空间组学技术面临的挑战 - 空间组学技术成本高昂，每个样本可达7000美元，且组织捕获区域有限，例如Visium HD仅覆盖6.5mm×6.5mm [6] - 面对厘米级组织切片，传统方法依赖病理学家手动选择实验区域，该过程劳动密集、主观性强、一致性差，且难以重复，导致实验结果在不同实验室间难以比较 [2][6] 智能空间组学（S2-omics）解决方案 - 宾夕法尼亚大学团队提出名为“智能空间组学（S2-omics）”的全自动工作流程，仅凭H&E染色图像就能优化区域选择，最大化分子信息捕获 [2] - S2-omics工作流程分为三部分：1）使用预训练的病理基础模型从H&E图像中提取全局和局部特征；2）基于特征自动聚类组织区域，并通过评分系统平衡区域覆盖度和簇类多样性，自动选择最具代表性的区域；3）利用选定区域的分子数据训练模型，预测未测量区域的细胞类型和群落标签，提供组织全貌的“虚拟预览” [8][9] - 该流程标准化了选区步骤，大幅提升了可重复性，在多个组织和平台上表现优异，甚至超越专家手动选择 [11] S2-omics的实战验证与性能 - 在胃癌样本Xenium实验中，面对10mm×24mm切片和仅一个4mm×4mm区域的预算限制，S2-omics选定的区域覆盖了7个关键组织簇（共11个），包括肿瘤区和三级淋巴结构，其细胞类型和群落预测准确率分别达73.8%和72.8% [13] - 在结肠癌Visium HD实验中，与10x Genomics专家手动选区相比，S2-omics选定的区域覆盖了专家选择89.3%的细胞，且更平衡地捕获了关键结构 [14] - 在肾脏样本CosMx实验中，S2-omics能优化多个小视野的布局，成功捕获了肾小球等结构，预测标签增强了数据连续性和可解释性 [15] - S2-omics具有灵活性，用户可指定“正先验”或“负先验”来调整选区策略，例如在胃癌切片中，通过赋予肿瘤簇更高权重，选区肿瘤含量从16.1%提升至78.1% [16] - S2-omics能自动确定最优区域数量，例如在乳腺癌样本中，判断两个2mm×2mm区域足以捕获异质性，避免过度实验 [17] 技术影响与行业意义 - S2-omics的推出标志着空间组学实验向标准化、可重复性迈出关键一步 [19] - 通过AI驱动选区，该技术不仅降低成本和主观偏差，还通过虚拟预测赋能后续实验设计 [19] - 对于临床和疾病研究，这种工具有望加速生物标志物发现和个性化医疗进展 [19]