇子刊!!!
