AI将普通病理切片转化为肿瘤免疫图谱

快速阅读: 据悉，《细胞》期刊发表研究显示，AI框架GigaTIME能将常规H&E染色切片转化为虚拟多重蛋白图谱，覆盖24种癌症，显著优于现有方法，有望推动肿瘤微环境大规模建模与精准治疗。

日前，国际学术期刊《细胞》发表一项重要研究成果，介绍了一种名为GigaTIME的多模态人工智能框架，可将常规苏木精-伊红（H&E）染色病理切片转化为虚拟多重蛋白图谱，为肿瘤微环境大规模建模提供新路径。

肿瘤免疫微环境（TIME）由癌细胞、免疫细胞、成纤维细胞等多种成分构成，其复杂空间结构深刻影响肿瘤进展、转移及治疗反应。传统免疫组化技术难以同步检测多种蛋白，而多重免疫荧光（mIF）虽能保留空间信息，却因成本高、流程复杂，难以在大样本研究中普及。相比之下，H&E染色广泛应用于临床，成本低廉，但无法直接反映蛋白活性状态。

GigaTIME通过深度学习，从400余张配对的H&E与mIF图像中训练出模型，成功生成覆盖24种癌症、306个亚型的近30万张虚拟mIF图像，涵盖来自51家医院的14,256例全切片样本。研究团队不仅构建了全面的TIME图谱，还发现1,234项临床生物标志物与蛋白通道之间的显著关联。此外，该模型在TCGA数据库的10,200例肿瘤样本中同样表现稳健，验证了其泛化能力。

研究人员还引入空间指标如熵值、锐度等，部分指标比单纯蛋白密度更能预测临床特征。在与现有方法CycleGAN的对比中，GigaTIME在21种蛋白通道中的15种上表现更优，凸显其技术优势。该成果有望推动精准肿瘤学向数据驱动、规模化方向发展。

日前，一项发表于《细胞》期刊的研究显示，人工智能模型GigaTIME在肿瘤微环境建模方面取得重要进展。该模型通过常规苏木精-伊红（H&E）染色切片，成功实现对多种癌症类型中蛋白质空间表达的高精度虚拟推断，展现出良好的泛化能力。

研究团队在未参与训练的乳腺癌和脑瘤组织芯片上对GigaTIME进行测试，结果显示其在Dice评分和相关性指标上均优于CycleGAN等现有方法。分层分析表明，核蛋白的翻译质量普遍高于膜蛋白或胞质蛋白，这可能源于其结构更清晰、边界更明确。部分胞质与膜蛋白因形态信息有限，难以仅凭H&E图像准确还原，反映出该技术存在生物学层面的固有局限。

GigaTIME还揭示了与肿瘤侵袭相关的多蛋白激活模式。在泛癌分析中，晚期肿瘤表现出PD-L1虚拟激活增强及复杂的免疫信号网络；随着疾病进展，非PD-L1依赖的免疫逃逸机制逐渐占据主导，如预测的cleaved caspase-3表达下降，提示肿瘤可能逃避免疫诱导的细胞凋亡。此外，多种免疫细胞标志物的虚拟激活呈高度相关，支持联合靶向多种免疫细胞的治疗策略。

该研究基于迄今最大规模的虚拟多重免疫荧光（mIF）关联分析，有望推动空间蛋白组学在临床和科研中的普及应用。不过，研究样本主要来自美国西部，地理与族裔多样性有待提升。研究人员正致力于扩展蛋白通道数量、构建虚拟mIF图谱，并整合细胞分割模型，以深入解析肿瘤微环境中的细胞互作机制。

(以上内容均由Ai生成)