Holon-S1 没训练过骨肉瘤，却从病理切片里读出了关键基因

Tanishq Mathew Abraham 在 X 上公布了 Holon-S1。这条发布推文被风险投资人 Chamath Palihapitiya 的 newsletter 收录，Tanishq 本人都没预料到。

Holon-S1 是 Sophont 和 MedARC 合作的模型，目标很直接：从常规 H&E 染色的病理切片里，预测基因和生物标志物。

同类诊断的癌症患者，肿瘤生物学常常完全不同。分子检测能揭示这些差异，但慢、贵、难以普及。空间转录组可以测基因表达并保留位置信息，但技术门槛和成本同样高。Holon-S1 想用现有切片直接给出答案。目前它仅限研究用途，尚未进入临床。

视频来自 Holon-S1 发布推文。

H&E 染色是 1877 年以来的病理金标准。数字病理切片可以被基础模型转成向量表示（embedding），但里面编码的生物学常常是黑箱。Holon-S1 把这些形态特征翻译成空间分辨的基因表达谱和生物学程序。它给出的结果可以检查：哪些基因、哪些生物过程、分布在肿瘤的什么位置。

性能：两个 2026 年对照模型

技术报告里，Holon-S1 与两个 2026 年模型做了对比。预测基因活跃位置时，它的中位逐基因相关性：

• DeepSpot-M：乳腺癌 0.49 对 0.21；宫颈癌 0.31 对 0.11，宫颈癌未出现在训练集中
• Path2Space：乳腺癌 0.34 对 0.17

Path2Space 只做乳腺癌，Holon-S1 是泛癌模型。它还在 16 种器官、15 种以上扫描仪、FFPE（福尔马林固定、石蜡包埋）和新鲜冷冻组织上做了评估。

骨肉瘤病例：没训过的癌种，读出了关键基因

Holon-S1 从未用骨肉瘤数据训练。研究团队用 GitLab 联合创始人 Sid Sijbrandij 公开的病理切片做了回顾性 N-of-1 分析。Sijbrandij 2022 年确诊骨肉瘤，之后公开了大量分子检测数据。他的团队发现肿瘤微环境里存在成纤维细胞程序，FAP（成纤维细胞活化蛋白）是靶向治疗相关基因，MDM2 高表达。

Holon-S1 从常规切片中预测，肿瘤区域成纤维细胞相关基因高表达，包括 FAP；预测的 MDM2 表达高于 10 个对照患者中的 9 个。治疗后切片里免疫浸润增加，与 IHC（免疫组化）数据一致。

需要明确：Holon-S1 是研究工具，在这位患者的治疗中没有扮演任何角色。

乳腺癌：EREG 的空间分布与化疗响应相关

在三阴性乳腺癌队列中，Holon-S1 发现一个潜在的新生物标志物：EREG 基因活动的空间排列与化疗反应相关。在此之前，没人把 EREG 和这种癌症的化疗响应联系起来。

在 IMPRESS 发现队列中，EREG 空间梯度平均精确率 0.690，sTIL 只有 0.567；在 TransNEO 验证队列，0.754 对 0.505。sTIL（基质肿瘤浸润淋巴细胞）是病理医生常用的免疫指标。在验证队列里，这个空间特征的表现比 sTIL 更稳定。

可解释性

许多病理 AI 只给一个预测分数，不解释背后的生物学。Holon-S1 把基因和生物程序映射到肿瘤上，研究者可以验证。它还区分了 B 细胞和 T 细胞主导的区域，平衡准确率 88.5%，AUROC 0.943。常规形态学很难区分这两种淋巴细胞。

技术报告里还有跨扫描仪稳定性实验。相同前列腺切片用 Grundium、Hamamatsu、Leica 扫描，Holon-S1 的预测分布一致性中位 Wasserstein-1 距离 0.057，DeepSpot-M 是 0.120。换了扫描仪，Holon-S1 的预测也更稳定。

现状

Holon-S1 仅限研究用途。团队说，还需要前瞻性验证，才可能让个性化癌症治疗更可及。技术报告全文在 sophont.med/blog/holon，作者是 Hassan Muhammad、Benjamin Warner、Paul Steven Scotti、Tanishq Mathew Abraham。团队也欢迎独立评测。

合作方向包括生物制药、生命科学团队、学术研究组。如果手头有病理数据，可以申请：sophont.med/holon

素材来自 Tanishq Mathew Abraham 的 X 帖文和 Sophont 技术报告。