知识卡片：VirTues——跨尺度解析空间蛋白质组学的虚拟组织基础模型
一句话结论
VirTues（Virtual Tissues）是一个通用的空间蛋白质组学基础模型，利用蛋白质语言模型嵌入和分解式Transformer，从多重成像数据中直接学习蛋白质、细胞、微环境到组织的多尺度表征；从单一预训练骨干即可支持标记重建、细胞分割与分型、微环境注释、空间生物标志物发现和患者分层，并在三阴性乳腺癌中展现出优于现有方法的生物标志物预测能力。
事件概述或研究问题
空间蛋白质组学技术（如多重免疫荧光和成像质谱流式）已深刻改变了人们对癌症复杂组织结构的研究，但其计算分析面临独特挑战：每个研究使用不同的标记panel和实验协议，大多数方法仅针对单一队列设计，限制了知识迁移和稳健生物标志物的发现。VirTues旨在解决这些问题，构建一个能够直接处理高重空间蛋白质组学数据、并可跨异质panel和数据集使用的通用基础模型。
方法/产品要点
- 使用蛋白质语言模型（PLM）嵌入将每个标记的蛋白质序列映射到共享表征空间，使不同panel的标记可以相互关联，并引入训练中未见过的标记。
- 提出全新的ViT架构，将注意力分解为“标记注意力”和“空间注意力”，以可扩展的方式处理高通道数据，同时保持可解释性。
- 采用掩码自编码目标训练，支持通道级重建，即对从未测量过的标记进行“虚拟染色”。
- 模型输出编码的“patch summary token”，可进一步通过细胞分割掩模或聚合操作生成细胞级、微环境级和组织级表征。
- 支持零样本跨panel、跨数据集、甚至跨成像技术（CODEX、Orion、MIBI）的标注任务。
主要结果或产业意义
- 训练和评估基于15个IMC队列（3,102名患者、146种标记），并扩展至含32个临床队列、4种成像技术、超过5,100名患者和239种标记的多技术语料库。
- 在多项任务上优于现有方法，并表现出最强的跨技术泛化能力；仅用IMC训练的VirTues与使用多技术训练的竞争者相当，显示出稳健的零样本迁移能力。
- 在三阴性乳腺癌中，VirTues衍生的空间特征可预测抗PD-L1化疗免疫治疗反应，并在独立队列中分层无病生存，优于先前报道的空间生物标志物和当前临床分层方案。
- 这些特征代表新一代空间生物标志物：不是单一标记或细胞类型频率，而是捕捉多种细胞群表型与空间排列的复杂多细胞空间特征。
为什么重要
VirTues是首个直接运行于高重空间蛋白质组学、并能够跨异质panel和数据集整合的通用基础模型。它填补了从原始成像数据到临床可操作生物标志物分析之间的空白，为构建统一的空间蛋白质组学“虚拟组织图谱”提供了蓝图。与已有相关卡片不同，VirTues既不是机器人操作模型，也不是安全诊断方法，也不是肿瘤学决策支持的编排框架，而是将基础模型范式引入空间生物学，展示了跨队列、跨技术零样本迁移的可行性，为精准医学中的生物标志物发现提供了新的计算基础设施。
局限与不确定性
- 材料表明VirTues“主要在IMC上开发和评估”，但跨技术泛化的具体边界和性能差异细节待核实。
- 摘要中未披露模型的详细架构参数、训练计算成本以及与基线方法的完整量化比较数值，需查阅全文确认。
- 三阴性乳腺癌的临床预测结果来自特定回顾性数据集，其普遍适用性和前瞻性验证价值待核实。
- “优于现有方法”的具体基准、统计显著性和效应量在摘要中未完整呈现，待核实。
可用于图书/PPT/简报的角度
- 基础模型如何统一异质生物医学数据：以VirTues为例展示蛋白质语言模型与视觉Transformer的结合。
- 空间蛋白质组学在肿瘤微环境研究和精准医疗中的最新进展。
- 从“单队列特定模型”到“跨队列基础模型”的范式转变。
- “AI虚拟细胞”愿景的具体实现：可查询、可比较、可重建、可复用的虚拟组织表征。
与既有脉络的关系
本条与已有相关卡片（π0.7、RetroCoT、LCA）均不重复。VirTues是空间蛋白质组学领域的基础模型，不同于机器人基础模型和提示安全诊断方法；与LCA相比，VirTues不是模型无关的临床决策编排框架，而是直接从原始高重成像数据学习的端到端基础模型，覆盖从细胞分割到患者分层的完整分析流程，并通过零样本迁移支持异质panel和多种成像技术。
原始材料
- 英文标题：The Virtual Tissues foundation model resolves spatial proteomics across scales
- 英文关键词：Virtual Tissues; foundation model; spatial proteomics; tumor microenvironment; biomarker discovery
- 来源：Nature, Published online: 05 August 2026; doi:10.1038/s41586-026-10884-y
- URL: https://www.nature.com/articles/s41586-026-10884-y