1. 单一病理形态难以解释分子功能
H&E病理切片能够清晰呈现细胞形态和组织结构，是临床病理分析的重要基础。但相似的形态可能对应不同的蛋白表型和免疫状态，仅依靠图像特征难以准确判断细胞功能、信号通路及组织微环境中的空间互作。
空间转录组能够检测不同组织区域的RNA表达，空间蛋白组则可以直接分析蛋白表型和细胞功能。人工智能若要从常规病理图像中推断空间生物学信息，需要同时获得形态、转录、蛋白和空间坐标等多模态数据支持。
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)平台正是基于这一逻辑，将H&E病理、PCF(CODEX)空间单细胞蛋白组、空间转录组和人工智能基础大模型整合到同一研究体系中。
2. PCF ( CODEX ) 建立空间蛋白组训练标准
PCF(CODEX)属于组织原位空间蛋白组学和超多重蛋白成像技术。它能够在保持组织结构的情况下检测多种蛋白，并对每个细胞进行空间定位。
研究人员利用PCF(CODEX)分析超过1800万个单细胞，并识别出10种跨癌种保守的细胞邻域。其中包括肿瘤核心、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。
这些细胞邻域同时包含细胞组成和空间结构信息，因此比单个蛋白更适合作为AI模型的训练目标。PCF在整个分析流程中承担了空间蛋白标准的作用，使模型学习到的病理形态能够对应明确的细胞身份和功能状态。
3. MUSK实现H&E与PCF ( CODEX ) 单细胞配准
CANVAS采用MUSK作为基础大模型。MUSK使用超过5000万张病理图像进行预训练，具有较强的病理形态特征提取和跨样本适应能力。
在模型训练过程中，研究人员将H&E图像和PCF(CODEX)蛋白信号进行单细胞级坐标配准，使一个细胞在病理图像中的核形态、排列方式和组织位置能够与其蛋白表达结果对应。AI模型因此不再只学习病理图像与疾病标签之间的关系，而是学习形态、蛋白表型和空间结构之间的映射。
研究还基于PCF(CODEX)坐标引入屏障评分，使用最短空间路径算法分析CAF等基质细胞是否阻隔细胞毒性T细胞与增殖肿瘤细胞接触。这一指标补充了细胞邻域分析，使AI模型能够进一步捕捉组织微环境中的空间阻隔关系。
4. 空间转录组完成独立验证
为了确认CANVAS预测的细胞邻域并非单纯的图像纹理，研究进一步使用空间转录组进行正交验证。空间转录组用于判断由H&E形态推断得到的区域，是否在RNA表达层面具有相应的细胞组成和功能特征。
验证结果支持CANVAS生成的细胞邻域具有转录层面的一致性。在该技术体系中，PCF(CODEX)直接检测蛋白表达和细胞功能，空间转录组提供独立的转录验证，H&E呈现组织形态，人工智能则完成不同模态之间的映射和规模化预测。
该研究使用457名非小细胞肺癌患者的FFPE样本和41-Plex Panel进行模型构建。Panel覆盖肿瘤、淋巴、髓系、免疫检查点、MHC、基质、血管、缺氧、增殖和细胞生存等多个维度，为多模态分析提供了完整的空间蛋白数据。
5. 多模态空间签名预测免疫治疗响应
CANVAS将虚拟空间分析结果转换为262个多尺度特征，分别覆盖细胞组成、多样性、分散度、交互频率、空间距离和拓扑转换六个维度。研究随后使用LASSO-Cox模型筛选出13个关键特征，其中包括H08与H03的协同空间定殖。
在免疫检查点阻断治疗队列中，该模型预测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，预测效果优于TMB和PD-L1等传统指标。模型还在Cancer Moonshot Biobank的40例独立队列中完成外部验证，并识别出可能从免疫治疗中获益的患者。
最终，研究将PCF(CODEX)和空间转录组建立的生物学规律迁移至5000余例患者的H&E队列中。该结果说明，空间转录组、空间蛋白组和AI并不是相互替代的技术，而是在多模态病理研究中分别承担转录验证、蛋白解析和规模化应用功能。
【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