基于基础模型的病理图像空间转录组学生成方法FmH2ST：突破肿瘤异质性解析与基因调控网络推断的技术瓶颈

本研究针对空间转录组学(ST)数据成本高、组织切片间异质性(inter-slice heterogeneity)和切片内复杂关系(intra-slice complexity)解析不足等挑战，开发了基于基础模型的双分支框架FmH2ST。通过整合病理基础模型先验知识与局部斑点特征，结合多级特征提取和双图策略，显著提升了基因表达预测精度（PCC提升27-33%）。该方法不仅能有效去噪原始数据、揭示癌症空间异质性，还可支持基因共表达分析和调控网络(GRN)推断，为临床诊断和个性化治疗提供新工具。

　　

研究背景与意义

空间转录组学(Spatial Transcriptomics, ST)技术虽能同时保留基因表达信息和空间位置，但其高昂的成本和复杂的技术流程严重限制了临床应用。病理切片图像（如H&E染色）作为临床常规检测项目，蕴含着丰富的组织结构信息，如何从中预测空间基因表达成为突破ST技术瓶颈的新思路。然而现有方法面临三大困境：缺乏大规模病理数据预训练的先验知识、难以捕捉不同切片间的异质性(inter-slice heterogeneity)、对切片内复杂空间关系(intra-slice complexity)建模不足。这些缺陷导致预测结果在癌症空间异质性解析、基因共表达模式识别等关键应用场景中表现欠佳。

关键技术方法

研究团队开发了FmH2ST双分支框架：1）基础模型分支采用病理基础模型^①提取多级特征，通过空间图(spatial graph)和可学习特征图(feature graph)建模复杂关系；2）斑点特异性分支结合多尺度卷积、Transformer和图注意力网络(Graph Attention Network, GAT)提取局部特征。使用来自7例HER2+乳腺癌患者（32个切片）和4例皮肤鳞状细胞癌(cSCC)患者（12个切片）的ST数据进行留一法验证。

主要研究结果

1. FmH2ST实现空间基因表达精准预测

在HER2+和cSCC数据集上，FmH2ST的Pearson相关系数(PCC)分别比最优基线方法THItoGene提高33.8%和28.4%（图3）。特别在难例样本（如患者G的G1-G3切片）中，基础模型分支通过外部先验知识显著提升预测稳定性。

2. 双分支架构验证与技术突破

• •

  全局特征整合：通过t-SNE可视化证实，融合切片级全局特征后，不同切片斑点特征呈现更清晰的边界（图4B），解决了切片间异质性难题。

• •

  可学习特征图：图4C显示特征图能连接空间离散但生物学相似的斑点（红色节点），其基因表达PCC值显著高于随机配对（粉色虚线）。

3. 癌症相关基因与功能解析

预测最准确的基因（如FN1、SCD、FASN）均被报道与乳腺癌密切相关（图5）。GO分析显示TOP50基因显著富集于NADH相关酶（P=1.2×10^-8）和MHC蛋白复合体（P=3.4×10^-6），KEGG通路分析揭示Th1/Th2细胞分化等癌症相关通路（图6）。

4. 空间域重建与表达去噪

在病理标注的6个切片中，FmH2ST聚类结果与金标准的一致性(ARI)比原始数据提高22%（图7）。如图8所示，预测表达能清晰识别原始数据中模糊的癌区边界（如切片E1中三个癌区），证实其去噪增强效果。

5. 基因共表达与GRN推断提升

共表达分析显示FmH2ST更好保留生物学相关模块（图9）。基于预测数据构建的GRN具有更优的无标度特性（R²=0.874 vs 0.787），并鉴定出CUX1、IKZF3等乳腺癌关键转录因子（图10）。

结论与展望

FmH2ST通过创新性地整合病理基础模型与双图学习策略，首次实现了：1）利用切片级上下文解决组织异质性；2）通过可学习特征图建模非邻近相似斑点的语义关系。该方法不仅为ST数据提供了经济高效的替代方案，其预测结果在癌症空间异质性解析、基因调控网络推断等场景展现出超越原始数据的生物学洞察力。未来可扩展至单细胞分辨率ST平台，为肿瘤微环境研究提供新范式。