GRASS-MIL空间组学分析方法预印本发布
先了解这件事
2026年10月9日，bioRxiv Cancer Biology栏目发布了题为《GRASS-MIL：基于图多示例学习的空间单细胞跨平台表型预测框架》的预印本。研究团队提出了一种名为 GRASS-MIL 的空间单细胞分析框架，旨在解决不同空间组学平台之间数据整合与下游表型预测的难题。 在方法层面，GRASS-MIL 基于图多示例学习（graph multiple instance learning）构建模型，其核心特点包括：构建可跨平台共享的细胞类型词表，使来自 CosMx、Xenium、MERFISH 等不同空间转录组学平台的数据能够进行联合训练；同时，框架可将样本级别的预测结果进一步分解为每个细胞邻域的有符号贡献，从而提供更具解释性的空间特征。 在应用验证方面，作者展示了三个临床预测场景：在高级别浆液性卵巢癌数据中预测治疗状态，达到 AUC 0.74；在非小细胞肺癌（NSCLC）的空间蛋白组数据中预测复发情况，AUC 为 0.57；在肺腺癌数据中预测 3 年死亡率，AUC 为 0.62。 该预印本目前仅发布于 bioRxiv，尚处于未经同行评审的预印阶段，作者在文中报告了方法框架与初步预测性能，但尚未报道任何独立的第三方验证或临床转化进展。
由模型根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- bioRxiv Cancer BiologyGRASS-MIL：基于图多示例学习的空间单细胞跨平台表型预测框架
作者提出 GRASS-MIL，一个基于图多示例学习的空间单细胞分析框架，通过共享细胞类型词表跨 CosMx、Xenium、MERFISH 等平台联合训练，并将样本级预测精确分解为每个细胞邻域的有符号贡献；在高级别浆液性卵巢癌中预测治疗状态 AUC 0.74，在 NSCLC 空间蛋白组数据中预测复发 AUC 0.57，在肺腺癌中预测 3 年死亡率 AUC 0.62。
本事件热度走势
当前热度 6·可比范围峰值 6（10月10日 00:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。