病理HE图像长期用于观察组织形态，但肿瘤微环境的关键信息往往隐藏在细胞身份、功能状态和空间邻域之中。Cell发表的“Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology”提供了一个值得关注的研究框架：研究者并不是只让AI学习颜色和纹理，而是先用PCF（CODEX）空间单细胞蛋白组建立可解释的空间标尺，再让HE图像学习这些空间生态结构。对于空间蛋白组学研究而言，这一工作的重要性在于，它把病理形态、单细胞分辨率蛋白表达和组织空间结构连接到同一套分析逻辑中，也为PCF80这类基于80抗体Panel的空间单细胞蛋白组科研方案提供了方法学参照。
这篇文献关注的核心问题，是常规病理图像能否反映肿瘤微环境中具有功能意义的细胞邻域。NSCLC组织内既有肿瘤细胞，也有T细胞、B细胞、髓系细胞、CAF、血管和其他基质成分；这些细胞并非均匀分布，而是形成局部生态位。传统形态观察可以看到组织结构，但很难直接判断某一区域是否属于中性粒细胞富集、纤维化基质富集、T/B细胞富集或肿瘤-免疫界面。文献试图解决的，正是从“看见形态”到“理解空间生态”的跨越。
研究首先利用PCF（CODEX）空间单细胞蛋白组在457例NSCLC样本中检测41种抗体，构建包含超过1800万个单细胞的空间图谱，并进一步定义细胞类型、三细胞拓扑基序和10种细胞邻域。随后，CANVAS平台使用预训练病理基础模型MUSK提取HE图像特征，再结合多尺度空间分析预测这些由空间蛋白组定义的邻域。这里的关键并不是AI替代空间蛋白组，而是空间蛋白组为AI提供了结构化标签。若将PCF80用于类似研究，80抗体Panel可在原位同时覆盖免疫谱系、T细胞状态、B细胞/TLS相关反应、髓系细胞、CAF、血管、缺氧和增殖等维度，从而把细胞邻域定义得更细。
这一思路可以延展到多类科研问题。肿瘤研究中，可围绕肿瘤核心、侵袭前沿、免疫富集区、CAF屏障和血管邻域建立空间生态图谱；炎症研究中，可分析免疫细胞是否围绕血管、上皮损伤区或纤维化区域聚集；神经相关组织中，则可以把小胶质细胞、星形胶质细胞、血管结构和损伤相关蛋白放在同一空间框架下观察。PCF80的意义在于为这些组织原位问题提供高维蛋白层面的细胞身份和功能状态信息。
总体来看，这项Cell研究强调了一个清晰方向：高质量空间蛋白组图谱可以成为理解组织结构和训练空间AI模型的重要基础。对于希望从形态学进入空间微环境解析的研究者，PCF80提供的是一种细胞级、邻域级和组织结构级的分析框架，是可用于构建更高维组织原位蛋白图谱的科研工具。
【说明】本文仅为科研技术方法介绍，不涉及疾病诊断、治疗建议或用药指导。文中提及的研究发现均来自学术文献，不构成任何医疗意见。如有健康问题，请咨询专业医疗机构。
【参考文献】Li Y, Li Z, Quinton R, et al. Cellular architecture and neighborhood-informed virtual spatial tumor profiling from histopathology. Cell, 2026.
，5分钟彻底搞懂)
