AI 引导深度视觉蛋白质组学揭示三阴性乳腺癌复发相关形态分子特征
AI-guided deep visual proteomics reveals recurrence-associated morpho-molecular signatures within triple-negative breast cancers
研究团队开发了 AI 引导的深度视觉蛋白质组学框架，用复发风险热图指导三阴性乳腺癌组织的物理取样与质谱空间蛋白质组分析。在 156 名患者中，高风险区域富集有丝分裂程序，低风险区域则富集免疫与抗原呈递相关程序；基于差异蛋白构建的 13 蛋白复合评分可区分高复发与低复发患者。
作者：Yesung Cho、Ji Hwan Park、Chan Il Kim、Hyewon Kim、Honglan Li、Yumin Lee、Geongyu Lee、Sujeong Hong、Seong Min Park、Yoonyoung Lee、Hee Sool Rho、Sumin Lee、Amos Chungwon Lee、Changhwan Lee、Hwanyoung Shim、Hyunwook Kim、Hyeji Shin、Sanha Park、Jihoon Yu、Yoon Hee Shin、Sooheon Kim、Hyunjin Park、Seung Min Park、Sangwan Kim、Yujung Kim、Jinwon Jeong、Sung-Im Do、Eun-Young Kim、Dongmyung Shin、Ingu Do、Jongbae Park
摘要：结果导向的 AI 能够定位数字病理学中具有预后相关性的区域，但直接表征这些空间预测的分子基础仍然具有挑战性。在此，我们开发了一个结果导向、AI 引导的深度视觉蛋白质组学框架，利用复发风险热图指导三阴性乳腺癌（TNBC）中的物理组织采样和基于质谱的空间蛋白质组学分析。在 156 名患者中，高风险和低风险区域共存于肿瘤区室内，并表现出不同的核特征和结构特征，表明存在超出广泛组织身份范畴的瘤内变异。在这些图谱的引导下，我们从两例复发患者中物理分离并分析了 46 个由 AI 定义的高风险和低风险肿瘤区域。高风险区域富集了有丝分裂程序，而低风险区域则表现出免疫和抗原呈递相关程序。我们利用在高风险和低风险区域之间持续存在差异的蛋白质构建了一个 13 蛋白复合物。该复合物在扩大的 TNBC 队列中显示出区分高复发患者与低复发患者的显著效果，而相应的基于转录本的评分在 METABRIC 中显示出相似的趋势。将蛋白质复合物与 H&E 衍生的风险评分整合后，改善了袋外判别能力，使 C 指数从 0.679 提高到 0.739，5 年时间依赖 AUC 从 0.675 提高到 0.770。这些发现确立了结果导向的 H&E 风险图谱作为分子发现的空间指南，将预后 AI 从预测扩展到对复发相关组织状态的直接生物学探究。
| 评论： | 三阴性乳腺癌（TNBC）、复发、数字病理学、人工智能、空间蛋白质组学、肿瘤微环境 |
| 主题： | 人工智能（cs.AI）；定量方法（q-bio.QM） |
| 引用为： | arXiv:2608.03145 [cs.AI] |
| （或 arXiv:2608.03145v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2608.03145 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Geongyu Lee [查看电子邮件]
[v1]
2026 年 8 月 4 日星期二 05:19:35 UTC（1,330 KB）
[v2]
2026 年 10 月 23 日星期五 06:54:09 UTC（239 KB）
来源：arXiv cs.AI · arxiv.org