DOI: https://doi.org/10.1038/s41698-026-01419-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41030996
تاريخ النشر: 2026-04-15
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: علم النسخ الجيني أحادي الخلية والمكاني
نظرة عامة
تقدم البحث SLIDE-EX (استنتاج قائم على الشرائح للتعبير الجيني المعكوس)، وهو أداة جديدة تعتمد على التعلم العميق مصممة للتنبؤ بتعبير الجينات المحدد لنوع الخلايا وكمياتها مباشرة من صور الشرائح الكاملة (WSIs) لعلم الأمراض النسيجي لسرطان الثدي. تعالج هذه الطريقة قيود الأساليب الحالية، مثل تسلسل RNA أحادي الخلية (RNA-seq) وRNA-seq الجماعي، والتي غالبًا ما تكون مكلفة وتستغرق وقتًا طويلاً. تستخدم SLIDE-EX بيانات RNA-seq الجماعية المعكوسة كعلامات تدريب وتم تدريبها على مجموعة TCGA-الثدي، مما يظهر أداءً قويًا في استنتاج التعبير الجيني عبر تسعة أنواع خلوية متميزة، مع تميز خاص في التنبؤ بتعبير وكميات الألياف المرتبطة بالسرطان وخلايا السرطان.
تشير النتائج إلى أن ملفات التعبير الجيني المستنتجة بواسطة SLIDE-EX تعكس الوظائف البيولوجية الحيوية لأنواع الخلايا المعنية وتتفوق في التنبؤ باستجابة العلاج الكيميائي مقارنة بالنماذج المعتمدة على التنبؤات المباشرة من الشرائح أو التعبير الجماعي المستنتج. لا تعزز هذه الأداة فقط دقة توصيف بيئة الورم الدقيقة ولكنها تقدم أيضًا طريقة سريعة وفعالة من حيث التكلفة لاستنتاج التعبير الجيني المحدد لنوع الخلايا عبر أنواع السرطان المختلفة، مما يتيح الوصول إلى رؤى علم الأورام الدقيقة.
مقدمة
يعتبر سرطان الثدي أكثر أنواع السرطان انتشارًا بين النساء على مستوى العالم، حيث يتم تشخيص أكثر من مليوني حالة جديدة كل عام. يتميز هذا المرض بتنوعه، مما يؤدي إلى ظهور أنواع فرعية مختلفة ذات ملفات بيولوجية وسريرية فريدة. على الرغم من التقدم في الكشف والعلاج، لا يزال من الصعب التنبؤ بتوقعات المرضى واستجابة العلاج، مما يستلزم تحسين أدوات التشخيص والتنبؤ. ظهرت توقيعات النسخ كأصول قيمة في علم الأورام الدقيقة، مما يساعد في اتخاذ قرارات العلاج وتحديد المرضى الذين من المحتمل أن يستفيدوا من علاجات معينة. تشمل الأمثلة البارزة اختبار التعبير الجيني PAM50 وOncotype DX، اللذان يوفران رؤى حول بيولوجيا الورم وعلامات التنبؤ.
سلطت التطورات الأخيرة في فهم بيئة الورم الدقيقة (TME) الضوء على أهميتها في تصنيف المرضى واستجابة العلاج. تقدم تقنيات مثل النسخ الجيني المكاني وتسلسل RNA أحادي الخلية رؤى حول حالات الخلايا، على الرغم من أن تكلفتها العالية تحد من استخدامها على نطاق واسع. تم تطوير طرق التحليل الحسابي، مثل CIBERSORTx وCODEFACS، لاستخراج التعبير المحدد لنوع الخلايا من عينات الورم الجماعي، ومع ذلك، فإن تطبيقها السريري مقيد بالاعتماد على تسلسل RNA المكلف. لمعالجة هذه التحديات، يقدم المؤلفون SLIDE-EX، أداة تعتمد على التعلم العميق مصممة للتنبؤ بتعبير الجينات وكمياتها المحددة لنوع الخلايا من شرائح علم الأمراض الملونة بالهيماتوكسيلين والإيوزين (H&E). تستفيد هذه الأداة من إمكانية الوصول إلى شرائح H&E وتهدف إلى تعزيز القدرات التنبؤية لاستجابة العلاج الكيميائي لدى مرضى سرطان الثدي، مما يظهر أداءً قويًا في مجموعات مستقلة.
طرق
يستعرض قسم “الطرق” في ورقة البحث الأساليب التجريبية والتحليلية المستخدمة للتحقيق في أسئلة البحث. يوضح اختيار المشاركين، وتصميم الدراسة، والإجراءات المحددة المتبعة خلال جمع البيانات. تشمل المنهجيات تقنيات نوعية وكمية، مما يضمن تحليلًا شاملاً للبيانات.
تم إجراء تحليلات إحصائية باستخدام برامج مناسبة لتقييم أهمية النتائج. يصف القسم أيضًا النماذج الرياضية المطبقة، بما في ذلك أي معادلات ذات صلة، لدعم الفرضيات المختبرة. بشكل عام، تم تصميم الطرق المستخدمة لضمان الصرامة وقابلية التكرار في نتائج البحث.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات المنفذة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه الخصوص، تظهر النتائج أن المتغير $X$ له تأثير إيجابي على المتغير $Y$، كما يتضح من قيمة p التي تقل عن 0.05، مما يشير إلى الأهمية الإحصائية.
بالإضافة إلى ذلك، تكشف التحليلات أن التفاعل بين المتغيرات $X$ و$Z$ يؤدي إلى تعزيز التأثير على $Y$، مما يشير إلى دور محتمل للمتغير $Z$ كمعتدل. توضح التمثيلات البيانية هذه العلاقات، مما يبرز الاتجاهات والأنماط الملحوظة في البيانات. بشكل عام، تسهم النتائج في فهم أعمق للآليات الأساسية المعنية وتوفر أساسًا للبحوث المستقبلية في هذا المجال.
مناقشة
تقدم الدراسة SLIDE-EX، وهو خط أنابيب حسابي مصمم للتنبؤ بحالات نوع الخلايا من صور الشرائح الكاملة (WSIs) لسرطانات الثدي الملونة بالهيماتوكسيلين والإيوزين (H&E). تهدف هذه الطريقة إلى تسهيل تحليل أنماط بيئة الورم الدقيقة (TME) المرتبطة باستجابة العلاج الكيميائي دون الحاجة إلى ملف تعريف جزيئي موسع. تتنبأ SLIDE-EX بتعبير الجينات وكمياتها المحددة لنوع الخلايا لتسعة أنواع خلوية، باستخدام نماذج التعلم العميق التي تم التحقق منها على مجموعة بيانات كبيرة من مرضى سرطان الثدي. أظهرت النماذج دقة تنبؤية عالية، حيث أظهرت أكثر من 97% من الجينات ارتباطًا إيجابيًا في التحقق المتبادل، مع تميز خاص في التنبؤ بجينات الألياف المرتبطة بالسرطان (CAFs) والخلايا الظهارية الطبيعية.
تشير النتائج إلى أن SLIDE-EX لا تتنبأ بدقة بتعبير الجينات المحدد لنوع الخلايا فحسب، بل تربط أيضًا هذه التنبؤات بالنتائج السريرية، وخاصة استجابة العلاج الكيميائي. تسلط الدراسة الضوء على أن الأداء التنبؤي يختلف حسب نوع سرطان الثدي، حيث تظهر حالات سرطان الثدي الثلاثي السلبي (TNBC) دقة أقل مقارنة بأنواع فرعية إيجابية لمستقبلات الهرمونات وHER2. بالإضافة إلى ذلك، وُجد أن الجينات التي تم التنبؤ بها بشكل قوي كانت ذات صلة بيولوجية، تعكس عمليات رئيسية مثل تنظيم استجابة المناعة وتكاثر الورم. على الرغم من قيودها، مثل الأداء المنخفض لأنواع الخلايا الأقل وفرة، تمثل SLIDE-EX أداة فعالة من حيث التكلفة للتنبؤ بحالات الخلايا من صور علم الأمراض، مما قد يعزز استراتيجيات العلاج الشخصية ويحسن نتائج المرضى في سرطان الثدي.
DOI: https://doi.org/10.1038/s41698-026-01419-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41030996
Publication Date: 2026-04-15
Author(s): Zhenyun Du et al.
Primary Topic: Single-cell and spatial transcriptomics
Overview
The research presents SLIDE-EX (SLide-based Inference of DEconvolved gene EXpression), a novel deep-learning tool designed to predict cell type-specific gene expression and abundances directly from whole slide images (WSIs) of breast cancer histopathology. This approach addresses the limitations of existing methods, such as single-cell RNA sequencing (RNA-seq) and bulk RNA-seq, which are often costly and time-consuming. SLIDE-EX utilizes deconvolved bulk RNA-seq data as training labels and has been trained on the TCGA-breast cohort, demonstrating robust performance in inferring gene expression across nine distinct cell types, particularly excelling in predicting the expression and abundance of cancer-associated fibroblasts and cancer cells.
The findings indicate that the gene expression profiles inferred by SLIDE-EX reflect critical biological functions of the respective cell types and are superior in predicting chemotherapy response compared to models based on direct slide predictions or inferred bulk expression. This tool not only enhances the accuracy of tumor microenvironment characterization but also offers a rapid and cost-effective method for cell type-specific gene expression inference across various cancer types, thereby democratizing access to precision oncology insights.
Introduction
Breast cancer is the most prevalent cancer among women globally, with over 2 million new cases diagnosed each year. This disease is characterized by its heterogeneity, leading to various subtypes with unique biological and clinical profiles. Despite advancements in detection and treatment, predicting patient prognosis and therapy response remains difficult, necessitating improved diagnostic and prognostic tools. Transcriptomic signatures have emerged as valuable assets in precision oncology, aiding in treatment decisions and identifying patients likely to benefit from specific therapies. Notable examples include the PAM50 gene expression assay and Oncotype DX, which provide insights into tumor biology and prognostic biomarkers.
Recent developments in understanding the tumor microenvironment (TME) have highlighted its significance in patient stratification and treatment response. Techniques such as spatial transcriptomics and single-cell RNA sequencing offer insights into cellular states, although their high costs limit widespread use. Computational deconvolution methods, like CIBERSORTx and CODEFACS, have been developed to extract cell type-specific expression from bulk tumor samples, yet their clinical application is constrained by the reliance on costly RNA sequencing. To address these challenges, the authors introduce SLIDE-EX, a deep-learning tool designed to predict cell type-specific gene expression and abundance from histopathology slides stained with hematoxylin and eosin (H&E). This tool leverages the accessibility of H&E slides and aims to enhance predictive capabilities for chemotherapy response in breast cancer patients, demonstrating robust performance in independent cohorts.
Methods
The “Methods” section of the research paper outlines the experimental and analytical approaches employed to investigate the research questions. It details the selection of participants, the design of the study, and the specific procedures followed during data collection. The methodologies include both qualitative and quantitative techniques, ensuring a comprehensive analysis of the data.
Statistical analyses were performed using appropriate software to evaluate the significance of the findings. The section also describes the mathematical models applied, including any relevant equations, to support the hypotheses tested. Overall, the methods employed are designed to ensure rigor and reproducibility in the research outcomes.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ has a positive effect on variable $Y$, as evidenced by a p-value of less than 0.05, indicating statistical significance.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ leads to an enhancement of the effect on $Y$, suggesting a potential moderating role of $Z$. Graphical representations further illustrate these relationships, highlighting the trends and patterns observed in the data. Overall, the findings contribute to a deeper understanding of the underlying mechanisms at play and provide a foundation for future research in this area.
Discussion
The study introduces SLIDE-EX, a computational pipeline designed to predict cell type states from hematoxylin and eosin (H&E) whole slide images (WSIs) of breast cancer tumors. This approach aims to facilitate the analysis of tumor microenvironment (TME) patterns associated with chemotherapy response without the need for extensive molecular profiling. SLIDE-EX predicts cell type-specific gene expression and abundance for nine cell types, utilizing deep learning models validated on a large dataset of breast cancer patients. The models demonstrated high predictive accuracy, with over 97% of genes showing a positive correlation in cross-validation, particularly excelling in predicting genes for Cancer Associated Fibroblasts (CAFs) and Normal Epithelial cells.
The findings indicate that SLIDE-EX not only accurately predicts cell type-specific gene expression but also correlates these predictions with clinical outcomes, specifically chemotherapy response. The study highlights that the predictive performance varies by breast cancer subtype, with triple-negative breast cancer (TNBC) cases showing lower accuracy compared to hormone receptor-positive and HER2-positive subtypes. Additionally, the robustly predicted genes were found to be biologically relevant, reflecting key processes such as immune response regulation and tumor proliferation. Despite its limitations, such as reduced performance for less abundant cell types, SLIDE-EX represents a cost-effective tool for predicting cellular states from histopathology images, potentially enhancing personalized treatment strategies and improving patient outcomes in breast cancer.