AI引导空间蛋白质组学揭示TNBC复发相关特征

Yesung Cho 等研究者在 arXiv 发表论文，开发了一种结果导向的 AI 引导深度视觉蛋白质组学框架：先用 AI 生成复发风险热图来引导组织采样，再用基于质谱的空间蛋白质组学分析三阴性乳腺癌（TNBC）。 在 156 名患者中，同一肿瘤内高风险与低风险区域共存且特征各异：高风险区域富集有丝分裂程序，低风险区域与免疫和抗原呈递相关。研究还得到一组 13 蛋白组合预后标志物。 作者称，该蛋白组合在扩大的 TNBC 队列中可显著区分高复发与低复发患者，对应的转录组评分在 METABRIC 数据集中呈类似趋势；将蛋白组合与 H&E 图像风险评分结合后，区分能力提升，C-index 从 0.679 升至 0.739，5 年时间依赖性 AUC 从 0.675 升至 0.770。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。