医学转化研究不仅需要发现分子层面的表达差异更需要可观察、可解释、可进一步验证的组织原位信息。在肿瘤微环境研究中bulk RNA-seq可以帮助研究者从整体层面识别候选通路和细胞组成变化但这些平均信号难以直接转化为可在组织切片中观察的蛋白标志物。当研究目标是寻找候选标志物、理解组织局部微环境特征、或为后续实验设计提供线索时组织原位空间蛋白组学可以提供bulk测序难以直接呈现的蛋白层观察维度。一项针对NSCLC的多模态研究展示了这一研究路径的实际应用。该研究对122例患者样本进行了bulk RNA-seq分析同时利用PhenoCycler平台对50例样本进行了33个抗体的超多重免疫荧光成像。在bulk层面研究者通过CIBERSORTx反卷积估计了免疫细胞比例并定义了一个基于CD8 T细胞比例的CTL score。在组织原位层面研究者通过超多重免疫荧光成像定义了8种空间邻域表型并同样构建了一个基于Tc_enriched邻域比例的CTL score。两个独立构建的评分在文献样本中呈现出一定的相关性但各自提供了不同层面的信息bulk CTL score反映的是组织整体的细胞组成推断而多重免疫荧光成像CTL score反映的是组织原位中细胞毒性T细胞邻域的空间分布。该研究进一步将组织学图像分析纳入研究框架开发了NucSegAI深度学习模型对119张全切片图像中的4560万个细胞进行了核分割和分类并基于单细胞形态学和拓扑学特征sc-MTOP鉴定了12种淋巴细胞表型。其中Lym2表型与CD8 T细胞比例和免疫激活通路正相关在文献样本中的不同研究分组间存在差异。最终研究者将超多重免疫荧光成像、组织学和RNA-seq三个模态的数据进行融合分析在具有全部三种数据的样本中观察到融合评分呈现出较高的分析区分度。这一多模态联合分析框架展示了从bulk转录组发现到组织原位蛋白观察、再到全切片拓扑分析的完整研究路径。从转化研究的角度分析bulk RNA-seq适合用于大规模队列的初筛和候选标志物的发现而PCF等组织原位空间蛋白组学技术适合用于在组织切片中观察这些候选标志物的蛋白表达、细胞状态和空间分布。例如当bulk分析提示某个免疫相关通路在组间存在差异时PCF可以帮助研究者进一步观察这种差异是否对应特定免疫细胞类型的蛋白表达变化这些细胞是否形成特定的空间邻域是否与特定组织区域如肿瘤核心、侵袭前沿、间质区域相关这些组织层线索对于后续机制研究和实验设计具有参考价值。该文献的研究设计提示bulk RNA-seq与PCF的联合可以形成整体筛选→原位观察→多模态整合的研究框架。对于关注候选标志物研究、希望将分子发现与组织原位观察相结合的课题组而言这一策略可作为医学转化研究中的方法学参考。【说明】本文仅为科研技术方法介绍不涉及疾病诊断、治疗建议、疗效预测、用药指导或临床决策。文中提及的研究发现均来自学术文献相关分析结果需结合更多实验和研究进一步验证不构成任何医疗意见。【参考文献】Zheng Y, Sadée C, Ozawa M, Howitt BE, Gevaert O. Single-cell multimodal analysis reveals tumor microenvironment predictive of treatment response in non-small cell lung cancer.Sci Adv. 2025;11(21):eadu2151.