感兴趣区域（ROI）的选择通常是空间分子分析及许多病理学任务中的关键步骤，对研究的可重复性和生物学可解释性具有重要影响。为构建一种可重复且具适应性的 AI 引导 ROI 选择框架，我们针对多种空间分析平台开发了模块化的通用模型与专用模型协同方案。在一组由 160 位组织供者构成的队列中，我们采用 NanoString 数字空间分析和多重免疫荧光对 55 种肿瘤类型进行了分析，并首先建立了蛋白质分析参考图谱，以刻画具有区室特异性的免疫、免疫检查点、基质及增殖模式。随后，我们开发了用于 ROI 选择的 AI 专家任务导向模型（AI Specialist Task-Oriented Model for ROI Selection，ASTROS），并开展了全面的基准测试，比较仅使用专用模型（ASTROS）、仅使用通用模型（PLIP/GFM）以及通用模型与专用模型相结合的策略。结果表明，后一种策略在切片层面信号保留、与病理医师参考结果的一致性、切片内定位一致性以及大尺寸切片的计算效率之间实现了较为均衡的权衡。我们还验证了虚拟染色用于 ROI 预览的可行性，并展示了将模块化 ROI 定位应用于其他空间组学技术（包括 Visium 和 Visium HD 工作流程）的潜力。综上，这些结果支持我们提出的框架，有望满足空间分析实验中降低观察者间差异、提高可重复性及增强适用性的需求。
一套用于空间分析流程中 ROI 选择的模块化通用型—专用型 AI 框架 | bioRxiv
跳转至主要内容
首页
关于
投稿
提醒 / RSS
搜索关键词
高级搜索
最新结果
一套用于空间分析流程中 ROI 选择的模块化通用型—专用型 AI 框架
Simon P Castillo、Tanishq Gautam、Karina B Pinao Gonzales、Maria E Salvatierra、Alejandra Serrano、Caner Ercan、B. Leticia Rodriguez、Paul Acosta、Pingjun Chen、Yasin Shokrollahi、Alexandria Lau、Lawrence N Kwong、Jason T Huse、Xiaoxi Pan、Patient Mosaic Team、Luisa Maren Solis Soto、Yinyin Yuan
doi：
https://doi.org/10.64898/2026.06.26.734862
Simon P Castillo
1
伦敦大学学院癌症研究所；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
Tanishq Gautam
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
Karina B Pinao Gonzales
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
Maria E Salvatierra
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
Alejandra Serrano
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
Caner Ercan
3
洛桑大学医院；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者
B. Leticia Rodriguez
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 中查找此作者
在 PubMed 中查找此作者
在本网站搜索此作者】【。
本网站上的这位作者
Paul Acosta
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Pingjun Chen
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Pingjun Chen 的 ORCID 记录
Yasin Shokrollahi
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Alexandria Lau
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Lawrence N Kwong
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Jason T Huse
4
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Xiaoxi Pan
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Luisa Maren Solis Soto
5
德克萨斯大学 MD 安德森癌症中心
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
Yinyin Yuan
2
德克萨斯大学 MD 安德森癌症中心；
在 Google Scholar 上查找此作者
在 PubMed 上查找此作者
在本网站搜索此作者
通讯作者：
yyuan6{at}mdanderson.org
摘要
信息/历史
指标
补充材料
PDF 预览
摘要
感兴趣区域（ROI）的选择通常是空间分子分析和许多病理学任务中的关键步骤，具有显著的……
对研究可重复性和生物学可解释性的影响。为建立可重复、可自适应的 AI 引导 ROI 选择框架，我们针对不同空间分析平台开发了模块化的通用模型与专用模型相结合的方案。在一组队列中，160 位组织供体的样本涵盖 55 种肿瘤类型，并采用 NanoString Digital Spatial Profiling 和多重免疫荧光进行分析。我们首先建立了蛋白质谱分析参考图谱，刻画不同组织区室中的免疫、检查点、基质和增殖模式。随后，我们开发了用于 ROI 选择的 AI 专家任务导向模型（AI Specialist Task-Oriented Model for ROI Selection，ASTROS），并开展了全面基准测试，比较仅使用专用模型（ASTROS）、仅使用通用模型（PLIP/GFM）以及通用模型与专用模型相结合的策略。结果显示，后一种策略在切片层面信号保留、与病理学家参考结果的一致性、切片内定位一致性以及大幅切片的计算效率之间实现了较为均衡的权衡。我们还验证了虚拟染色用于 ROI 预览的可行性，并展示了该模块化 ROI 定位方法在其他空间组学技术（Visium 和 Visium HD 工作流程）中的适用性。总之，这些结果支持我们提出的框架，可用于满足空间分析实验在降低评估者间差异、提高可重复性和增强灵活性方面的迫切需求。
利益冲突声明
T.G.、S.P.C.、Y.Y.、L.S-S.、K.P. 和 A.S. 已提交专利申请，涉及本手稿所述技术的部分内容。L.S-S. 报告称，其曾获得 Theolytics 的研究支持，接受 BioNTech 的顾问职务报酬/咨询费用，并获得 10x Genomics 的差旅资助；上述事项均与本研究无关。其余所有合著者均声明不存在利益冲突。
资助方信息（已申报）
Lyda Hill
慈善基金会
Albert and Margaret Alkek 基金会，https://ror.org/0470nty22
版权
本预印本的版权归作者／资助方所有；其已授予 bioRxiv 永久展示本预印本的许可。保留所有权利。未经许可，不得重复使用。
返回顶部
上一篇
下一篇
发布于 2026 年 7 月 1 日。
下载 PDF
补充材料
电子邮件
感谢您有意帮助传播 bioRxiv 上的内容。
注意：要求提供您的电子邮件地址，仅用于确认您是本文的发送者。
您的电子邮件地址
*
您的姓名
*
收件人
*
请在不同的行中输入多个地址，或用逗号分隔。
您即将向以下对象发送电子邮件
贯穿空间图谱分析工作流程的 ROI 选择模块化通用—专用人工智能框架
邮件主题
（您的姓名）向您转发了 bioRxiv 上的一个页面
邮件正文
（您的姓名）认为您可能会想查看 bioRxiv 网站上的这个页面。
您的个人留言
验证码
此问题用于测试您是否为真人访客，并防止自动垃圾信息提交。
分享
贯穿空间图谱分析工作流程的 ROI 选择模块化通用—专用人工智能框架
Simon P Castillo，Tanishq Gautam，Karina B Pinao Gonzales，Maria E Salvatierra，Alejandra Serrano，Caner Ercan，B. Leticia Rodriguez，Paul Acosta，Pingjun Chen，Yasin Shokrollahi，Alexandria Lau，Lawrence N Kwong，Jason T Huse，Xiaoxi Pan，Patient Mosaic 团队，Luisa Maren Solis Soto，Yinyin Yuan
bioRxiv
2026.06.26.734862；
doi：https://doi.org/10.64898/2026.06.26.734862
分享本文：
复制
引文工具
贯穿空间图谱分析工作流程的 ROI 选择模块化通用—专用人工智能框架
Simon P Castillo，Tanishq Gautam，Karina B Pinao Gonzales，Maria E Salvatierra，Alejandra
Serrano
Caner
Ercan
B. Leticia
Rodriguez
Paul
Acosta
Pingjun
Chen
Yasin
Shokrollahi
Alexandria
Lau
Lawrence N
Kwong
Jason T
Huse
Xiaoxi
Pan
Patient Mosaic 团队
Luisa Maren
Solis Soto
Yinyin
Yuan
bioRxiv
2026.06.26.734862；
DOI：
https://doi.org/10.64898/2026.06.26.734862
引用管理器格式
BibTeX
Bookends
EasyBib
EndNote（带标签）
EndNote 8（XML）
Medlars
Mendeley
Papers
RefWorks（带标签）
Ref Manager
RIS
Zotero
推文组件
Facebook 点赞
Google Plus One
主题领域
病理学
主题领域
所有文章
动物行为与认知
（7753）
生物化学
（18068）
生物工程
（14261）
生物信息学
（42787）
生物物理学
（21817）
癌症生物学
（18776）
细胞生物学
（25753）
临床试验
（138）
发育生物学
（13472）
生态学
（20267）
流行病学
（2067）
进化生物学
（24712）
遗传学
（15791）
基因组学
（22847）
免疫学
（18069）
微生物学
（41079）
分子生物学
（17307）
神经科学
（90182）
古生物学
（677）
病理学
（2890）
药理学与毒理学
（4918）
生理学
（7817）
植物生物学
（15271）
科学传播与教育
（2059）
合成生物学
（4347）
系统生物学
（9883）
动物学
（2305）
关键词：空间组学 · 感兴趣区域选择 · 人工智能 · 病理图像分析 · 多重免疫荧光
原文链接：https://www.biorxiv.org/content/10.64898/2026.06.26.734862v1?rss=1