新智元報道

編輯：傾傾

微軟在《Cell》公布了最新成果：GigaTIME能把一張H&E切片翻譯成過去稀缺的免疫圖譜，并在人群尺度重建TIME。癌癥免疫研究的許多舊限制，也因此開始松動。

你很難想象，一張醫院里5美元的H&E切片，有一天會被放到《Cell》上，甚至讓微軟CEO親自站出來轉發。

但就是這樣一張5美元的病理圖，被AI徹底改變了。

AI把它翻譯成了昂貴的、稀缺的、過去根本無法規模化的mIF免疫圖像。

當這種翻譯被執行在14256名患者身上，形成近30萬張虛擬免疫圖譜之后，一個從未出現過的「虛擬人群」被點亮了。

這意味著，癌癥免疫研究第一次擺脫了樣本之痛，有機會去回答那些之前無法回答的問題。

也意味著，醫學的尺度正悄悄發生偏移。

5美元切片的逆襲

當外界把癌癥免疫研究和「昂貴」、「稀缺」畫上等號時，GigaTIME卻用最樸素、最廉價的切片打開了一條全新的通道。

傳統的multiplex immunofluorescence (mIF)，每張切片動輒幾千美元，耗時長、樣本少 。

就算是頂尖實驗室，一年的產出也只能覆蓋整體樣本的極少部分。這就注定了，傳統mIF無法大面積使用。

但醫院每天產生的H&E染色切片，每張只要5～10美元。

幾十年來，它只被當做「常規診斷工具」，沒有人會把它和「高維免疫圖譜」聯想在一起。

GigaTIME改變了這一點。它通過跨模態學習，把H&E里的形態特征翻譯成mIF中的21個蛋白通道，讓本來昂貴、稀缺、無法規模化的免疫信息，復制到每一張普通切片上。

A–B展示GigaTIME在結構一致性與信號一致性上均顯著優于CycleGAN；C展示虛擬mIF與真實mIF的強相關性（以 DAPI、CK、CD68、CD4為例）

這不是的小把戲，而是「結構性翻譯」：細胞核、細胞質、結構紋理里潛藏的信號，重建成免疫空間里的真實表達。

這就是為什么微軟CEO會在X上親自強調：

AI正在讓我們以前看不見的免疫信息，變得觸手可及。

它向世界證明證明：癌癥研究最貴的那部分，可以從最便宜的部分中「翻譯」出來。

而當這種翻譯被執行成規模時，一個全新的研究世界才開始展開。

分析14256名癌癥患者后，打開新世界的大門

GigaTIME把H&E翻譯成mIF后，發現了一個前所未有的研究窗口。

過去，受限于成本和樣本量，免疫微環境（TIME）往往只能在幾十例、最多上百例病例中觀察。

而這一次，研究團隊把模型應用在14256名癌癥患者身上，橫跨24種癌癥、306個亞型，最終生成了299376張虛擬mIF圖像。

這些病例來自Providence的真實世界臨床醫療體系，橫跨51家醫院，上千家診所。

這使GigaTIME的訓練與驗證扎根現實的土壤，而不是實驗室的無菌環境。

GigaTIME的整體研究框架。展示了14,000+患者規模的真實世界數據，H&E→虛擬mIF的翻譯流程，以及三大下游任務（生物標志物關聯、患者分層、TCGA 驗證）。

積累十年的數據，一次就被趕超。

這份虛擬人群帶來的第一個成果，是規模化的生物標志物關聯圖譜。

研究者在其中識別出1234個統計學顯著的蛋白質–生物標志物關聯。

跨癌種的TIME免疫光譜圖。展示不同癌種在21個蛋白通道上的免疫激活差異，涵蓋增殖、免疫檢查點、上皮–間質等功能類別。

其中既包括已有文獻支持的模式，例如MSI高、TMB高通常伴隨TIME相關通道的升高 ；也出現了一些跨癌種的新型關聯，例如與KRAS、KMT2D等驅動突變之間的免疫鏈接 。

更重要的是，這個虛擬人群并非閉門造車。

研究團隊把GigaTIME生成的虛擬mIF與TCGA 10200名患者的數據進行了對照 ，得到了r =0.88的跨數據集一致性。

Providence vs TCGA的虛擬mIF一致性

這意味著，無論是人群分布、癌種構成還是組織來源完全不同， GigaTIME的免疫翻譯都保持了高度穩健。

微軟研究院將這項工作定義為：全球首個基于空間蛋白質組學的population-scaleTIME研究。

過去，由于mIF稀缺，這類分析大多是理論上存在，如今，GigaTIME把事實擺在我們眼前。

免疫能不能預測疾病？虛擬人群給出答案

接下來的工作，就是驗證：這些被AI翻譯出來的免疫信息，能不能用來判斷疾病？能不能用于臨床指導？

答案比預期更大膽。

研究團隊對近30萬張虛擬mIF做了關聯分析，發現了 1234項統計學顯著的蛋白質–生物標志物關系。

這些關系橫跨跨癌種、癌種內部和亞型內三個層級。

其中既有文獻驗證的模式，例如MSI-H/TMB-H通常伴隨 CD138、CD4等免疫相關通道普遍上調；

也出現了過去因樣本量不足而無法觀察到的新人群特征，例如KRAS、KMT2D等驅動突變與免疫活化之間的全局關聯。

虛擬 mIF × 生物標志物的關聯矩陣

這是我們第一次在真實人群尺度上看到癌癥免疫的因果紋理。

研究團隊進一步提出問題：如果把21個虛擬mIF通道組合成一個整體特征，能否用于區分患者的生存風險？

答案是肯定的。

虛擬mIF的生存分層能力。A–C展示虛擬mIF與病理分期的相關性；D–F顯示CD3、CD8與GigaTIME signature在pan-cancer、肺癌、腦癌中的生存分層表現；G則給出不同蛋白通道對生存預測的重要性排序。

pan-cancer層面，GigaTIME signature能明顯區分生存曲線；

在肺癌和腦癌中，也呈現穩定的分層能力；

虛擬 CD3、虛擬 CD8 的預測效果，與真實CD3/CD8在文獻中的表現高度一致。

綜合21通道的signature性能更優

AI翻譯出來的免疫圖譜不僅「像真的」，而且「能像真的一樣用」。

免疫微環境真正難的一點，在于它是一個復雜的「空間結構問題」。

虛擬mIF的空間激活圖

這類「免疫模式的合取與并集」在過去只能靠假設推測，現在在虛擬人群中可以直接驗證。

GigaTIME讓免疫微環境的「幾何學」第一次能被系統分析。

GigaTIME學到的不只技巧，還有語言本身

真正讓人相信它的，從來不是它預測得多么準確，而是「它是怎么學會這些的？」

GigaTIME的可信度，其實在它誕生的那一刻就已經定下來了。

mIF價格高昂，一張幾千美元，做研究就像是在燒錢。

H&E則完全相反，5~10美元一張，全球各地都在用它生成、掃描、存檔。

GigaTIME，把這兩種世界接在了一起。

它從4千萬個細胞級別、逐一對應的H&E和mIF中學會了它們之間的語言關系。

更關鍵的是，當模型離開訓練它的那套數據，被放到一個不同醫院體系、不同樣本來源的人群上時，依舊能行為穩定。

往前走一步，很容易就能發現GigaTIME是站在巨人的肩膀上。

微軟此前的GigaPath已經證明，H&E里藏著極其豐富的結構信號。

GigaTIME只是進一步把這種結構翻譯成免疫，把只有實驗才能看到的東西，放在我們眼前。

也正因如此，前面那些大規模關聯、生存分層、空間結構的發現，才不是模型的幻覺。

它們之所以可信，是因為模型從第一天起就站在真實世界的對照數據上，并不斷在獨立人群上被驗證。

你會感覺它不是「猜得對」，而是真的「聽得懂」。

從一張H&E切片開始，GigaTIME推開了一扇沒人想過的門：

learning the language of patients.

意思是，醫學終于有機會，把看得見的東西，延伸成真正能讀懂病人的語言。

它不是終點，更像是虛擬患者時代的第一塊基石。

當免疫圖譜能在幾十萬人的尺度上重建，未來關于疾病的預測、治療反應的推演，可能都不止停留在猜測。

如今，GigaTIME已在Foundry Labs與HuggingFace全量開源，這意味著它的優勢不再屬于少數團隊，而將成為整個醫學界都能繼續構建的基礎能力。

新的故事，也許就會從這里開始。

參考資料：

https://x.com/satyanadella/status/1998424249611211263

https://www.microsoft.com/en-us/research/blog/gigatime-scaling-tumor-microenvironment-modeling-using-virtual-population-generated-by-multimodal-ai/

https://www.cell.com/cell/fulltext/S0092-8674(25)01312-1

秒追ASI

?點贊、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！