化学、生物与自动化实验室
突破级
暂无讲解视频
收录解读
Path2Space 针对 spatial transcriptomics 的核心瓶颈：ST assay 成本高，难以在大规模临床队列中用于 biomarker discovery。
方法训练深度学习模型从常规病理切片直接预测空间基因表达，在乳腺癌 ST 数据上学习后可预测数千个基因的空间表达，并优于 21 个既有方法。
论文将模型应用到 976 个 TCGA 乳腺癌样本，推断肿瘤微环境细胞丰度，识别具有不同生存结局的空间亚型，并比 bulk sequencing biomarker 更好预测化疗和 trastuzumab 响应。
它值得正式收录，因为它把 AI 从病理图像分类推进到低成本替代空间分子测量的发现工作流，直接改变大队列空间 biomarker discovery 的可行性。