《The American Journal of Pathology》：Redefining Pathobiology with Spatial Multi-Omics at the Intersection of Biology, Computation, and Histopathological Assessment
编辑推荐：
空间多组学技术通过高分辨率分子图谱揭示组织微环境与疾病机制关联，AI驱动分析整合转录、蛋白及代谢数据，推动精准病理诊断和个性化治疗。需解决标准化、跨模态数据整合及临床转化难题。
作者：Ankit Agrawal, Stefan Thomann
公司：Catalym GmbH，地址：Am Klopferspitz 19, 82152 Planegg/Martinsried, 德国
摘要
空间分析技术通过实现分子特征的原位高分辨率映射，正在改变我们对组织结构的理解。从基于斑点的分析到单细胞和亚细胞分辨率的空间多组学平台，越来越多地被整合到病理生物学工作流程中，为研究新的细胞状态、组织微环境、细胞间通讯、药物抗性机制以及疾病异质性提供了前所未有的见解。在本文中，我们讨论了空间生物学领域的最新实验和计算进展，强调了多模态整合如何帮助我们更全面地理解组织功能及其失调机制。我们探讨了3D空间映射中出现的挑战与机遇，以及其对生物标志物发现、治疗决策的影响，还有基于空间组学数据训练的大规模病理基础模型的转化应用意义。最后，我们指出，精细的生物学问题结合人工智能，可以充分发挥空间组学的潜力，重塑诊断工作流程，以实现更精确的临床决策。
引言
将数字工作流程整合到诊断病理学中，促进了人工智能（AI）辅助决策作为常规诊断实践中的变革性组成部分的出现。除了传统的组织病理学评估外，基于AI的分析方法，如高内涵筛选、空间转录组学（ST）、空间蛋白质组学（SP）和空间代谢组学（SM），为诊断开辟了新的可能性。这些方法提供了空间分辨的分子信息，有助于增强疾病亚型分类、解析免疫反应机制，并重新定义组织微环境，从而为基于空间信息的病理生物学组织分类铺平了道路。
组织病理学仍然是组织诊断的基础；多项研究表明，在不同疾病背景下存在强烈的形态-分子相关性。例如，在原发性肾癌中，免疫组化分析和RNA分析揭示了肿瘤内的异质性与基因组分支进化之间的联系1。基于WHO的肿瘤分类框架越来越多地纳入了分子标准，补充了传统的组织病理学评估，突显了形态-分子关联的必要性2。空间分辨的分子分析技术有可能揭示之前未被认识到的组织结构与分子表达模式之间的关系，为理解疾病的发生、进展和异质性提供了关键见解3, 4。
通过整合空间分辨的转录组学、蛋白质组学或代谢组学数据，病理学家和研究人员可以解析细胞异质性，揭示驱动疾病的细胞状态和微环境相互作用5。例如，在胰腺导管腺癌（PDAC）中存在三种不同的形态和功能变异，每种变异都与特定的细胞外基质（ECM）组织结构相关6。这些变异在不同肿瘤中的比例不同，反映了不同的细胞状态，并部分受到机械因素的影响，突显了肿瘤内异质性作为治疗抵抗性的关键因素。同样，在前列腺癌中，雄激素受体表达的异质性和治疗诱导的细胞可塑性削弱了靶向治疗的效果，强调了组合治疗策略的必要性7, 8。ST数据还识别出肿瘤周围的基质基因表达梯度，有助于重新分层肿瘤微环境9。在肺腺癌中，亚克隆突变、拷贝数变异以及生长模式特异性的表达谱（鳞状、乳头状、微乳头状、腺泡状和实性）影响凋亡、转移和增殖，反映了肿瘤演化的复杂空间生物学特征10。
空间多组学技术的进步带来了突破性的生物学发现，为理解组织结构、细胞命运、肿瘤-免疫相互作用和临床决策提供了新的视角(11), (12), (13)。空间组学也被广泛应用于癌症研究，揭示了肿瘤异质性信息，包括细胞邻近关系、克隆演化和免疫浸润模式(14), (15), (16)。然而，将空间生物学与AI和计算病理学相结合仍是一个尚未充分探索的领域，具有革新诊断、生物标志物发现和个性化医学的潜力17。空间多组学工具的快速发展增强了我们表征复杂生物过程和揭示组织微环境中细胞和分子相互作用的能力。然而，这种快速扩张也带来了可重复性、标准化和临床转化方面的挑战。数据预处理流程的变异性、对参考图谱的依赖性、软件包版本和硬件要求的不一致性，以及不同组织和治疗类型之间的验证限制，阻碍了方法之间的直接比较。此外，缺乏用户友好的实现方式和标准化的报告格式进一步限制了这些技术在转化研究和临床研究中的广泛应用。在这篇综述中，我们探讨了空间技术与AI驱动的分析框架如何协同作用，在特定诊断环境中优化诊断工作流程，弥合分子见解与临床决策之间的差距。
章节片段
协同空间模式以实现组织结构的统一视图
空间组学技术已迅速发展，能够在组织结构内提供高分辨率的分子信息，使我们能够在生理空间背景下研究多种生物分子——包括mRNA、蛋白质和代谢物。总体而言，这些方法通过同时分析健康组织中的多个分子层面，对病理学具有变革性潜力，有助于我们更好地理解组织结构和疾病微环境。
整合空间多组学以实现全面的组织分析
最近开发的空间多组学技术可以在共享的空间背景下同时读取DNA、RNA、蛋白质和代谢物等多种分子层面。跨分子层面的分析可以捕捉到关于细胞分子结构和细胞状态异质性的独特且互补的见解。图1展示了如何使用计算方法整合不同的空间组学技术，如转录组学、蛋白质组学、表观基因组学和组织学。从2D成像向3D病理学的转变
病理学依赖2D组织切片进行诊断评估和组织分析。H&E切片提供了关于细胞形态、细胞内结构和细胞间接触的详细信息82, 83。然而，这些薄切片本质上会导致关于组织3D复杂性的信息丢失。薄切片可能导致关键背景信息的丢失，特别是影响组织结构、生长模式或细胞/边缘区域的评估。从组织结构到治疗决策的空间诊断和临床见解
在精准医学时代，空间生物学可以通过实现高分辨率的原位分子分析，改变一些明确的诊断领域。与依赖组织破坏的批量分析策略不同，空间分辨的组学方法能够在天然组织背景下同时测量转录本、蛋白质和代谢物。这种空间信息对于识别与疾病相关的免疫微环境至关重要。基础AI模型作为空间多组学临床转化的催化剂
空间多组学的整合提供了前所未有的分辨率，用于表征组织微环境，但其临床效用严重依赖于能够解释高维整合数据的计算方法。病理学基础模型（PFMs）是从多种空间组学模式、临床和生物医学数据集中预训练的大规模模型，旨在服务于特定应用，从而在空间生物学和临床应用之间建立桥梁。基于空间的药物反应分析和治疗重编程
空间组学的出现为评估药物疗效和预测治疗反应引入了一个新的维度，同时也使得在单细胞和亚细胞分辨率下探索组织再生机制成为可能130, 131。与需要组织分离的传统批量分析方法不同，空间分辨的分子分析能够捕捉药物作用所处的微环境背景，包括药理有效的微环境梯度。未来方向和挑战
本综述概述并总结了空间AI驱动的多组学分析的潜在途径，这些方法与实验技术同步发展，有望重新定义各个医学领域的临床诊断和治疗预后。特别是在药物干预背景下，分子组织表型分析揭示的信息超出了肿瘤微环境的组成特征。从实验角度来看，这样的关于写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了Perplexity和ChatGPT来搜索相关文献，纠正了人类撰写文本的语法错误，并提高了文章的清晰度。使用这些工具/服务后，作者对内容进行了必要的审查、调整、扩展和编辑，并对出版物的内容负全责。
