CSHL AI in Biology 研讨会访谈 Elham Azizi：用基础模型刻画肿瘤微环境

CSHL 对 Columbia Elham Azizi 的访谈，讲如何用语义 / 生成式与基础模型刻画肿瘤微环境（TME）的高维空间转录组，从"冷 / 热肿瘤"到细胞互作网络，并走向可预测治疗反应的世界模型。

• 数据基础：Starfish 工具面向基于测序的空间转录组（覆盖全转录本、不偏倚于已知基因），但小 spot 会混入邻近细胞的 RNA——需去卷积 / 解卷积相邻细胞信号。
• TME 是天然适合 ML 的对象：含多样免疫细胞、基质细胞、成纤维细胞、支持细胞，且肿瘤细胞本身也有异质性（不同突变、不同转移潜能）。
• 方法：用从概率模型到最新生成式 / 基础模型的多种 ML 方法，无偏地刻画 TME 动态、抽取模式。乳腺癌应用发现：ER 阳性乳腺癌中若出现细胞毒性 T 细胞浸润，患者反而更差（paradox），其细胞互作算法提示这可能是因为 T 细胞让肿瘤更依赖雌激素受体程序——指明更优治疗组合。
• 愿景：构建 TME 的"基础模型 / 世界模型"，输入少量特征即可 in silico 预测"该患者在不同治疗剂量、时序下的轨迹"，并据此优化治疗。
• 关键 ML 挑战：训练数据要来自大样本患者队列（含治疗前后配对的原发 / 转移样本），模型要能泛化到分布外（训练集中没见过的患者）。