Yonsei University

点击蓝字 关注我们 祝 贺 胃肠肿瘤是我国发病率与死亡率 居高不下的重大疾病 传统诊疗手段 在预后判断与晚期肿瘤治疗中 面临严峻挑战 近日 清华大学北京清华长庚医院 肿瘤中心团队 与国内外多家知名高校/机构 合作发表胃肠道恶性肿瘤的 诊疗领域突破性进展成果 为胃癌与结直肠癌患者的精准治疗 提供了创新性解决方案 AI病理模型： 精准预测胃肠道肿瘤预后与化疗获益 胃肠道肿瘤占全球癌症死亡病例的22.6%，传统病理分期系统难以实现个体化预后评估。北京清华长庚医院肿瘤中心与斯坦福大学、延世大学等国际团队合作，基于深度学习，构建了全球首个胃肠道肿瘤预后预测模型（图1）。 图1.胃癌AI预后模型的构建 该模型具有多项核心成果，如多癌种验证：模型在胃癌、食管癌及结直肠癌队列中验证，疾病特异性生存（DSS）预测一致性指数达0.714-0.797，显著优于传统临床指标；指导个性化治疗：通过整合病理图像与临床数据，模型可区分高危与低危患者，高风险组接受辅助化疗后生存获益提升3倍（HR=0.44），而低风险组化疗无显著获益；全球适用性：模型在亚洲、欧洲及北美人群中均表现稳定，为精准医疗提供跨种族适用工具。 该模型展现出病理大数据与人工智能结合的巨大潜力，实现了从“一刀切”治疗到个体化决策的跨越，有望减少过度化疗带来的毒副作用，推动胃肠道肿瘤治疗进入“智能病理”时代。 该成果以“Foundation Model for Predicting Prognosis and Adjuvant Therapy Benefit From Digital Pathology in GI Cancers（《基于深度学习构建全球首个胃肠道肿瘤预后预测模型》）”为题，发表于Journal Of Clinical Oncology《（临床肿瘤学杂志》）上。北京清华长庚医院医疗总监、胃肠肿瘤科主任医师李国新为共同通讯作者，斯坦福大学等单位研究人员为论文第一作者。 论文链接： https://doi.org/10.1200/JCO-24-01501 B7-H3 CAR-T细胞疗法： 晚期结直肠癌治疗有效率超70% 结直肠癌是全球发病率第三的恶性肿瘤，约50%患者确诊时已发生远处转移，传统治疗手段疗效有限。针对实体瘤免疫治疗的难点，北京清华长庚医院胃肠肿瘤科副主任医师杜长征团队联合南方科技大学许杨教授团队、北大深圳医院高静研究员团队，创新性地选择B7-H3分子作为治疗靶点，开发新型嵌合抗原受体T细胞（CAR-T）疗法（图2）。 图2. B7-H3 CAR-T细胞对晚期结直肠癌的杀伤效应 该研究的核心成果包括肿瘤杀伤：体外实验显示，B7-H3 CAR-T细胞对结直肠癌细胞具有显著特异性杀伤作用，且能通过激活免疫微环境抑制肿瘤转移；突破性临床前数据：在患者来源的类器官（PDOs）和肝转移模型中，B7-H3 CAR-T细胞治疗有效率达70%，肝转移完全缓解率高达60%，显著延长荷瘤小鼠生存。脱靶毒性优势：相较于传统CAR-T疗法，B7-H3 CAR-T在实体瘤中表现出更低的脱靶毒性，为后续临床试验奠定基础。 该研究为晚期结直肠癌患者提供了新的治疗选择，尤其针对Claudin18.2阴性患者填补了免疫治疗空白，为实体瘤免疫治疗提供了新范式。 该成果以“The pronounced cytotoxic effects of chimeric antigen receptor T cells targeting B7-H3 in organoids and liver xenografts derived from colorectal cancer patients（《嵌合抗原受体T细胞靶向结直肠癌患者来源的类器官和肝异种移植瘤中B7-H3所表现出的显著细胞毒性效应》）”为题，发表于British Journal of Cancer（《英国癌症杂志》）上。杜长征、南方科技大学教授许杨、北大深圳医院研究员高静为本文共同通讯作者，南方科技大学医学院盛玉玲博士为第一作者。研究亦得到国家自然科学基金支持。 论文链接： https://doi.org/10.1038/s41416-025-03114-1 声明：本文由“肿瘤界”整理与汇编，欢迎分享转载，如需使用本文内容，请务必注明出处。 来源：清华大学北京清华长庚医院 原标题：胃肠癌AI预后系统+新型靶向 清华长庚肿瘤中心国内外合作双突破  编辑：lagertha 审核：南星

蛋白质是生命活动的“分子机器”，而蛋白质之间的相互作用（PPIs）更是细胞运转的核心机制——从免疫反应到代谢调控，从疾病发生到药物研发，几乎所有生命过程都离不开PPIs的精密协作。然而，传统实验手段解析PPIs成本高、周期长，如何通过AI技术高效预测PPIs的类型和亲和力，一直是生物信息学领域的重大挑战。 近日，来自湖南大学曾湘祥团队携手腾讯生命科学实验室，延世大学，和阿里国际提出了一种名为LLaPA（Large Language and Protein Assistant）的多模态大语言模型，为破解这一难题提供了全新方案。该模型不仅在蛋白质相互作用预测任务中刷新了当前最优性能，更解决了传统方法难以处理未知蛋白质、多蛋白质复合物的痛点。该工作已经正式发表在ACL 2025。 现有方法的三大局限性 过去几年，深度学习技术已广泛应用于PPIs预测，但现有方法始终存在三大局限： 一是过度简化任务难度。传统基于PPI网络的模型（如GNN-PPI）在训练和测试时，会保留测试集中蛋白质对的连接信息，相当于“提前剧透”了待预测的相互作用关系。但现实中，蛋白质间的连接信息需要大量实验验证才能获得，这种“作弊式”预测在实际场景中根本行不通。 二是对“新面孔”蛋白质束手无策。当遇到未出现在已知PPI网络中的“未知蛋白质” 时，传统模型无法利用网络拓扑信息，就像失去导航的船，预测准确度大幅下降。 三是无法处理“多人协作”。许多关键生物过程依赖多蛋白质复合物（如抗原-抗体复合物由3条链组成），但传统模型架构固定，只能处理两个蛋白质的相互作用，面对更多蛋白质时便“力不从心”。 图(a)(b)(c)现有方法将测试蛋白对之间的连接信息输入到了图编码器，导致预测任务被过度简化;(d)(e)(f)移除这些连接信息之后许多蛋白质在网络中变成孤立结点，无法从PPI网络中获得有效信息，这些孤立蛋白质也等同于“未知蛋白质”。 LLaPA：让大语言模型学会“解读”蛋白质网络 LLaPA的核心创新在于将蛋白质序列、PPI网络拓扑信息与大语言模型（LLM）深度融合，通过三大关键设计突破传统局限： 图LLaPA的模型架构。 1.把PPI网络变成“可查询的知识库” LLaPA创造性地将PPI网络视为“外部知识”，通过检索增强生成（RAG）技术，像查字典一样调用网络信息。例如，当预测两个蛋白质的相互作用时，模型会自动从PPI网络中提取它们的拓扑特征（如邻居蛋白质、连接模式），并将这些信息转化为自然语言提示输入给LLM，让模型结合蛋白质序列和网络背景综合判断。 2.给“未知蛋白质”找个“参照物” 针对未知蛋白质，LLaPA借鉴了生物学中“多序列比对”的思路：为未知蛋白质匹配 PPI网络中序列相似的“近亲”，用“近亲”的拓扑信息作为替代。比如，若一个新蛋白质与网络中某已知蛋白质的序列相似度达90%，就借用已知蛋白质的网络关系辅助预测，大幅提升对未知蛋白质的处理能力。 3.构建更全面的“蛋白质社交网络” 团队还整合了STRING、PDBBind、SAbDab三大数据库，构建出包含26180个独特蛋白质、594216条相互作用的“统一PPI网络（UPPIN）”。这个更庞大、更多样的 “社交网络”，让模型能接触到更丰富的蛋白质“人际关系”，进一步提升泛化能力。 性能大比拼：刷新多项任务最优记录 在严格的实验验证中，LLaPA展现出碾压性优势： 表1 LlaPA在多分类蛋白质蛋白质相互关系预测上的性能。 在多标签PPI类型预测任务中，面对SHS27k和SHS148k两个权威数据集，无论采用随机、DFS还是BFS数据划分方法，LLaPA的预测精度（micro-F1）均远超DPPI、PIPR等传统方法。尤其在更接近真实场景的DFS和BFS划分下（含大量未知蛋白质对），LLaPA的性能领先第二名多达12个百分点。 在多蛋白质亲和力预测任务中，针对包含2到16个蛋白质的复合物，LLaPA在 PDB2020数据集上的平均绝对误差（MAE）和皮尔逊相关系数（PCC）均优于专用模型。即使面对6个蛋白质组成的复杂复合物，其预测精度仍能保持稳定，而传统模型只能处理2个蛋白质的简单情况。 消融实验进一步证明：UPPIN网络的引入能使性能提升26%，而蛋白质与网络信息的对齐机制可额外提升3%，充分验证了各模块的有效性。 未来展望：从“预测”到“理解”生命机制 LLaPA的突破不仅限于PPIs预测。凭借大语言模型的灵活性，它还能通过自然语言指令处理多种蛋白质任务——例如输入“预测这三个蛋白质的结合强度”，模型就能直接返回结果。这种“懂生物+懂语言”的能力，为生物学家提供了更直观的研究工具。 当然，LLaPA目前仍有局限：无法处理需要氨基酸级信息的任务（如结合位点预测），且对已有大量文献的知名蛋白质，尚未充分利用文本信息。但随着更大规模PPI网络的构建和多模态能力的深化，未来的蛋白质大模型有望从“预测相互作用”升级为“理解生命机制”，为疾病机理研究和新药研发开辟全新路径。 论文地址： https://aclanthology.org/2025.acl-long.554.pdf --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。

A new deep learning-based model developed in South Korea has shown potential to reduce the time it takes to identify causes and predict risk factors of brain and spinal infections. Researchers from the Yonsei University Health System (YUHS) teamed up on a Hyundai Motor foundation-backed project to develop and test an AI model for diagnosing and prognosing central nervous system (CNS) diseases, such as encephalitis and meningitis. FINDINGS They trained their AI model on nearly 1,500 3D images of cerebrospinal fluid (CSF) immune cells collected from 14 patients who presented with CNS infections at Severance Hospital. The team claimed to be the first to utilise 3D cell images and analyse cell morphology in the diagnosis and prognosis prediction of brain and spinal infections. In a study evaluating the AI model, the researchers found that its predictive performance increased in accuracy as more cell images were run through it. Initially, running one cell image showed 89% accuracy in identifying the cause of infection and 79% accuracy in predicting the disease's likely course. Feeding five cell images, the accuracy of causal pathogen identification and prognosis prediction reached 99% and 94%, respectively. A 100% accuracy in both tasks was achieved with less than 10 cell images. Additionally, the authors also identified cell mass, volume, and protein density as important factors for predicting prognosis. The study findings have been published in Wiley's Advanced Intelligent Systems journal. WHY IT MATTERS The diagnosis and prognosis of central nervous system diseases may vary depending on the cause. Bacterial or tuberculous causes have the highest mortality rate, which, according to the YUHS researchers, critically requires early, rapid diagnosis and treatment. Meanwhile, there are different diagnostic tests for each causal pathogen, and certain tests may take weeks or more to produce reports. The CSF test, for instance, would require further manual confirmation of cell shape and count. The Yonsei University researchers sought to cut this entire process – from CSF collection to evaluation – down to an hour. "The method we propose is faster than the current diagnostic techniques, such as brain imaging, and the frequently employed clinical biomarkers such as blood levels of procalcitonin and C-reactive protein," they said. They also emphasised the potential of cell morphology, analysed through 3D holotomography, as a "highly accurate and effective" biomarker for brain and spinal infections. This cost-effective imaging technique produces real-time, label-free 3D cell images. ON THE RECORD "This study is the first case of using three-dimensional images of immune cells in cerebrospinal fluid to predict the cause and prognosis of patients with central nervous system infections. We expect that the deep learning model presented in the study will be helpful in shortening the time required for patient diagnosis and prognosis prediction," said Park Yu-rang, one of the researchers and an associate professor at the Department of Biomedical Systems Informatics of Yonsei University College of Medicine.