从复杂 biomarker、患者分层到数字病理 AI 的分子真值.临床转化与制药应用专论
“鉴于后台咨询需求，新增板块”
本文定位
·空间蛋白质组学的临床转化价值，不是“多测几个蛋白”，而是把蛋白表达、细胞来源、组织区室、空间关系和患者结局整合为可验证证据。
·尤其适合支持复杂 biomarker discovery、临床试验患者分层、pharmacodynamic marker、治疗诱导 TME remodeling、机制驱动联合治疗、companion diagnostic development，以及数字病理 AI 的分子真值构建。
·但目前多数应用仍属于发现研究、转化研究或临床试验支持工具；要进入临床检测或伴随诊断路径，需要完成 assay lock-down、cut-off 定义、分析有效性、临床有效性和临床实用性验证。
关键词：空间蛋白质组学、复杂 biomarker、临床试验患者分层、companion diagnostic、pharmacodynamic marker、肿瘤微环境、数字病理 AI、H&E 分子真值、空间蛋白成像、药物开发背景：临床转化遇到的不是单点表达，而是组织上下文
前边同系列文章已经回答了-空间蛋白质组学更接近临床和药物开发真正关心的问题：
功能蛋白是否存在？它在哪一种细胞上表达？它位于肿瘤实质/侵袭边缘/基质屏障还是免疫细胞邻域中？它是否代表药物靶点/药效反应/耐药niche或者临床获益概略？
传统病理 biomarker 多数依赖单 marker 或少数 marker，例如 HER2、ER、PR、PD-L1、Ki-67 等。这类检测在临床中非常重要，但面对免疫治疗、ADC、双抗、细胞治疗和复杂联合疗法时，单一蛋白阳性率往往不足以解释患者差异。
原因很简单：
同一个 marker在不同细胞上表达在不同组织区室出现与不同邻近细胞组合对应的生物学含义可能完全不同
例如，PD-L1 阳性到底来自肿瘤细胞、巨噬细胞还是树突状细胞？CD8 T 细胞到底进入了 tumor nest，还是被 CAF 阻挡在肿瘤边缘？pERK 或 pAKT 激活是弥漫性发生，还是集中于血管旁、缺氧区或治疗后残留肿瘤细胞？这些问题只有把蛋白表达、细胞身份和组织位置放在同一张图中，才可能被系统回答。
这正是空间蛋白质组学在临床转化中最核心的价值：
它不是简单把 IHC 做得更多，而是把 biomarker 从“单点表达”升级为“组织上下文中的功能证据”。
图 1：空间蛋白质组在临床转化中的价值
图 1｜空间蛋白质组学在临床转化中的三层价值：复杂 biomarker discovery、临床试验患者分层与药物开发，以及数字病理 AI 的分子真值构建。。一、为什么临床转化更关注蛋白而不是只看 RNA？
RNA 能提示表达程序，但临床治疗和药物作用的直接对象多数是蛋白：
·抗体药物识别的是蛋白；
·ADC 依赖细胞表面抗原；
·CAR-T 和双抗识别细胞表面蛋白；
·免疫检查点是蛋白；
·小分子靶向药最终影响的是蛋白活性和通路状态；
·许多药效读出依赖磷酸化、裂解或定位变化。
因此，在临床转化语境下，空间蛋白质组学常常比空间 RNA 更接近以下问题：
临床或制药问题
更直接的蛋白层面读出
靶点是否可及
靶点蛋白是否在细胞膜、肿瘤区或目标细胞上表达
药物是否命中通路
pERK、pAKT、pSTAT、γH2AX、cleaved caspase-3 等
免疫治疗是否可能有效
CD8 T cell、PD-1、PD-L1、Treg、macrophage、TLS 结构
ADC 是否有风险
靶点是否在正常关键组织或非目标细胞上表达
耐药是否出现
target loss、旁路激活、免疫排斥、CAF barrier、myeloid niche
空间蛋白质组学不是否定 RNA，而是补上 RNA 到功能蛋白之间的关键缺口：
gene transcription→ mRNA stability→ translation→ protein abundance→ localization→ post-translational modification→ pathway activity→ cellular phenotype→ treatment response
RNA 发现候选机制，蛋白验证功能状态；二者结合，才更接近可转化证据链。二、空间蛋白质组学在临床转化中的三个价值层级
空间蛋白质组学的临床转化价值可以分为三层：
复杂 biomarker discovery↓临床试验患者分层与药物开发↓数字病理 AI 的分子真值
这三层并不是互相独立，而是可以构成一条完整路线：
高维空间蛋白发现↓候选空间特征筛选↓患者级空间评分↓独立队列验证↓小型 mIF/IHC panel 压缩↓临床试验分层↓AI 病理降本部署
换句话说，高维空间蛋白组最好不要直接被理解为最终临床检测本身，而应被理解为：
从组织生态中发现复杂 biomarker，并逐步压缩、验证和部署的转化工具。三、价值一：复杂 biomarker discovery
图 2：复杂空间生物标志物
图 2｜空间蛋白质组学将传统单 marker biomarker 扩展为包含细胞来源、组织区室、空间距离、邻域结构和通路活化状态的复杂空间 biomarker。1. 传统 biomarker 的局限
传统 biomarker 通常是：
marker A 高 / 低marker A 阳性率 ≥ 某阈值marker A 与结局相关
这种模式适用于许多明确驱动的场景，但在复杂肿瘤微环境中常常不够。
原因包括：
1. 同一 marker 来源细胞不同；
2. marker 的空间位置不同；
3. marker 与邻近细胞关系不同；
4. marker 与通路活化状态不完全一致；
5. 患者治疗前后的组织生态会重塑；
6. 单 marker 难以表示免疫排斥、局部耐药和组织结构。
例如：
·CD8 T cell 多，不一定代表有效抗肿瘤免疫；
·PD-L1 阳性，不一定说明肿瘤细胞本身 PD-L1 高；
·Ki-67 高，不说明增殖发生在哪类细胞中；
·FAP 或 αSMA 阳性，不说明 CAF 是否形成阻挡 T cell 的空间屏障。2. 空间蛋白质组学能发现哪些复杂 biomarker？
空间蛋白质组学可以把 biomarker 扩展为多维结构：
biomarker 类型
示例
生物学含义
多 marker 组合
CD8 + GZMB + PD-1 + Ki-67
细胞身份与功能状态组合
特定细胞类型上的 marker
PD-L1 on macrophage；HER2 on tumor cell
区分 marker 来源
marker + tissue compartment
CD8 in tumor nest；FAP at invasive margin
表达发生在哪个组织区室
cell-cell distance
CD8-to-tumor distance；PD-1 T cell near PD-L1 myeloid cell
潜在作用关系或排斥结构
tumor-immune mixing score
肿瘤细胞与免疫细胞混合程度
免疫浸润与组织屏障状态
immune exclusion score
CD8 被限制在 stroma 或 invasive margin
免疫排斥
TLS structure score
B cell、T cell、DC 空间组织
局部抗原呈递和免疫激活
pathway activation score
pERK/pAKT/pSTAT/γH2AX 空间评分
药效、耐药或通路激活
niche score
hypoxia + myeloid + low CD8 + high CAF
局部耐药或免疫抑制生态位
这类 biomarker 更接近组织上下文，而不是单点表达。3. 一个空间 biomarker 的最小定义
图 3：可转化空间biomarker定义
图 3｜可转化空间 biomarker 应同时定义 marker、细胞来源、组织区室、空间关系和患者级关联，并经过独立验证与小 panel 压缩。
一个合格的空间 biomarker 不应只说“某 marker 高”，而应至少包含五个要素：
marker identity+cellular source+tissue compartment+spatial relationship+patient-level association
例如：
PD-L1+ CD68+ macrophagelocated within 30 μm of PD-1+ CD8 T cellsat tumor-stroma interfaceassociated with poor response to therapyvalidated in an independent cohort
这比“PD-L1 高表达”更复杂，也更接近组织生态。4. 复杂 biomarker discovery 的推荐流程
临床问题定义↓发现队列高维空间蛋白成像↓细胞分割与 phenotype 注释↓组织区室标注↓空间特征构建↓患者级统计筛选↓多重检验和敏感性分析↓独立队列验证↓小型 panel 压缩↓可解释 scoring rule关键原则
1. 特征筛选必须在训练集内完成
不能在全队列中反复挑选最显著的空间特征。
2. 统计单位应回到患者级
数十万个细胞不能替代几十名患者。
3. 复杂评分要可解释
如果一个空间评分无法说明 marker 来源、组织位置和空间关系，很难进入临床转化。
4. 最终应压缩为可部署 assay
高维 panel 适合发现，小型 mIF/IHC panel 或经过锁定的定量成像 assay 才更接近实际部署。四、价值二：临床试验患者分层与药物开发
图 4：临床试验患者分层与药物开发
图 4｜空间蛋白质组学可用于临床试验中的应答者富集、非应答者排除、药效学读出、治疗诱导微环境重塑、机制驱动联合治疗和伴随诊断开发。机制示意图，非原始实验结果。
空间蛋白质组学在药物开发中的价值，不只是“找 biomarker”，而是服务于临床试验中的具体决策：
·谁更可能获益？
·谁可能不适合单药？
·药物是否命中靶点？
·治疗后微环境如何重塑？
·是否应该设计联合疗法？
·是否可能开发伴随诊断？1. responder enrichment
在早期临床试验中，如果药物只对特定组织生态状态有效，空间蛋白 biomarker 可用于富集更可能获益的人群。典型逻辑：
靶点蛋白存在+靶点位于正确细胞+下游通路处于依赖状态+组织生态允许药物发挥作用→ responder enrichment
例如，对免疫疗法而言，单纯 CD8 数量不一定足够；更重要的是 CD8 是否进入 tumor nest，是否表达细胞毒性 marker，是否被 Treg、myeloid cell 或 CAF barrier 排斥。2. non-responder exclusion
空间蛋白质组学也可以帮助识别不太可能从单药治疗中获益的患者，例如：
·target protein 缺失；
·靶点只在非目标细胞表达；
·tumor nest 中缺乏效应 T cell；
·高 CAF barrier；
·高 myeloid suppressive niche；
·下游通路未被激活；
·治疗后残留病灶位于药物难以触达的区域。
这类信息可以支持：
·排除单药不适合患者；
·转向联合治疗；
·设计耐药逆转策略；
·避免无效暴露和不必要毒性。3. pharmacodynamic marker
空间蛋白质组学非常适合做药效学读出，因为它能同时回答：
药物是否命中目标？目标在哪类细胞中改变？改变是否发生在肿瘤关键区域？改变是否伴随细胞死亡、免疫激活或耐药通路？
常见 PD marker 包括：
·pERK / pMEK；
·pAKT；
·pSTAT；
·γH2AX；
·cleaved caspase-3；
·Ki-67；
·Granzyme B；
·immune checkpoint marker；
·myeloid activation marker；
·stromal remodeling marker。治疗前后配对样本的价值
治疗前后样本可用于判断：
·target engagement；
·pathway inhibition；
·immune infiltration；
·TME remodeling；
·residual tumor niche；
·adaptive resistance。
但必须注意：
·配对样本质量一致；
·同一患者前后样本应作为重复测量处理；
·前后样本可能来自不同病灶或不同切面；
·治疗后坏死、纤维化和炎症会改变组织可比性。4. mechanism-based combination therapy
空间蛋白质组学能够帮助回答“为什么单药失败”，从而指导联合策略。
例如：
空间发现
可能提示的联合方向
CD8 被 CAF barrier 排斥
免疫治疗 + 基质调节
PD-L1+ myeloid niche 包围 tumor nest
免疫检查点 + myeloid targeting
pERK 抑制后 pAKT 局部上升
MAPK 抑制 + PI3K/AKT 通路
γH2AX 上升但 apoptosis 不明显
DNA damage therapy + apoptosis sensitizer
T cell 进入但 GZMB 低
checkpoint blockade 或 T cell activation strategy
target-positive cell 旁出现 target-negative residual niche
ADC + bystander strategy 或联合治疗
这里的关键不是“看到某 marker 就联合某药”，而是：
空间定位+细胞来源+通路状态+治疗前后变化+功能验证
共同支持联合假设。五、Acrivon–Akoya OncoSignature 案例：空间/定量蛋白成像进入患者选择逻辑
图 5：一个转化路径示意图
图 5｜Acrivon–Akoya OncoSignature 公开披露案例的转化路径示意：基于治疗前肿瘤活检的定量多重蛋白成像，生成药物相关蛋白签名，用于临床试验患者分层和 companion diagnostic 开发。
Acrivon 与 Akoya 的 OncoSignature 案例，是空间或定量蛋白成像进入临床试验患者选择逻辑的代表案例之一，但必须谨慎解读。1. 官方披露的关键信息
Acrivon 在 2022 年宣布，FDA 已清除其 ACR-368 的 IND 申请，用于一个 Phase 2 master protocol trial，患者包括卵巢癌、子宫内膜癌和尿路上皮癌，并基于 ACR-368 敏感性预测进行分层。Acrivon 披露，OncoSignature®-positive 患者进入 ACR-368 单药 Phase 2，OncoSignature®-negative 患者进入 ACR-368 联合低剂量吉西他滨的 Phase 1b/2 研究。Acrivon 还说明其 AP3 平台用于开发 drug-tailored OncoSignature companion diagnostics，并将定量蛋白 multiplex imaging 应用于治疗前肿瘤活检，以识别可能对药物敏感的患者。
Akoya 在同年披露与 Acrivon 合作开发、验证并商业化 OncoSignature® 测试，作为 ACR-368 的 companion diagnostic；该测试将在 Akoya 的 PhenoImager™ Solution 上运行，并利用 PhenoImager 的 spatial phenotyping 能力定位和定量一组临床相关蛋白 biomarker 在肿瘤中的表达。2. 这个案例说明了什么？
这个案例至少说明三点：2.1 空间/定量蛋白检测可以进入临床试验分层
它不是只用于后验探索，而可以被设计进试验流程：
治疗前肿瘤活检↓定量蛋白 multiplex imaging↓OncoSignature score↓分配治疗策略2.2 蛋白 biomarker 可以是 drug-tailored
不是所有药物都使用同一个 marker。OncoSignature 的逻辑是根据具体药物机制开发对应的蛋白签名，而不是泛泛地检测免疫浸润或单一靶点。2.3 companion diagnostic 路径需要共同开发和验证
Akoya 披露的合作内容包括 assay 开发、临床验证、监管共同批准和潜在商业化。这说明从研究型空间蛋白图像到 CDx 之间，还需要 assay lock-down、analytical validation、clinical validation 和监管路径。3. 这个案例不能被过度外推
需要谨慎的是：
·它不意味着所有空间蛋白组技术已经大规模进入常规临床诊断；
·它不意味着任意高维空间蛋白特征都可以直接变成 CDx；
·它不意味着高维 discovery panel 可直接作为最终临床 assay；
·它不意味着空间蛋白组可以绕过独立验证、阈值锁定和监管要求。
更合理的表述是：
Acrivon–Akoya OncoSignature 案例提示，定量空间蛋白成像已经开始进入临床试验患者选择和 companion diagnostic 开发路径，但当前多数应用仍处于转化研究、临床试验支持或特定药物共同开发阶段。六、价值三：数字病理 AI 的分子真值
图 6：空间蛋白组学和数字病理AI
图 6｜空间蛋白质组学可为数字病理 AI 提供局部蛋白表达、细胞状态和组织邻域等分子真值，用于训练 H&E 或 IHC-based 模型。机制示意图，非原始实验结果。
数字病理 AI 的核心难题之一是：
H&E 图像中有大量形态信息，但它缺少直接分子标签。
空间蛋白质组学可以为 AI 病理提供局部、细胞级、组织上下文相关的“分子真值”。1. 什么是“分子真值”？
在 AI 训练中，真值通常来自：
·病理医生标注；
·临床结局；
·IHC 结果；
·分子检测；
·多组学数据。
空间蛋白质组学提供的是一种更细颗粒度的真值：
H&E 区域 ↔ 同一区域或相邻区域的蛋白表达 ↔ 细胞身份 ↔ 细胞功能状态 ↔ 组织邻域结构 ↔ 患者结局
这让 AI 有机会学习：
·哪些形态对应免疫抑制；
·哪些结构对应 pathway activation；
·哪些组织模式提示 T cell exclusion；
·哪些局部生态位预测耐药；
·哪些细胞邻域与预后相关。2. 空间蛋白组如何训练 H&E AI？
理论路线可以分为四步：
配对 H&E / mIF / IMC / MIBI↓图像配准与区域对应↓从空间蛋白组生成局部标签↓训练 H&E 模型预测空间蛋白特征或空间评分
可预测对象包括：
·cell type composition；
·immune-exclusion score；
·TLS-like structure；
·pathway activation score；
·PD-L1 cellular source；
·tumor-immune mixing；
·spatial risk score；
·treatment-response probability。3. 为什么这很重要？
高维空间蛋白成像成本高、通量有限、实验要求高，不适合作为所有患者的常规初筛。H&E 切片则便宜、普遍、临床流程成熟。
如果空间蛋白组能够为 AI 提供高质量训练标签，未来可能形成：
少量高维空间蛋白组训练↓大规模 H&E AI 推断↓候选患者筛选↓必要时小 panel mIF/IHC 确认
这可能降低临床部署成本。4. 必须警惕的风险
H&E AI 不能因为用了空间蛋白组标签就自动可信。关键风险包括：
风险
说明
配准误差
H&E 与空间蛋白图像不在同一平面或发生形变
标签噪声
空间蛋白分割或 marker 定量错误会传给 AI
批次偏倚
AI 学到染色批次、扫描仪或中心差异
shortcut learning
模型利用非生物学线索预测标签
外部泛化
不同医院、扫描仪和人群中性能下降
临床可解释性
黑箱风险评分难以被医生接受
结局验证不足
预测分子特征不等于预测临床获益
因此，AI 病理的转化仍需：
·外部队列；
·多中心验证；
·calibration；
·subgroup analysis；
·decision-curve analysis；
·病理医生可解释性；
·prospectively defined clinical use case。七、从复杂 biomarker 到临床检测：必须经过“压缩”和“锁定”
空间蛋白质组学发现的高维特征，通常不能直接进入临床常规检测。转化路径通常是：
高维 discovery panel↓候选 marker 和空间特征↓特征压缩↓小型 mIF/IHC panel↓锁定 scoring algorithm↓分析有效性验证↓临床有效性验证↓临床实用性评估1. 为什么必须压缩？
因为高维空间蛋白组存在：
·成本高；
·通量有限；
·panel 开发复杂；
·抗体验证工作量大；
·图像和算法流程复杂；
·批次和实验室间重复性要求高；
·临床实验室部署难度大。
临床检测需要的是：
·marker 数量可控；
·assay 稳定；
·评分规则固定；
·阈值明确；
·可在临床样本中重复；
·能带来治疗决策价值。2. 什么叫 assay lock-down？
在进入验证队列或临床试验前，应锁定：
·样本类型；
·固定和切片条件；
·抗体 clone；
·染色流程；
·成像平台；
·图像处理算法；
·细胞分割规则；
·marker 定量方式；
·tissue compartment 定义；
·空间距离或邻域参数；
·scoring algorithm；
·cut-off；
·缺失和失败样本处理规则。
不能在验证队列中反复调参数或重新选择阈值。八、空间蛋白 biomarker 的证据等级
图 7：空间蛋白组biomarker的转化路径
图 7｜空间蛋白 biomarker 从高维发现走向临床检测或伴随诊断的转化路径，包括特征压缩、assay lock-down、分析有效性、临床有效性和临床实用性验证。
建议把空间蛋白 biomarker 分为四个证据等级：Level 1：发现型空间特征
·单队列发现；
·多 marker 或空间特征与结局相关；
·尚未独立验证；
·适合生成假设和设计下一步研究。Level 2：重复性空间特征
·在同一研究内多切片、多区域或内部验证中复现；
·模型参数稳定；
·患者级效应方向一致；
·适合进入独立队列验证。Level 3：临床相关空间评分
·独立队列验证；
·评分规则固定；
·与临床结局或治疗反应相关；
·与临床基线模型相比具有增量价值；
·适合转化研究或临床试验分层探索。Level 4：可部署临床检测或伴随诊断
·assay locked；
·analytical validity 已证明；
·clinical validity 已证明；
·clinical utility 或治疗决策价值明确；
·满足相应监管和实验室质量要求；
·适合临床实施或药物共同开发。九、空间蛋白质组学在不同治疗类型中的应用1. 免疫治疗
可关注：
·CD8 T cell infiltration；
·T cell exclusion；
·PD-1/PD-L1 空间邻近；
·macrophage-rich niche；
·Treg proximity；
·TLS-like structures；
·tumor-immune mixing；
·checkpoint co-expression；
·interferon response marker。
核心问题不是“免疫细胞多不多”，而是：
免疫细胞在哪里是否进入肿瘤区是否具有功能状态是否被抑制性邻域包围是否与治疗反应相关2. ADC
可关注：
·target antigen expression；
·target cellular source；
·membrane localization；
·intratumoral heterogeneity；
·target-negative niche；
·bystander-sensitive area；
·normal tissue expression；
·immune or stromal barriers。
对于 ADC，空间蛋白质组学可以帮助判断：
靶点是否在正确细胞上表达是否足够均一靶点阴性区域是否可能导致残留正常组织是否存在风险3. 双抗和细胞治疗
可关注：
·target-positive tumor cell；
·effector T cell proximity；
·immune synapse-like contact；
·antigen heterogeneity；
·suppressive myeloid niche；
·exhaustion marker；
·Treg abundance and proximity。4. 小分子靶向治疗
可关注：
·target pathway activation；
·pERK / pAKT / pSTAT；
·cell-cycle marker；
·apoptosis marker；
·DNA damage marker；
·bypass signaling；
·resistant niche。5. 联合治疗
空间蛋白组可用于寻找联合逻辑：
药物 A 命中通路但局部出现 B 通路补偿或免疫/基质 niche 限制疗效→ 形成联合治疗假设十、临床转化项目设计：一个最小可执行框架
如果目标是把空间蛋白质组学用于临床转化，不建议直接从“做一个大 panel”开始。更稳妥的框架如下：1. 定义临床使用场景
例如：
·预测免疫治疗 response；
·选择 ADC 适用患者；
·判断是否需要联合治疗；
·作为 PD marker 评价药物是否命中；
·识别耐药组织生态；
·开发 companion diagnostic。2. 定义主要终点
可能包括：
·ORR；
·pCR；
·PFS；
·OS；
·recurrence；
·toxicity；
·target-positive eligibility；
·post-treatment pathway inhibition。3. 设计发现队列
要求：
·有明确治疗和结局；
·样本质量可控；
·组别和批次平衡；
·预设 ROI 或全切片策略；
·患者作为独立统计单位。4. 设计空间特征
例如：
·marker abundance；
·cell-type-specific marker；
·tissue-compartment-specific marker；
·distance metric；
·neighborhood enrichment；
·domain fraction；
·pathway activation score；
·immune exclusion score。5. 训练模型并锁定规则
·训练集内完成特征选择；
·固定 scoring algorithm；
·固定 cut-off；
·记录所有参数；
·预设失败样本处理规则。6. 独立验证
·独立患者；
·最好独立中心；
·相同 assay 和 algorithm；
·报告 effect size、CI、calibration；
·与临床变量比较增量价值。7. 转化部署
·压缩 panel；
·验证 assay；
·SOP；
·实验室间重复性；
·监管策略；
·成本和周转时间；
·临床决策路径。十一、局限：空间蛋白质组学不是临床转化捷径
空间蛋白质组学很强，但不是万能工具。1. 技术局限
·抗体质量决定数据上限；
·高维 panel 存在串扰和表位损失；
·FFPE 样本质量差异大；
·自发荧光和背景影响定量；
·分割错误会影响单细胞结果；
·不同平台间可比性有限；
·PTM marker 对前处理敏感。2. 统计局限
·患者数通常有限；
·空间特征数量巨大；
·多重检验风险高；
·ROI 和细胞存在嵌套相关；
·模型容易过拟合；
·阈值选择容易乐观偏倚。3. 临床转化局限
·成本和通量仍是问题；
·临床实验室部署复杂；
·assay lock-down 周期长；
·监管路径尚需具体场景具体设计；
·AI 模型跨中心泛化仍是难点；
·需要证明相对现有病理/IHC/NGS 的增量价值。十二、总结：空间蛋白质组学的临床价值，在于把 biomarker 放回组织生态
空间蛋白质组学的临床转化价值，不是“多测几个蛋白”，而是建立一种新的 biomarker 思维方式：
protein expression+cellular source+tissue compartment+spatial relationship+functional state+patient outcome
它能把传统单 marker 升级为组织上下文中的功能证据，支持复杂 biomarker discovery、临床试验患者分层、药效学评价、耐药机制研究、联合治疗设计和数字病理 AI 的分子真值构建。
但它的转化路径必须严谨：
高维发现→ 患者级统计→ 独立验证→ 小 panel 压缩→ assay lock-down→ 临床有效性和实用性评估
只有完成这条证据链，空间蛋白质组学才可能从“漂亮的空间图”走向真正能够影响临床决策的工具。
参考资料与延伸阅读A. 空间蛋白质组学总论与方法学
1. Nature Methods Editorial. Method of the Year 2024: spatial proteomics. Nature Methods. 2024;21:2195–2196.
DOI: https://doi.org/10.1038/s41592-024-02565-3
重点：
Nature Methods 将 spatial proteomics 评为 2024 年年度方法，强调其在组织图谱、疾病复杂性和空间功能解析中的重要性。
2. Hickey JW, Neumann EK, Radtke AJ, et al. Spatial mapping of protein composition and tissue organization: a primer for multiplexed antibody-based imaging. Nature Methods. 2022;19:284–295.
DOI: https://doi.org/10.1038/s41592-021-01316-y
重点：
多重抗体成像的 primer，系统讨论抗体验证、panel 设计、样本处理、数据协调和可重复性，是空间蛋白项目设计的重要参考。
3. Lewis SM, Asselin-Labat ML, Nguyen Q, et al. Spatial omics and multiplexed imaging to explore cancer biology. Nature Methods. 2021;18:997–1012.
DOI: https://doi.org/10.1038/s41592-021-01203-6
重点：
讨论空间组学和 multiplexed imaging 如何服务肿瘤生物学、肿瘤微环境和治疗反应研究。
4. Omar M, Fanelli GN, Socciarelli F, et al. Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits. 2024.
链接：https://arxiv.org/abs/2411.00948
重点：
综述 multiplex imaging 在病理学中的分析流程、计算工具和临床研究潜力。
备注： 预印本，正式引用时需标注证据属性。B. 代表性空间蛋白成像技术与肿瘤微环境案例
5. Giesen C, Wang HAO, Schapiro D, et al. Highly multiplexed imaging of tumor tissues with subcellular resolution by mass cytometry. Nature Methods. 2014;11:417–422.
DOI: https://doi.org/10.1038/nmeth.2869
重点：
Imaging Mass Cytometry 的代表性工作，展示以金属标记抗体进行高维组织蛋白成像的能力。
6. Keren L, Bosse M, Marquez D, et al. A Structured Tumor-Immune Microenvironment in Triple Negative Breast Cancer Revealed by Multiplexed Ion Beam Imaging. Cell. 2018;174:1373–1387.e19.
DOI: https://doi.org/10.1016/j.cell.2018.08.039
重点：
MIBI 研究揭示三阴性乳腺癌中肿瘤—免疫空间结构，说明免疫组成相似的肿瘤可因空间组织不同而呈现不同生物学状态。
7. Keren L, Bosse M, Thompson S, et al. MIBI-TOF: A multiplexed imaging platform relates cellular phenotypes and tissue structure. Science Advances. 2019;5:eaax5851.
DOI: https://doi.org/10.1126/sciadv.aax5851
重点：
MIBI-TOF 平台论文，强调细胞 phenotype 与组织结构之间的空间关联。
8. Schürch CM, Bhate SS, Barlow GL, et al. Coordinated cellular neighborhoods orchestrate antitumoral immunity at the colorectal cancer invasive front. Cell. 2020;182:1341–1359.e19.
DOI: https://doi.org/10.1016/j.cell.2020.07.005
重点： CODEX 研究识别结直肠癌侵袭前沿的 cellular neighborhoods，展示空间邻域特征可以超越单一细胞比例。C. ROI/空间剖析与转化研究平台
9. Merritt CR, Ong GT, Church SE, et al. Multiplex digital spatial profiling of proteins and RNA in fixed tissue. Nature Biotechnology. 2020;38:586–599.
DOI: https://doi.org/10.1038/s41587-020-0472-9
重点：
GeoMx DSP 的代表性论文，展示在 FFPE 固定组织中进行 ROI 引导的蛋白和 RNA 空间剖析。
10. Bergholtz H, Carter J, Cesano A, Cheang MCU, Church SE. Best Practices for Spatial Profiling for Breast Cancer Research with the GeoMx Digital Spatial Profiler. Cancers. 2021;13.
要点： 讨论在乳腺癌研究中使用 GeoMx DSP 的 ROI 设计、样本选择和空间 profiling 注意事项。D. 临床试验患者分层与 companion diagnostic 案例
11. Acrivon Therapeutics. Acrivon Therapeutics Receives FDA Clearance for Innovative Phase 2 Trial to Treat Ovarian, Endometrial and Urothelial Cancer Patients Based on Predicted Sensitivity to ACR-368. 2022.
链接：https://ir.acrivon.com/news-releases/news-release-details/acrivon-therapeutics-receives-fda-clearance-innovative-phase-2
重点：
Acrivon 披露 FDA cleared ACR-368 Phase 2 master protocol，并使用 OncoSignature® proteomic companion diagnostic 将患者分配至不同治疗策略。
12. Akoya Biosciences and Acrivon Therapeutics. Akoya Biosciences to Partner with Acrivon Therapeutics for the Clinical Development of Acrivon’s Proprietary OncoSignature® Test into a Companion Diagnostic. 2022.
链接：https://investors.akoyabio.com/news-releases/news-release-details/akoya-biosciences-partner-acrivon-therapeutics-clinical
重点：
Akoya 与 Acrivon 合作开发、验证并商业化 OncoSignature® 测试；该测试将在 Akoya PhenoImager™ Solution 上运行，用于定位和定量临床相关蛋白 biomarker。
13. U.S. Food and Drug Administration. In Vitro Companion Diagnostic Devices: Guidance for Industry and Food and Drug Administration Staff. 2014.
链接：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/in-vitro-companion-diagnostic-devices
重点：
Companion diagnostic 的监管框架，强调检测与治疗产品安全有效使用之间的关系。
14. U.S. Food and Drug Administration. Enrichment Strategies for Clinical Trials to Support Determination of Effectiveness of Human Drugs and Biological Products. 2019.
链接：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/enrichment-strategies-clinical-trials-support-determination-effectiveness-human-drugs-and
重点：
临床试验 enrichment strategy 的监管思路，支持通过患者选择提高检测治疗效果的效率。E. 数字病理 AI 与空间蛋白质组学分子真值
15. Wenckstern J, Jain E, Vasilev K, et al. AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery. 2025.
链接：https://arxiv.org/abs/2501.06039
重点：
提出利用空间蛋白数据训练 virtual tissue / foundation model 的思路，探索跨分子、细胞和组织尺度的 AI 表征。
备注： 预印本，适合作为数字病理 AI 与空间蛋白组结合的前沿方向参考。
16. Hao N, Yang X, Yan B, et al. Histopathology-centered Computational Evolution of Spatial Omics: Integration, Mapping, and Foundation Models. 2026.
链接：https://arxiv.org/abs/2601.07826
重点：
从 H&E 中心的角度综述空间组学计算发展，包括 integration、mapping 和 foundation model。
备注： 预印本，涉及 2026 年前沿方向，正式引用需标注版本和访问日期。
17. Saurav JR, Nasr MS, Luber JM. Cross-Domain Image Synthesis: Generating H&E from Multiplex Biomarker Imaging. 2025.
链接：https://arxiv.org/abs/2508.04734
重点：
探索从 multiplex biomarker imaging 生成 virtual H&E 的图像合成路线，说明分子成像与常规病理形态之间可以通过 AI 建立映射。
备注： 预印本。F. 统计、验证和预测模型报告规范
18. Zimmerman KD, Espeland MA, Langefeld CD. A practical solution to pseudoreplication bias in single-cell studies. Nature Communications. 2021;12:738.
DOI: https://doi.org/10.1038/s41467-021-21038-1
重点：
说明单细胞/空间单细胞数据中个体内观测并非独立，临床推断应回到患者级或使用混合模型。
19. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
DOI: https://doi.org/10.1136/bmj-2023-078378
重点：
临床预测模型报告规范，适用于将空间特征构建为 AI 或统计预测模型的研究。
20. Wolff RF, Moons KGM, Riley RD, et al. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Annals of Internal Medicine. 2019;170:51–58.
DOI: https://doi.org/10.7326/M18-1376
要点：
预测模型偏倚风险和适用性评估工具，可用于审查空间 biomarker 模型是否存在患者选择、特征筛选和验证偏倚。
相关同系列文章.空间转录组和药学：
1. 生物信息学基础知识（15）：为什么空间组学突然火了？从单细胞到组织生态地图
2. 生物信息学基础知识（16）：空间转录组：如何在组织原位构建基因表达地图？
3. 生物信息学基础知识（17）：空间蛋白质组学：为什么临床与药企更关注“功能层面的组织地图”？
4. 生物信息学基础知识（18）：空间转录组 vs 空间蛋白组：科研、临床和制药到底该怎么选？
5. 空间组学一些细节知识点梳理（1）：FFPE样本做空间组学，为什么必须先做系统性样本审计？
6. 空间组学一些细节知识点梳理（2）：空间蛋白质组学真正要回答什么？
7. 药学一些细节知识点梳理（1）：从“平均暴露”到“空间药理”：MALDI-MSI / DESI-MSI 如何重构药物研发中的疗效、毒性与失败机制判读
编辑：Vickymemo
校对：Vickymemo
