ProtoPathway: Biologically Structured Prototype-Pathway Fusion for Multimodal Cancer Survival Prediction
ProtoPathway 是一个按设计即可解释的多模态框架，它通过可学习的形态学原型和 Reactome 通路嵌入，整合全切片成像与转录组学，从而在基因、通路和组织形态学层面实现具有原生生物学可解释性的癌症生存预测，并达到具有竞争力的预测性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正在尝试预测一名癌症患者可能存活多久。医生主要依靠两条线索：
- 地图（组织学）：一张肿瘤组织的高分辨率巨幅照片，展示细胞的形态及其排列方式。
- 手册（基因组学）：细胞内部（基因）的一份指令清单，告诉细胞如何行为、生长和做出反应。
长期以来，计算机程序试图结合这两条线索，但它们就像一位精通两种语言却不懂其中任何一种语言语法的翻译。它们会分别查看图片和清单，然后猜测两者如何关联。这使得很难解释计算机为何会做出特定的预测。
ProtoPathway 是一款旨在解决这一问题的新型计算机程序。它不仅仅是猜测；它是从底层构建，旨在理解生物学的“语法”。以下是它的工作原理，使用简单的类比说明：
1. “形态原型”（变形者）
问题：单张组织照片巨大且杂乱，包含成千上万个微小区域。这就像试图通过列出每一块砖来描述整座城市。
解决方案：ProtoPathway 学习一小套 16 种“主形态”（称为原型）。
- 可以将这些想象为计算机创造的 16 个独特的“人格”或“角色”。
- 其中一个角色可能是“致密肿瘤”，另一个是“肌肉壁”，还有一个是“免疫军队”。
- 计算机不再查看每一块砖，而是问：“这块组织区域看起来像这 16 个角色中的哪一个？”
- 神奇之处：这些角色并非由人类预先定义。计算机通过研究数千名患者自行学习它们。它们成为了计算机“观察”组织的标准方式。
2. “通路图”（生物网络）
问题：基因并非单独工作；它们以称为“通路”的团队形式工作（就像建造墙壁的施工队）。旧方法将每个团队视为独立、孤立的筒仓。
解决方案：ProtoPathway 在基因与团队之间构建了一座 双向桥梁。
- 想象一张地铁图，其中“基因”是站点，“通路”是线路。
- 在旧地图中，一个站点（基因）只能与一条线路对话。而在 ProtoPathway 中，一个站点可以同时位于多条线路上。
- 计算机在这张图上来回发送信息。如果一个基因属于两个不同的团队，它就能帮助这些团队相互沟通。这创造了对生物学更智能、更互联的理解。
3. “跨模态融合”（侦探的逻辑）
问题：如何将“形态”（组织）与“手册”（基因）联系起来？
解决方案：该程序使用特定的逻辑：手册驱动形态。
- 从生物学角度看，基因（指令）导致组织形成特定的形态。
- ProtoPathway 通过让 16 种主形态向生物通路“提问” 来模拟这一过程。
- 这就像一名侦探（形态）询问证人（通路）：“你看到过这种活动吗？”
- 计算机生成一份 记分卡，确切显示哪些生物团队负责哪些组织形态。
为何这很重要（“可解释性”部分）
大多数 AI 模型都是“黑盒”。你输入数据，得到一个预测，但不知道原因。
- 旧方式：“计算机说风险高，因为图像看起来不好，基因看起来也不好。”（模糊不清）。
- ProtoPathway 方式：“计算机说风险高，因为 肿瘤侵袭形态 与 腺苷信号通路（一个特定的生物团队）紧密相关，而该团队已知具有侵袭性。”
由于该程序是以此方式构建的，它能够绘制患者组织的地图，并通过颜色编码显示哪些生物团队在哪些位置活跃。它甚至能告诉你哪些特定基因驱动了这些团队。
结果
作者在五种不同类型的癌症（如膀胱癌、乳腺癌和胃癌）上测试了该方法。
- 准确性：其生存预测能力与现有最佳方法相当，甚至更优。
- 速度：由于它将巨大的图像压缩为仅 16 种“主形态”，而不是查看成千上万个微小片段，因此速度更快且占用计算机内存更少。
- 可信度：它为每个预测提供清晰的生物学故事，展示从特定基因 生物通路 特定组织形态 最终风险评分的关联。
简而言之，ProtoPathway 不仅预测未来；它通过将微观指令（基因）与可见景观（组织）以生物学家能理解的方式联系起来，解释了疾病的“故事”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。