跳到正文
Nature Cancer· Jiansong Fan; Sen Yang; Erqiang Hu; Jianhong An; Qiang Liu; Naijia Liu; Mingwei Ma; Michael Prystowsky; Tianxu Lv; Si Yong Yeo; Yuting Ren; Yuan Liu; Lihua Li; Yuan Li; Qi Sun; Pengjiang Qian; Le Lu; Wenjun Deng; Xiang Pan; Shanye Yin·· 来源仅提供日期精选AI 评分72

Hist2Prot 框架从组织学推断单细胞空间蛋白质组,用于预测生物标志物与临床结局

The deep learning framework Hist2Prot infers single-cell spatial proteomics from histology to predict biomarkers and clinical outcomes

AI 导读

研究团队提出深度学习框架 Hist2Prot,可从常规 H&E 组织学图像生成单细胞空间蛋白质组图谱。该框架在约 5100 万个同切片 G4X 配对细胞上训练,并在约 7200 万个额外细胞及 7 个独立队列的 1,774 名患者中评估,生成的虚拟蛋白质组保留免疫、基质和肿瘤细胞表型。虚拟空间蛋白质组相较仅用 H&E 形态提升了分子生物标志物、预后和免疫治疗反应预测。

推荐理由

该框架用常规 H&E 切片生成单细胞空间蛋白图谱,并在 1,774 名患者队列中评估生物标志物与免疫治疗反应预测。

已发表论文 · journal · 10.1038/s43018-026-01270-8

本站摘要基于收录版本 v1(2026-11-14),原始摘要与 AI 导读固定保留。

IF(5) 31.2 · 2025 · 期刊参考指标

摘要 · AI 翻译

空间蛋白质组学能够实现肿瘤微环境中蛋白质表达的高分辨率绘制,但其常规临床应用仍受限于成本、技术复杂性和组织覆盖范围有限。在此,我们提出 Hist2Prot,一个深度学习框架,可从常规苏木精-伊红(H&E)组织学图像生成单细胞空间蛋白质组学谱。Hist2Prot 在来自同一张切片的 G4X 空间蛋白质组学数据集上约 5100 万个配对细胞上进行训练,并在内部测试队列、独立的同平台 G4X 队列以及包含约 7200 万个额外细胞的外部跨平台数据集中进行了评估,结果显示其与实测蛋白质谱具有良好的一致性,并优于已有的基线方法。Hist2Prot 推导出的虚拟蛋白质保留了免疫、基质和肿瘤细胞的表型,并重现了具有临床意义的肿瘤微环境组织结构。在涵盖 1,774 名患者的七个独立患者队列中,虚拟空间蛋白质组学在仅凭苏木精-伊红形态学的基础上,进一步提升了分子生物标志物、预后和免疫治疗反应的预测能力。Hist2Prot 使得从常规组织学图像中进行可扩展的单细胞计算空间蛋白质组学分析成为可能,助力精准肿瘤学。

来源:Nature Cancer · doi.org