肿瘤并非由单一克隆细胞构成的“铁板一块”，其内部复杂的基因表达异质性（Heterogeneity）是导致临床耐药与治疗失败的关键。近年来兴的空间转录组学（Spatial transcriptomics）虽能精准描绘肿瘤内部的基因地图，但数周的测序周期与动辄数千美元的高昂成本，让这项前沿技术长期局限于少数实验室，难以普惠大众。
近日，洛杉矶西达赛奈医疗中心（Cedars-Sinai）转化研究学研究所与美国国家癌症研究所（NCI）等机构的联合研究团队，在国际顶级学术期刊《细胞》（Cell）上发表重磅成果。他们开发出一种名为 Path2Space 的人工智能架构，能够直接基于常规的数字化肿瘤活检病理切片，在几分钟内高准确度地虚拟重构出整个肿瘤区域内的空间基因表达谱，为个性化精准医疗的低成本普及带来了突破性转机。
核心突破：让常规彩色切片蕴含“测序密码”
在临床肿瘤诊断中，将切除的肿瘤组织制成薄片、染色并进行形态学观察，是沿用百年的病理学“金标准”。
由 Eytan Ruppin 博士领导的研究团队另辟蹊径，试图通过深度学习算法，挖掘这些看似普通的 H&E 染色病理图像中隐藏的微观空间线索。研究人员利用一个大型乳腺癌患者队列数据对 Path2Space 进行了严格的“对齐训练”。该队列的特殊之处在于，每位患者都同时拥有数字化病理切片图像以及高精度的空间转录组测序数据。
通过海量多模态数据的交叉学习，AI 学会了通过细胞核形态、浸润排布以及间质微环境的细微特征，来逆向“解密”其背后的基因表达活性。在随后针对三个独立患者数据集的验证中，Path2Space 成功预测了每份样本中多达 5000 个基因的空间表达丰度，其预测图谱与真实的物理测序结果高度吻合。
范式转移：数据规模从“数十例”跨越至“成千上万例”
“在开发出 Path2Space 之前，受制于空间测序极端的成本瓶颈，全球学术界能够找到的、用于系统研究肿瘤微环境空间架构的最大队列，也不过 30 例左右。”论文共同第一作者、美国国家癌症研究所研究员 Eldad Shulman 博士指出。
这种“数据荒”严重制约了空间生物学（Spatial biology）向临床转化的进程。而 Path2Space 的问世，彻底打破了这一科学界公认的瓶颈。它允许科研人员直接调取医院病理科现存的、成千上万名患者的常规切片进行“数字化虚拟空间测序”。这一突破将空间生物学的研究样本量瞬间提升了数个数量级，真正释放了医学大数据在解析肿瘤三维结构方面的潜能。
机制解码：精准提炼空间生物标志物
除了极速、廉价地重构空间图谱，Path2Space 的另一大核心竞争力在于能够精准识别全新的空间生物标志物（Spatial biomarkers）。
论文共同第一作者 Emma Campagnolo 表示，该工具能够敏锐地捕捉到基因在肿瘤不同空间解剖区域的活跃差异。研究团队通过这些特定的空间基因活性模式，已经能够成功预测不同患者对特定靶向或免疫治疗方案的敏感性与耐药风险。这对于临床上精准筛选放化疗或免疫治疗的获益人群具有重要的指导价值。
展望：泛癌种应用与单细胞级演进
目前，Path2Space 的空间评估精细度已达到同时透视 10 至 20 个细胞集群的微米级水平。研究团队透露，他们正在对算法进行底层迭代，未来的终极目标是实现单细胞分辨率（Single-cell resolution）的虚拟空间预测。
此外，该算法框架具备极佳的泛癌种迁移能力。团队针对头颈部癌症（Head and neck cancer）的测试研究已接近尾声。资深作者 Eytan Ruppin 教授强调，团队目前正积极与跨医院的临床团队开展跨界合作，推动 Path2Space 尽快进入前瞻性临床试验（Clinical trials）。这一人工智能驱动的“虚拟空间测序”技术，有望在不久的将来成为医院病理科的标配，让个性化医疗成为触手可及的现实。
参考文献：Eldad D. Shulman et al, AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology, Cell (2026). DOI: 10.1016/j.cell.2026.04.023
编辑：王洪
排版：李丽
评论 (0)