在对抗乳腺癌的战争中，病理科医生在显微镜下观察的苏木精-伊红染色切片，是诊断的“金标准”。

然而，这片看似静态的图像背后，隐藏着决定治疗成败的复杂空间信息：哪些区域的癌细胞更具攻击性？免疫细胞分布在何处？它们之间如何“对话”？空间转录组学技术能回答这些问题，绘制出肿瘤的“分子地图”，但其高昂成本和复杂性使其难以用于常规临床。

2026年5月8日，美国国家癌症研究所Eytan Ruppin团队在Cell 在线发表题为AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology的研究论文。

该研究开发了一个名为 “Path2Space” 的深度学习模型，能够像“透视眼”一样，仅凭一张普通的H&E病理切片，就能精准预测出肿瘤内部数千个基因的空间表达图谱，其预测的治疗反应甚至优于昂贵的全转录组测序。

困境：看得见结构，看不见“对话”

传统的H&E切片揭示了细胞形态和组织结构，但无法显示基因活动和细胞间信号。空间转录组学能绘制基因表达的精细位置图，是理解肿瘤异质性和微环境互作的关键，但每次检测需数千美元，且流程复杂，无法用于大规模临床分析和回顾性研究。

突破：训练AI成为“分子翻译官”

为了破解这一困境，研究团队开发了Path2Space模型。其核心思路是：用大量已配对的乳腺癌H&E图像和空间转录组数据来训练一个深度学习神经网络。模型通过学习，掌握了从图像中的细微纹理、细胞排列和区域特征，到其背后复杂分子表达模式之间的隐秘对应关系。经过训练后，Path2Space面对一张全新的、从未见过的H&E切片，就能直接推断出其上每个微小区域可能存在的基因表达情况，生成一张预测的“空间转录组图谱”。

文章模式图（图源自Cell）

验证：不仅预测图谱，更能指导临床

研究对Path2Space进行了多维度严格验证：

1.预测精准：在独立测试集上，Path2Space对数千个基因空间表达模式的预测准确性，显著优于其他21种现有方法。

2.解析微环境：基于预测的图谱，模型能准确推断出肿瘤中各种免疫细胞、基质细胞的空间分布和丰度，成功描绘出肿瘤微环境的“作战地图”。

3.发现新分型：当应用于癌症基因组图谱中近千例乳腺癌样本时，Path2Space根据预测的空间特征，识别出三种具有显著不同预后的新型乳腺癌“空间亚型”，这超越了传统的分子分型。

核心应用：低成本、高精度的疗效预测

最具颠覆性的发现在于治疗预测。在四个接受曲妥珠单抗治疗和三个接受化疗的独立乳腺癌患者队列中，研究人员仅使用这些患者存档的H&E切片，通过Path2Space模型生成预测的空间图谱。基于此图谱提取的生物标志物，在预测患者治疗反应方面，达到了与昂贵且耗时的真实RNA测序相当甚至更高的准确度。

这意味着，未来临床医生或许无需等待数周、花费高昂进行基因检测，仅通过分析常规病理切片，就能快速、低成本地判断患者对特定治疗方案的可能疗效。

意义与展望：推开精准医疗的另一扇门

Path2Space的诞生具有重要意义：

1.技术范式革新：它将计算病理学推向了新高度，使每一张存档的海量病理切片都成为待挖掘的“分子数据金矿”，为回顾性研究带来无限可能。

2.临床转化捷径：为生物标志物发现和个性化治疗预测提供了极其可扩展、低成本的解决方案，极大地降低了精准医疗的门槛。

3.平台潜力巨大：该框架不仅限于乳腺癌，原则上可推广至几乎所有实体瘤，有望彻底改变我们对肿瘤空间生物学的研究方式和临床决策流程。

总之，Path2Space如同一把神奇的钥匙，解锁了隐藏在常规病理切片深处的空间分子信息。它预示着，未来癌症的诊疗，或许将从一副显微镜、一张切片和一个人工智能模型开始。

参考消息：https://www.cell.com/cell/abstract/S0092-8674(26)00458-7