Nature Methods：超越形态学边界——GHIST深度学习框架实现从细胞结构到基因功能的精准预测

想象一下，你正凝视着一张百年历史的黑白老照片。照片里有建筑，有人群，轮廓清晰，姿态各异。你能分辨出男女老少，能猜测他们的社会角色，甚至能从建筑风格中读出那个时代的印记。但你永远无法知道，那一刻，照片中每个人心中在想什么，他们在窃窃私语什么，他们身体的每一个细胞正在经历怎样的生命活动。

在病理学家的世界里，标准的苏木精-伊红染色(Hematoxylin and Eosin staining, H E)切片就像这样一张信息丰富却又 沉默 的黑白照片。一百多年来，这种经典的染色方法一直是疾病（尤其是癌症）的基石。然而，这张静态的 照片 背后，隐藏着一个动态的、由基因表达谱写的复杂世界。

近年来，空间分辨转录组学(Spatially Resolved Transcriptomics, SRT)技术的崛起，为我们提供了前所未有的视角，但其高昂的成本和复杂的操作流程限制了其广泛应用。我们能否搭建一座桥梁，让普通的H E切片也能 开口说话 ？

9月15日，《Nature Methods》的研究报道 Spatial gene expression at single-cell resolution from histology using deep learning withGHIST ，一个名为GHIST的深度学习框架横空出世。它向我们展示了一种惊人的能力：仅凭一张常规的H E染色图像，就能在单细胞水平上，地预测出空间基因的表达情况。这不仅是一次技术的飞跃，更可能是一场即将到来的、关于我们如何理解和诊断疾病的深刻变革。