360-GigaTIME：多模态AI驱动的肿瘤微环境建模

这项研究介绍了一款名为 GigaTIME 的多模态人工智能框架，旨在解决临床研究中多重免疫荧光（mIF）数据稀缺且成本高昂的难题。该模型通过学习配对的病理切片数据，能够将常规、低成本的 H&E 染色图像 转化为包含 21 种蛋白质通道的 虚拟 mIF 图像。研究人员利用该工具在超过 1.4 万名患者的真实世界数据及 TCGA 数据集中生成了虚拟人群，成功识别出与肿瘤微环境（TIME）相关的关键 生物标志物 及空间模式。实验证明，GigaTIME 在蛋白质激活预测的准确性上显著优于 CycleGAN 等现有模型，尤其在细胞层级的空间对齐上表现卓越。此外，该系统整合的 蛋白质特征签名 展现出极强的临床应用潜力，能够有效预测癌症患者的疾病分期与 存活轨迹。这种创新方法不仅揭示了免疫反应的协同特性，还为大规模、数字化的肿瘤空间组织学研究开辟了新途径。

References:

• Valanarasu JMJ. Multimodal AI generates virtual population for tumor microenvironment modeling. Cell. 2025 Dec 9:S0092-8674(25)01312-1. doi: 10.1016/j.cell.2025.11.016. PMID: 41371214.