1. 领域背景与文献
文献英文标题：Identifying breast cancer subtypes and exploring spatial expression patterns of the key subtype-specific gene based on pathological images, single-cell sequencing, and spatial transcriptomic data；
发表期刊：未公开；影响因子：未公开；研究领域：肿瘤学-乳腺癌精准医学与分子分型
乳腺癌是全球女性发病率最高的恶性肿瘤，约占女性全部癌症的31%，尽管早期筛查与治疗技术不断进步，但其仍是女性癌症相关死亡的主要原因之一。乳腺癌具有高度异质性，传统基于雌激素受体（ER）、孕激素受体（PR）、人表皮生长因子受体2（HER2）的分子分型（luminal A样、luminal B样、HER2+、三阴性乳腺癌）虽临床应用成熟，能指导基础治疗方案选择，但无法完全覆盖肿瘤的异质性，同一亚型内患者预后差异显著，且难以反映肿瘤微环境的复杂变化。近年来，计算病理、高通量组学与机器学习技术的发展，为肿瘤分型与生物标志物发现提供了新方向：PyRadiomics等工具可从苏木精-伊红（H&E）染色图像提取人眼无法识别的定量特征，空间转录组与单细胞测序技术能解析组织原位的细胞分布与互作网络，但目前缺乏将病理图像分型与空间组学结合的研究，无法全面揭示亚型的空间分子机制。本研究针对这一空白，通过病理图像特征筛选构建乳腺癌预后亚型，并结合多组学解析关键基因的空间功能，为乳腺癌精准诊疗提供新依据。
2. 文献综述解析
作者对领域内现有研究按技术维度分为三类：传统分子分型研究、基于病理图像的机器学习分型研究、空间组学在肿瘤微环境的研究。
传统分子分型研究以ER、PR、HER2表达为核心，优势是临床应用成熟，能快速指导初始治疗方案制定，但局限性在于仅基于少数分子标志物，无法完全覆盖肿瘤的形态学与分子异质性，同一亚型内患者的预后与治疗响应差异显著，且难以反映肿瘤微环境的细胞互作与空间分布。基于病理图像的机器学习分型研究，利用PyRadiomics等工具提取形状、纹理等定量特征，优势是能挖掘人眼无法识别的形态学信息，实现客观、可重复的分型，部分研究已证明其具有独立预后价值，但多数仅停留在分型层面，缺乏对亚型分子机制与空间分布的深入解析。空间组学研究则能在组织原位解析细胞的空间分布与互作网络，优势是揭示肿瘤微环境的空间异质性，但很少与病理图像分型结合，无法将形态学特征与分子机制直接关联，难以解释病理特征对应的分子功能。本研究的创新价值在于首次整合病理图像特征分型、转录组分析、单细胞测序与空间转录组技术，既构建了具有独立预后价值的乳腺癌亚型，又解析了关键基因ESRP1的空间表达模式及细胞互作网络，弥补了传统分型的不足，同时为病理图像分型提供了分子机制支撑，实现了形态学与分子功能的关联解析。
3. 研究思路总结与详细解析
本研究的整体框架为“病理图像特征筛选→亚型鉴定与预后验证→关键基因筛选→空间功能解析”的闭环，研究目标是构建基于病理图像的乳腺癌预后亚型并解析其分子与空间机制，核心科学问题是病理图像特征定义的亚型的预后价值及关键基因ESRP1在肿瘤微环境中的空间功能，技术路线通过多组学联合分析实现从形态学到分子机制的全面解析。
3.1 病理图像特征提取与预后相关特征筛选
实验目的是获取可用于乳腺癌预后分型的核心病理图像特征，解决传统病理评估主观性强的问题。方法细节为从TCGA-BRCA数据库纳入1030例同时具有临床数据和H&E染色全切片图像的乳腺癌样本，采用OTSU算法分割组织与背景，将不同放大倍数的图像统一处理为1024×1024像素的子图像，使用PyRadiomics工具包提取1488个定量病理特征，包括一阶统计量、形状特征、纹理特征等，经质控排除恒定或零值特征后保留1406个；通过单因素Cox回归分析筛选出104个与总生存期显著相关的特征，再利用AdaBoost、XGBoost、Random Forest三种机器学习算法评估特征重要性，取三种算法前50个特征的交集，得到25个核心预后相关病理特征。结果解读：通过韦恩图显示三种机器学习算法筛选特征的交集为25个（n=1030，P<0.05），这些特征可有效区分不同预后的乳腺癌样本，对应原文图1A。产品关联：文献未提及具体实验产品，领域常规使用PyRadiomics开源工具包、R语言adabag、xgboost、randomForest等分析包。
3.2 乳腺癌亚型鉴定与预后价值验证
实验目的是基于核心病理特征构建乳腺癌亚型并验证其预后价值及独立性。方法细节为使用ConsensusClusterPlus R包对1030例样本进行无监督共识聚类，通过累积分布函数曲线确定最优聚类数k=2，将样本分为C1和C2亚型；采用Kaplan-Meier生存分析、log-rank检验验证亚型的预后差异，将队列按7:3随机分为训练集和验证集进行内部验证；通过卡方检验分析亚型与临床特征的关联，单因素和多因素Cox回归验证亚型是否为独立预后因子；同时分析亚型在传统ER/PR/HER2分子分型中的分布，并在各分子亚型内进行分层生存分析。结果解读：共识聚类将样本分为C1和C2两个亚型（n=1030），C1亚型中晚期（III/IV期）患者占比为27.616%，显著高于C2亚型的20.476%（n=1030，P<0.05）；总队列中C2亚型患者总生存期显著长于C1亚型（n=1030，P<0.01），训练集和验证集均验证了该预后差异（训练集n=721，P=0.0026；验证集n=309，P=0.035），对应原文图2A-B；多因素Cox回归显示亚型是独立预后因子（HR=0.568，95%CI:0.396-0.816，n=1030，P=0.002）；亚型在传统分子分型中分布无显著富集（n=665，P=0.089），且在luminal A亚型内C1预后仍差于C2（n=453，P=0.0051），说明分型独立于传统分子亚型，对应原文表S5、图S2。产品关联：文献未提及具体实验产品，领域常规使用ConsensusClusterPlus、survival、survminer等R包。
3.3 差异基因筛选与关键基因ESRP1鉴定
实验目的是筛选亚型特异性关键基因，揭示亚型的分子机制。方法细节为使用limma R包分析C1与C2亚型的转录组差异，以fold change=1.5、P<0.05为标准筛选差异表达基因；通过加权基因共表达网络分析（WGCNA）构建基因共表达模块，筛选与C1亚型相关性最强的模块，与差异基因取交集得到候选基因；再通过最小绝对收缩和选择算子（Lasso）Cox回归分析进一步筛选与预后相关的关键基因，验证基因在肿瘤与正常组织、不同亚型中的表达差异。结果解读：共筛选出746个差异表达基因，其中C1亚型上调317个、下调429个，对应原文图3A；WGCNA得到14个共表达模块，其中紫色模块与C1亚型相关性最强（相关系数最高），与差异基因交集得到18个候选基因；Lasso Cox回归筛选出7个基因，其中ESRP1在肿瘤组织中的表达显著高于正常组织（P<0.0001，文献未明确正常样本量），且在C1亚型中的表达显著高于C2亚型（n=1030，P<0.05），对应原文图4、图5。产品关联：文献未提及具体实验产品，领域常规使用limma、WGCNA、glmnet等R包。
3.4 ESRP1的空间表达模式与细胞互作解析
实验目的是解析ESRP1在乳腺癌组织中的空间分布及参与的细胞通讯网络。方法细节为利用空间转录组数据集GSE190811分析ESRP1的空间表达，整合单细胞测序数据集GSE161529对空间样本的细胞类型进行注释，通过Seurat R包将细胞类型映射到空间转录组图像；使用CellChat工具分析细胞间通讯，重点关注转化生长因子-β（TGF-β）信号通路的通讯网络。结果解读：ESRP1在乳腺癌肿瘤核心病变区域高表达，显著高于周围正常组织区域，对应原文图6A；细胞类型注释显示ESRP1高表达区域主要由上皮细胞和成纤维细胞组成，两者在肿瘤核心区域密集分布，对应原文图6B-C；细胞通讯分析显示成纤维细胞是细胞通讯网络的核心，在TGF-β信号通路中既是主要信号来源也是关键靶点，形成以成纤维细胞为中心的双向通讯网络，且这些高通讯区域与ESRP1高表达区域重合，提示ESRP1可能参与成纤维细胞介导的肿瘤微环境重塑，对应原文图S7。产品关联：文献未提及具体实验产品，领域常规使用Seurat、CellChat等R包。
4. Biomarker研究及发现成果解析
本研究鉴定的Biomarker为ESRP1，属于上皮特异性剪接调控因子，筛选逻辑为“病理图像分型→转录组差异分析→WGCNA+Lasso Cox筛选→空间转录组验证”的多步骤验证链条，确保其特异性与预后相关性。
ESRP1的来源为TCGA-BRCA数据库的乳腺癌组织转录组样本及空间转录组数据集GSE190811的肿瘤组织样本，验证方法包括转录组差异表达分析、Lasso Cox预后关联分析、空间转录组原位表达验证。特异性与敏感性数据显示，ESRP1在C1亚型中的表达水平显著高于C2亚型（n=1030，P<0.05），在肿瘤组织中的表达显著高于正常组织（P<0.0001，文献未明确正常样本量）；在传统luminal A亚型内，C1亚型的ESRP1表达仍显著高于C2亚型（n=453，P<0.05），提示其特异性不受传统分子分型影响。核心成果方面，ESRP1作为C1亚型的关键基因，与不良预后相关，其功能关联为调控上皮-间质转化（epithelial-mesenchymal transition, EMT），并参与成纤维细胞介导的TGF-β信号通路，促进肿瘤微环境重塑；创新性在于首次在病理图像定义的乳腺癌亚型中，结合空间转录组解析ESRP1的空间分布及细胞互作，揭示其在肿瘤核心区域的促癌作用，为乳腺癌预后评估和治疗靶点开发提供新方向。目前尚未提供ESRP1作为诊断Biomarker的ROC曲线数据，其诊断价值需进一步验证。