近日，华南理工大学生物科学与工程学院凌飞教授、智能算法中心黄翰教授与广东省人民医院胸外科周海榆教授团队在中国科协主办、与全球顶尖科学协会——美国科学促进会（AAAS，即《Science》杂志的出版方）合办的《Research》（影响因子10.7）期刊上发表了题为《PRTS: Predicting Single-Cell Spatial Transcriptomic Maps from Histological Images》的研究论文，提出了一种名为Pathology-driven Reconstruction of Transcriptomic States（PRTS）的新型深度学习框架，能够直接从H&E染色的组织学图像中预测单细胞级别的空间转录组数据。该方法能够提升或生成高分辨率的预测数据，为低成本、大规模开展空间转录组研究提供了可行方案。本研究由华南理工大学生物科学与工程学院2025届本科生文敬奕(现为清华大学博士研究生)为第一作者，华南理工大学生物科学与工程学院为第一通讯单位。

论文链接是：https://doi.org/10.34133/research.0961

空间转录组技术是解析组织微环境中基因表达异质性的重要工具，然而其高昂的成本和技术复杂性限制了其广泛应用。现有预测方法多基于点位级别的转录组数据，难以实现真正的单细胞分辨率。PRTS则通过整合局部细胞形态特征与全局组织微环境信息，在测试切片中实现了以细胞为预测单位的预测基因表达谱（图1）。

 图1  PRTS概述

研究团队利用公开的Visium HD数据训练模型，并在多个独立样本中展示其预测效果。结果显示，PRTS为鼠脑切片生成了数万个细胞图块的基因表达数据，空间分辨率较普通空间转录组明显提升。在测试切片中，PRTS预测的表达模式与真实测序数据高度一致，多个关键基因的空间分布与已知生物学知识相符（图2）。

 图2  PRTS在预测基因表达方面的表现

此外，PRTS还可直接输出用于单细胞转录组分析的细胞X基因表达矩阵，支持细胞聚类、注释和功能富集分析等下游任务。研究团队进一步在乳腺癌和肺癌样本中测试了PRTS，展示了该方法在不同组织类型中的应用前景。

总之，该研究不仅提供了一种经济高效的空间转录组数据生成新路径，也为病理图像与组学数据的深度融合提供了可扩展的算法框架。未来，随着更多样本和测序平台的加入，PRTS有望在肿瘤微环境解析、疾病机制研究等领域发挥更大作用。