HistoPrism: Unlocking Functional Pathway Analysis from Pan-Cancer Histology via Gene Expression Prediction¶

会议: ICLR 2026
arXiv: 2601.21560
代码: GitHub
领域: 计算生物 关键词: 空间转录组学, 基因表达预测, Pan-Cancer, Pathway分析, Transformer

一句话总结¶

本文提出 HistoPrism，一个高效的 Transformer 架构，通过交叉注意力注入癌症类型条件来从 H&E 病理图像预测泛癌基因表达，并提出基于 Hallmark/GO 通路的 Gene Pathway Coherence (GPC) 评估框架，在通路级别预测上大幅超越 STPath，尤其在低方差核心生物通路上优势显著。

研究背景与动机¶

领域现状：空间转录组学（ST）是将高分辨率成像与转录组分析结合、在组织原位映射基因表达分布的技术。但 ST 成本高、劳动密集、难以规模化。H&E 染色的全切片图像（WSI）在临床中常规采集，因此从 H&E 计算推断基因表达成为热门方向。

现有痛点：(1) 早期方法（BLEEP、GraphST、TRIPLEX）依赖复杂的多阶段 pipeline，使用对比学习（负样本定义困难）或多分辨率工程（计算开销大）；(2) 生成式方法（STEM、STFlow）虽建模一对多映射，但仅在单癌种验证且计算密集；(3) STPath 使用 BERT 式掩码基因建模在38k基因上学习泛癌预测，但假设基因间相关性跨组织稳定（在异质性大的泛癌设置中易失效），且模型庞大导致训练/推理资源需求高。

核心矛盾：现有评估标准只关注 top-N 高变异基因（HVG）的 Pearson 相关性，忽略了功能通路层面的生物学一致性。一个模型可以在 HVG 上达到高分但无法恢复生物学上有意义的协调表达模式，限制了临床转化价值。

本文目标 (1) 设计高效的直接映射架构替代复杂的重建式方法；(2) 建立通路级别的评估标准来衡量预测的生物学意义。

切入角度：作者认为基因表达预测本质上是模态翻译（图像→表达）任务而非重建任务，直接映射比自编码器框架更合适；评估应从孤立基因级方差转向功能通路级一致性。

核心 idea：用交叉注意力注入癌症类型条件 + Transformer 编码器捕获 patch 间上下文 + MLP 直接回归基因表达，并用通路级 GPC 基准评估生物学保真度。

方法详解¶

整体框架¶

HistoPrism 把"从 H&E 图像预测基因表达"当成一个直接的模态翻译任务，而不是 STPath 那样的掩码重建任务。整条流程很短：H&E WSI 先经病理基础模型（UNI PFM）抽出每个 patch 的特征 \(\mathbf{x}_i \in \mathbb{R}^{D_{img}}\)；这些 patch 特征用癌症类型 one-hot 编码 \(\mathbf{c}\) 做交叉注意力条件化，把"这是哪种癌"的全局信息注入进来；条件化后的特征过一个 Transformer 编码器建模 patch 之间的空间上下文，最后由 MLP 回归头直接吐出每个 patch 的 \(D_{gene}\) 维基因表达。除了这条预测主干，本文还单独提出一套通路级评估框架 GPC，用来衡量预测结果在生物学上是否站得住。

关键设计¶

1. 泛癌条件化交叉注意力：让一个模型同时吃下多种癌

泛癌设置的麻烦在于不同癌种的表达模式差异很大，直接混在一起训会互相干扰。这里的做法是把 one-hot 癌症类型向量经线性层映射成 \(\mathbf{c}_{\text{emb}} \in \mathbb{R}^{D_{img}}\)，让它充当交叉注意力的 Key 和 Value，而 patch 特征作 Query，算出条件化后的 patch 特征 \(\mathbf{X}_{\text{cond}}\)。这样每个 patch 的表示都会被"当前是哪种癌"调制一遍，模型得以同时学到泛癌共享的模式和癌种特异的模式。消融实验里去掉这个交叉注意力后所有癌种性能一致下降，说明这个条件化确实在起作用。

2. Transformer 编码器做上下文聚合：从单个 patch 升到组织结构

单个 patch 只看到局部形态，但基因表达往往跟肿瘤边界、免疫浸润这类高层组织结构有关。条件化后的 patch 特征先投影到隐层维度 \(D_{hidden}=256\)，再过一个 2 层 8 头的 Transformer 编码器，输出 \(\mathbf{H}_{\text{latent}} \in \mathbb{R}^{N \times D_{hidden}}\)，让每个 patch 都能聚合到短程和长程的邻居信息。一个反直觉的发现是：不加位置编码反而更好——大概是因为 UNI PFM 特征本身已经携带了形态信息，此时把 Transformer 当成一个置换不变的集合函数、利用全局组成结构，比强行注入固定位置坐标更合适。

3. Gene Pathway Coherence (GPC)：把评估从单基因方差搬到功能通路

现有评估只盯着 top-N 高变异基因（HVG）的 Pearson 相关性，于是一个模型可以在 HVG 上刷出高分，却完全恢复不出生物学上有意义的协调表达——那些低方差但对应核心生物过程的通路被彻底忽略了。GPC 换了个角度：先从 MSigDB Hallmark（50 条通路）和 GO 数据库筛出 87 条非冗余通路（每条 50–100 个基因，用 Jaccard 相似度 < 0.1 去冗余），然后对每条通路内所有成员基因计算跨 patch 的 Pearson 相关系数再平均

\[s_m = \frac{1}{N} \sum_{i=1}^{N} \frac{1}{|P_m|} \sum_{g \in P_m} r_{i,g}\]

得到该通路的一致性得分。\(s_m\) 越高，说明预测出的表达在这条通路上越协调，也就越贴近临床真正关心的"功能通路是否被恢复"，而不只是"个别高方差基因预测得准"。

损失函数 / 训练策略¶

端到端训练，目标函数为 MSE 损失：\(\mathcal{L}_{\text{MSE}} = \frac{1}{N} \sum_{i \in N} (\hat{y}_i - y_i)^2\)。在 HEST1k 数据集上训练，该数据集聚合了153个队列、36项独立研究的空间转录组数据。HistoPrism 仅需约500张 WSI 训练，约为 STPath 的一半。

实验关键数据¶

主实验（Top50 HVG PCC）¶

癌种	STPath (微均)	HistoPrism (微均)
CCRCC	0.117	0.206
COAD	0.459	0.397
HCC	0.094	0.113
IDC	0.629	0.477
PRAD	0.255	0.317
全部平均(微均)	0.292	0.318

GPC 通路级别评估¶

通路数据库	HistoPrism 胜出比例
Hallmark 通路 (50条)	86.0%
GO 通路 (87条)	74.7%

聚类质量对比¶

模型	AMI ↑	ARI ↑
STPath	0.395	0.402
HistoPrism	0.623	0.521

关键发现¶

HistoPrism 在微均 PCC 上超越 STPath（0.318 vs 0.292），微均更能反映跨癌种的整体预测质量
通路级别预测是最大亮点：在86%的 Hallmark 通路和75%的 GO 通路上优于 STPath，尤其在低方差通路上优势最大——这些通路往往对应核心生物学过程
聚类实验中 AMI 从0.395提升到0.623（+57.7%），说明 HistoPrism 的全转录组预测在整体上更具生物学一致性
位置编码无益于性能，暗示预测任务主要是局部的，PFM 特征已捕获了形态信息

亮点与洞察¶

GPC 评估框架的提出是本文最重要的贡献——将评估从孤立的高方差基因转向功能通路的协调表达，更符合临床和生物学的真实需求。这比单纯提升 HVG PCC 有更大的方法论意义
直接映射架构 vs 自编码器框架的选择非常有洞察——基因表达预测是单向翻译任务，没有输入侧基因信息可供重建，自编码器的归纳偏置反而是负担
交叉注意力做泛癌条件化的设计简洁高效，且消融实验中去掉交叉注意力的性能下降验证了其必要性

局限与展望¶

STPath 在 IDC（乳腺浸润性导管癌）和 COAD（结肠腺癌）上的宏均 PCC 仍然领先，说明 HistoPrism 在某些癌种上的特异性学习还有提升空间
GPC 框架中通路的筛选标准（50-100基因、Jaccard < 0.1）是人为设定的，不同阈值可能影响评估结论
仅使用 UNI 一种 PFM 作为特征提取器，未测试不同 PFM（如 GigaPath、CTransPath）的影响
生成式方法（STEM、STFlow）在泛癌设置下表现差，但作者承认受限于计算资源只用了部分基因训练这些基线

评分¶

新颖性: ⭐⭐⭐⭐ GPC 评估框架的提出有重要方法论贡献，架构设计简洁但缺乏突破性创新
实验充分度: ⭐⭐⭐⭐⭐ 10个癌种、多基线对比、通路级评估、聚类分析、效率对比、消融实验，非常全面
写作质量: ⭐⭐⭐⭐ 问题动机和评估框架阐述清晰，方法部分公式化到位
价值: ⭐⭐⭐⭐⭐ GPC 评估范式对计算病理学领域有深远影响，HistoPrism 本身也是实用的高效工具