IF58.7｜AI从H&E病理切片预测空间蛋白质组并发现肺癌预后与免疫治疗新标志物

HEX模型将常规病理切片转化为虚拟空间蛋白质组，多模态整合提升肺癌预后和免疫治疗预测。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

空间蛋白质组学能够以高分辨率绘制组织内蛋白质表达的空间分布，为理解疾病机制和发现生物标志物提供了强大工具。然而，其临床转化面临成本高、流程复杂和难以大规模应用等挑战。常规H&E染色病理切片是临床常规保存的组织样本，包含丰富的形态学信息，但缺乏分子层面的蛋白质表达数据。近年来，深度学习模型已能从H&E图像预测基因表达或突变，但预测空间蛋白质组仍处于起步阶段。肺癌是全球癌症死亡的主要原因，非小细胞肺癌（NSCLC）的预后评估和免疫治疗反应预测仍需要更精准的生物标志物。

科学问题

卡在哪里： 现有从H&E图像预测分子特征的方法主要针对基因表达或特定突变，对空间蛋白质组的预测能力有限，且缺乏大规模配对训练数据。此外，如何将AI预测的虚拟空间蛋白质组与原始H&E图像有效整合以提升临床预测性能，并从中提取可解释的生物学标志物，仍是未解决的问题。

本文要回答： 本文旨在开发一个AI模型（HEX），从常规H&E染色病理切片中预测空间蛋白质组，并验证其在肺癌预后和免疫治疗反应预测中的价值，同时揭示预测背后的空间肿瘤免疫微环境特征。

技术路线

作者主要用了：深度学习、空间蛋白质组学、多模态数据整合、生存分析、免疫治疗反应预测。

作者首先收集了382个肿瘤样本的H&E图像和匹配的空间蛋白质组数据（通过成像质谱流式技术获得），将图像切割成819,000个tile用于训练HEX模型，预测40种蛋白质的表达。然后，在六个独立NSCLC队列（共2,298名患者）中验证HEX的泛化能力，并将HEX预测的虚拟空间蛋白质组与原始H&E图像整合，构建多模态预后和免疫治疗反应预测模型。最后，通过分析预测的蛋白质空间分布，识别与治疗反应相关的肿瘤免疫微环境特征。

核心亮点

亮点 1｜HEX准确预测40种蛋白质表达

HEX模型在819,000个图像tile上训练，能够从H&E染色图像预测40种蛋白质的表达，涵盖免疫、结构和功能相关标志物。与现有方法相比，HEX在预测准确性上表现出显著优势，证明了从常规病理切片推断空间蛋白质组的可行性。

亮点 2｜多模态整合提升预后预测

将HEX预测的虚拟空间蛋白质组与原始H&E图像整合后，在六个独立NSCLC队列（共2,298名患者）中，预后预测准确性比传统临床病理和分子标志物提高了22%。这表明AI衍生的空间蛋白质特征能够补充现有预后信息。

亮点 3｜免疫治疗反应预测显著改善

HEX启用的多模态整合模型在预测免疫治疗反应方面，相比传统标志物提升了24-39%。这一提升在多个队列中一致，显示虚拟空间蛋白质组在指导免疫治疗决策中的潜力。

亮点 4｜发现空间肿瘤免疫微环境特征

生物学解释揭示了与治疗反应相关的空间组织模式：在响应者中，T辅助细胞与细胞毒性T细胞共定位；在非响应者中，免疫抑制性肿瘤相关巨噬细胞和中性粒细胞聚集。这些空间特征为理解免疫治疗反应机制提供了新见解。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 深度学习、空间蛋白质组学、多模态数据整合、生存分析、免疫治疗反应预测
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事数字病理、空间组学、肿瘤免疫和临床转化研究，关注AI驱动生物标志物发现的研究者。

带走一句

HEX展示了从常规病理切片中挖掘空间蛋白质组信息的可行性，多模态整合可显著提升临床预测性能，为低成本、可扩展的空间生物学研究和生物标志物发现提供了新范式。