肿瘤并非均质组织，不同区域的癌细胞基因表达差异很大（即“空间异质性”），这影响肿瘤的生长、转移和对治疗的反应。传统空间基因表达谱分析（如10x Visium）需要对切片进行测序，耗时长（数周）、成本高（数千美元），难以大规模应用。

由Cedars-Sinai健康科学大学的研究人员领导的一个团队，创造了一种更快、更便宜的方法来确定癌性肿瘤中表达的基因。这种基于AI的工具（在《Cell》期刊中描述）可以使更多患者获得个性化癌症治疗。

这种名为Path2Space的新工具，基于活检切片的数字图像预测整个肿瘤区域的基因表达——活检切片是含有肿瘤组织薄片的样本，可在显微镜下检查。

由于肿瘤在不同区域的组成和基因表达并不相同，Path2Space预测的是所谓的“空间”基因表达，在肿瘤内许多不同点对其进行估计。整个过程只需几分钟，成本显著低于传统的空间基因表达谱分析（后者通常需要数周时间并花费数千美元）。

“这个工具有两大贡献，”该研究的资深作者、Cedars-Sinai转化研究所副主任Eytan Ruppin医学博士、哲学博士说。“它将使我们和其他人能够研究更大的数据集并理解肿瘤的空间结构。但真正激励我的是，如果我们能在临床试验中成功验证该工具，它可能会改善患者的癌症治疗。”

研究人员使用一大组乳腺癌患者的数据（既有活检切片又有空间测序数据）来“训练”Path2Space。然后，他们在另外三个患者数据集上测试了该工具，以验证其性能。

“对于每个样本，我们查看了实际测量到的基因表达，并与我们工具的预测进行比较，”该研究的共同第一作者、国家癌症研究所研究员、即将加入Ruppin实验室作为研究科学家的Eldad Shulman博士说。“对于每个样本，我们预测了近5000个基因的空间表达，这些预测在所有三个患者组中都与测量的表达很好地匹配。”

Path2Space还旨在帮助科学家发现新的生物标志物，这些标志物可以指导治疗决策并识别出预后较差的高风险患者。

“该工具查看肿瘤内的特征，例如某个基因在肿瘤的某些区域表达而在其他区域不表达，”该研究的共同第一作者、Ruppin实验室研究员Emma Campagnolo说。“我们发现了肿瘤中基因活性的特定空间模式，这些模式可以预测患者对治疗的反应。”

Shulman说，识别空间生物标志物具有挑战性，因为传统空间谱分析的高成本意味着可用的数据非常少。

“在我们开发Path2Space之前，我们能找到的用于研究肿瘤环境空间组织的最大队列大约有30名患者，”Shulman说。“有了这个工具，我们可以研究来自数千名患者的切片。Path2Space正在以一种直到现在都还不可能的方式，挖掘空间生物学的潜力。”

Campagnolo说，一旦在正确的数据上进行训练，Path2Space可以应用于其他癌症类型，并且该实验室正在最终确定一项将其应用于头颈癌的研究。该团队还在努力使该工具更精确。它目前同时查看10到20个细胞的群体，目标是最终能够评估单个细胞。

“在临床合作者的帮助下，我们接下来希望将Path2Space带入临床试验，”Ruppin说。“它代表了一个发展中的领域中令人兴奋的进展，必须经过仔细测试。但我们希望它能为科学和患者护理做出有影响力的贡献。”（生物谷Bioon.com）

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.