AI 热点

spora:用于空间蛋白质组学的统一多模态数据集与平台

AIhub更新于 11月19日 04:42

A multimodal dataset for spatial proteomics - ΑΙhub

AI 导读

EPFL 团队发布空间蛋白质组学数据集与平台 spora,收录来自 5,477 名患者的 13,546 张多重成像图像,覆盖 14 种组织来源和五种成像技术。该资源保留原始研究与标注的关联,并提供数据访问、分析、AI 模型开发及跨研究评估工具;相关研究发表于 NeurIPS 2026。

推荐理由

AI 评分 55

spora 统一整理跨机构、跨成像技术的空间蛋白质组数据,为训练和跨队列评估 AI 模型提供可复用基础。

主题

标签

正文 · AI 翻译

用于空间蛋白质组学的多模态数据集

组织微阵列中肺肿瘤组织芯的成像质谱流式细胞术图像。2026 EPFL/AIMM – CC-BY-SA 4.0。

作者:Tanya Petersen

EPFL 的研究人员创建了全球规模最大的开放获取空间蛋白质组学组织图像集合,汇集了来自逾 5,000 名患者的样本。这一名为 spora 的新资源旨在加速利用 AI 研究组织如何发挥功能以及疾病如何发展的进程。

细胞在组织中的排列方式能够揭示与细胞本身同样多的疾病信息。例如,医生检查癌症肿瘤时,不仅会查看其中有哪些细胞,还希望了解这些细胞如何排列以及彼此如何相互作用。这是因为癌细胞与邻近免疫细胞的相互作用方式,可以为疾病如何发展或对治疗产生反应提供重要线索。

科学家可以利用空间蛋白质组学研究这些关系。这项技术在保留数十种蛋白质位置信息的同时对其进行测量,从而捕捉这种组织结构。由于蛋白质有助于控制细胞的行为,这些图像能够宝贵地呈现健康组织和病变组织的运作方式。

但由此产生的数据集很难整合。世界各地的研究实验室使用不同的设备、检测不同的蛋白质,并以不同方式存储结果。整合这些信息既复杂又耗时,因此无论是在传统研究中使用大量数据,还是如今利用这些数据训练人工智能,都十分困难。

为克服这一挑战,EPFL 生命科学学院以及计算机与通信科学学院的 Charlotte Bunne 分子医学人工智能团队牵头开发了空间蛋白质组学参考图谱 spora。这是全球规模最大、可免费获取的空间蛋白质组学组织图像与医疗数据集合,旨在降低研究难度。

两年的工作

该集合与欧洲分子生物学实验室欧洲生物信息学研究所(EMBL-EBI)合作发布,收录了来自 5,477 名患者的 13,546 张多重成像图像,涵盖 14 种组织来源和五种成像技术。在条件允许的情况下,其中还包含配对的组织病理学图像,将分子测量结果与常规病理诊断所使用的组织图像联系起来。

spora 的创建历时两年,由 EPFL、苏黎世大学医院、苏黎世大学、日内瓦大学医院和日内瓦大学的科学家及生物医学专家共同完成。研究人员必须整理数千张图像、统一蛋白质标注、匹配医疗信息并识别单个细胞,以便对不同研究的数据进行比较。

“跨队列收集并协调统一数据需要耗费大量时间,这为大规模 AI 开发和生物学发现都设置了重大障碍,”EPFL 博士生、该研究第一作者 Benedikt von Querfurth 表示,“我们希望研究人员一开始就能获得可直接使用的数据,从而专注于模型和生物学问题。”

迈向更准确的患者预测

该集合保留了指向原始研究及其标注的链接。所测蛋白质、成像条件和可用临床信息之间的差异仍清晰可见,帮助研究人员判断哪些数据集适合他们所研究的问题。

除“图谱”本身外,spora 还为研究人员提供了访问和分析数据、开发 AI 模型,以及评估模型在不同研究中表现的工具。“这一点很重要,因为一个模型可能在某项研究中表现良好,但在患者、实验室或测量技术发生变化后仍会遇到困难,”EPFL 和苏黎世大学医院的博士后研究员 Lukas Klein 表示,“共享数据集和评估规程使我们能够系统地考察这些差异。如果我们希望 AI 模型捕捉到超越单一队列的生物学规律,这一点至关重要。”

尽管 spora 目前主要聚焦于癌症研究,该团队仍希望将其扩展至更多组织、疾病和成像技术。“我们的目标是把从数千份组织样本中获得的认识转化为能够帮助个体患者的洞见,”Bunne 表示,“通过与临床医生密切合作,我们力求将这些洞见转化为更准确的预测,以判断患者的疾病将如何进展,以及哪些治疗最有可能使其受益。”

参考文献

spora:用于空间蛋白质组学的统一多模态数据集与平台,Benedikt von Querfurth、Johann Wenckstern、Eeshaan Jain、Lukas Klein、Phil Cheng、Yexiang Cheng、Cedric Vincent-Cuaz、Martina Haberecker、Pascal Frossard、Andreas Wicki、Olivier Michielin、Charlotte Bunne,NeurIPS 2026。

可控 AI 与本地知识的力量:对 Carmen Amo Alonso 的访谈

Ella Scallan

2026 年 11 月 17 日

我们如何构建能够按照我们的意愿行事的 AI 系统?控制理论可以提供帮助。

数据驱动的二维材料再发现

林雪平大学

2026 年 11 月 16 日

在 AI 的帮助下,研究人员从旧数据库中发现了此前被忽略的二维材料 MXenes。

精通技术的 STEM 学生容易让 AI 代替自己思考

俄勒冈州立大学

2026 年 11 月 13 日

学生如何才能摆脱对 AI 工具的依赖?

每日隐形词:为作业提示添加水印,以检测复制粘贴的聊天机器人答案

Aizierjiang Aiersilan

2026 年 11 月 12 日

SteganoPrompt 使教育工作者能够在作业提示中嵌入一条不可见但会公开声明的指令。

AI100 纵向研究考察 AI 如何进入主流

Lucy Smith

2026 年 11 月 10 日

该报告每五年发布一次,由该领域的专家编写。

AI 先驱

着眼宏大目标——从约束编程到“圣杯”:对 Gene Freuder 的访谈

Ella Scallan

2026 年 11 月 10 日

在最新一期《AI 先驱》中,我们与 Gene Freuder 探讨了约束编程领域、AI 中的神经符号方法与生成式 AI 方法,以及计算机科学的宏观图景。

攻击者如何说服 AI 智能体打破规则

洛桑联邦理工学院

2026 年 11 月 9 日

随着 AI 助手演变为 AI 智能体,一项研究发现,其使用过程中最大的安全风险可能并非来自单个恶意提示,而是来自精心策划的对话。

对 Minji Park 的访谈:让人类参与其中,使语言模型保持最新状态

Lucy Smith

2026 年 11 月 6 日

通过共享的可编辑状态实现人类与 AI 协同推理。

人工智能理解协会

来源

AIhub