1. 空间组学临床应用面临通量限制空间蛋白组和空间转录组能够在组织原位解析细胞组成、分子表型和空间关系但高维空间实验通常存在成本较高、流程复杂和样本通量有限等问题。临床病理积累了大量HE切片这类样本获取方便、成本相对较低却无法直接呈现蛋白表达、细胞功能和空间邻域信息。如何将空间组学的分析深度与常规病理的大样本优势结合是医学转化研究需要解决的重要问题。近期《Cell》期刊发表了一篇题为“Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology”的重磅研究论文。该研究构建的CANVAS(cellular architecture and neighborhood-informed virtual AI-driven spatial profiling)采用“空间组学深度发现—人工智能规模化预测”的技术路线先利用PCF(CODEX)建立空间生物学标准再将相关规律应用于大量HE病理样本。2. PCF构建高维空间单细胞图谱PCF(CODEX)是一种组织原位空间蛋白组学和超多重蛋白成像技术能够同时检测多种蛋白并在单细胞水平保存组织位置和细胞邻近关系。研究使用457名非小细胞肺癌患者的FFPE样本包括TMA和全片切片并通过41-Plex Panel构建空间单细胞蛋白组图谱。Panel覆盖PanCK、E-cadherin、EpCAM等肿瘤指标CD8、CD3e、CD20、CD4、Granzyme-B、FOXP3和TCF-1等淋巴细胞指标以及CD163、CD11c、CD66b、CD14、MPO和CD68等髓系细胞指标。此外研究还检测了PD-1、PD-L1、LAG3、ICOS、CD40、VISTA、HLA-A、HLA-E、HLA-DR、FAP、α-SMA、CD31、Collagen-IV、CD44、HIF1α、MMP9、Ki-67和Bcl-2等标志物从而同时分析免疫检查点、抗原呈递、基质结构、血管、缺氧、增殖和细胞生存状态。3. 细胞邻域和屏障评分解释组织微环境通过对超过1800万个单细胞进行分析研究人员识别出10类跨癌种相对保守的细胞邻域包括肿瘤核心、巨噬细胞富集生态位、B细胞生态位、基质纤维化枢纽、浆细胞富集区、中性粒细胞富集区、肿瘤—免疫界面、T细胞富集区、全免疫激活区和脉管系统生态位。细胞邻域将细胞类型、空间位置和邻近关系整合为具有功能意义的组织结构。研究还引入屏障评分利用最短空间路径算法量化CAF等基质细胞对细胞接触的阻碍程度。例如当CAF分布在细胞毒性T细胞与增殖肿瘤细胞之间时可能形成空间屏障减少免疫细胞直接接触肿瘤细胞的机会。细胞邻域和屏障评分共同说明组织微环境研究不能只关注细胞数量还需要分析细胞在组织中的空间位置、相互距离和拓扑结构。4. AI将空间蛋白信息映射到HE图像CANVAS以MUSK基础大模型为技术骨架。MUSK在超过5000万张病理图像上完成预训练能够从不同染色和组织形态中提取稳定特征。研究将PCF(CODEX)蛋白信号与HE图像进行单细胞级坐标配准使AI模型能够学习细胞形态、蛋白表型和空间邻域之间的对应关系。与此同时空间转录组被用于验证CANVAS预测的细胞邻域是否具有一致的基因表达基础。在这一多模态框架中PCF(CODEX)负责提供空间蛋白和细胞功能信息空间转录组负责转录层面的正交验证人工智能则将高维空间规律转化为可在常规HE切片中预测的虚拟空间特征。5. 从空间发现走向群体规模验证CANVAS最终生成262个多尺度空间特征覆盖组成、多样性、分散度、交互频率、距离和拓扑转换六个维度。通过LASSO-Cox模型进一步筛选后研究获得13个关键特征其中包括H08和H03的协同空间定殖。在免疫检查点阻断治疗队列中模型预测6个月、12个月和24个月无进展生存期的AUC分别为0.75、0.73和0.71优于TMB和PD-L1等传统指标。在Cancer Moonshot Biobank的40例外部验证队列中该空间签名仍然能够识别可能从治疗中获益的患者。研究随后将AI模型应用于5000余例患者的HE队列实现空间生物学信息的群体规模分析。PCF(CODEX)负责发现高深度组织微环境规律空间转录组提供分子验证人工智能则扩大样本覆盖范围。这一技术组合为组织原位空间蛋白组学、人工智能病理和医学转化研究之间建立了可执行的连接路径。【本文说明】本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议、疗效预测、用药指导或临床决策。文中提及研究发现均来自学术文献相关分析结果需结合更多实验和研究进一步观察与复核不构成任何医疗意见。【参考文献】Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology.Cell. 2026;189(14):4241-4259.e9. doi:10.1016/j.cell.2026.05.031
1. 空间组学临床应用面临通量限制空间蛋白组和空间转录组能够在组织原位解析细胞组成、分子表型和空间关系但高维空间实验通常存在成本较高、流程复杂和样本通量有限等问题。临床病理积累了大量HE切片这类样本获取方便、成本相对较低却无法直接呈现蛋白表达、细胞功能和空间邻域信息。如何将空间组学的分析深度与常规病理的大样本优势结合是医学转化研究需要解决的重要问题。近期《Cell》期刊发表了一篇题为“Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology”的重磅研究论文。该研究构建的CANVAS(cellular architecture and neighborhood-informed virtual AI-driven spatial profiling)采用“空间组学深度发现—人工智能规模化预测”的技术路线先利用PCF(CODEX)建立空间生物学标准再将相关规律应用于大量HE病理样本。2. PCF构建高维空间单细胞图谱PCF(CODEX)是一种组织原位空间蛋白组学和超多重蛋白成像技术能够同时检测多种蛋白并在单细胞水平保存组织位置和细胞邻近关系。研究使用457名非小细胞肺癌患者的FFPE样本包括TMA和全片切片并通过41-Plex Panel构建空间单细胞蛋白组图谱。Panel覆盖PanCK、E-cadherin、EpCAM等肿瘤指标CD8、CD3e、CD20、CD4、Granzyme-B、FOXP3和TCF-1等淋巴细胞指标以及CD163、CD11c、CD66b、CD14、MPO和CD68等髓系细胞指标。此外研究还检测了PD-1、PD-L1、LAG3、ICOS、CD40、VISTA、HLA-A、HLA-E、HLA-DR、FAP、α-SMA、CD31、Collagen-IV、CD44、HIF1α、MMP9、Ki-67和Bcl-2等标志物从而同时分析免疫检查点、抗原呈递、基质结构、血管、缺氧、增殖和细胞生存状态。3. 细胞邻域和屏障评分解释组织微环境通过对超过1800万个单细胞进行分析研究人员识别出10类跨癌种相对保守的细胞邻域包括肿瘤核心、巨噬细胞富集生态位、B细胞生态位、基质纤维化枢纽、浆细胞富集区、中性粒细胞富集区、肿瘤—免疫界面、T细胞富集区、全免疫激活区和脉管系统生态位。细胞邻域将细胞类型、空间位置和邻近关系整合为具有功能意义的组织结构。研究还引入屏障评分利用最短空间路径算法量化CAF等基质细胞对细胞接触的阻碍程度。例如当CAF分布在细胞毒性T细胞与增殖肿瘤细胞之间时可能形成空间屏障减少免疫细胞直接接触肿瘤细胞的机会。细胞邻域和屏障评分共同说明组织微环境研究不能只关注细胞数量还需要分析细胞在组织中的空间位置、相互距离和拓扑结构。4. AI将空间蛋白信息映射到HE图像CANVAS以MUSK基础大模型为技术骨架。MUSK在超过5000万张病理图像上完成预训练能够从不同染色和组织形态中提取稳定特征。研究将PCF(CODEX)蛋白信号与HE图像进行单细胞级坐标配准使AI模型能够学习细胞形态、蛋白表型和空间邻域之间的对应关系。与此同时空间转录组被用于验证CANVAS预测的细胞邻域是否具有一致的基因表达基础。在这一多模态框架中PCF(CODEX)负责提供空间蛋白和细胞功能信息空间转录组负责转录层面的正交验证人工智能则将高维空间规律转化为可在常规HE切片中预测的虚拟空间特征。5. 从空间发现走向群体规模验证CANVAS最终生成262个多尺度空间特征覆盖组成、多样性、分散度、交互频率、距离和拓扑转换六个维度。通过LASSO-Cox模型进一步筛选后研究获得13个关键特征其中包括H08和H03的协同空间定殖。在免疫检查点阻断治疗队列中模型预测6个月、12个月和24个月无进展生存期的AUC分别为0.75、0.73和0.71优于TMB和PD-L1等传统指标。在Cancer Moonshot Biobank的40例外部验证队列中该空间签名仍然能够识别可能从治疗中获益的患者。研究随后将AI模型应用于5000余例患者的HE队列实现空间生物学信息的群体规模分析。PCF(CODEX)负责发现高深度组织微环境规律空间转录组提供分子验证人工智能则扩大样本覆盖范围。这一技术组合为组织原位空间蛋白组学、人工智能病理和医学转化研究之间建立了可执行的连接路径。【本文说明】本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议、疗效预测、用药指导或临床决策。文中提及研究发现均来自学术文献相关分析结果需结合更多实验和研究进一步观察与复核不构成任何医疗意见。【参考文献】Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology.Cell. 2026;189(14):4241-4259.e9. doi:10.1016/j.cell.2026.05.031
 的选择与 Cube Bound 达成分析)
