Sophont发布Holon-S1，从常规H&E切片预测肿瘤空间基因活性，覆盖16种器官类型

数据视角 × 药企研发负责人 ｜ 趋势前瞻 × AI技术供应商/创业者 ｜ 产品发布

10月20日，萨克拉门托的Sophont发布泛癌种AI模型Holon-S1：输入一张医院每天都在产出的常规H&E病理切片，输出基因与生物学通路在肿瘤内部的空间活性分布。评测覆盖16种器官、超过15种扫描仪与FFPE、新鲜冷冻样本，受控对比中优于今年发布的另两款同类模型，目前仅供研究使用（RUO）。对药企研发负责人，吸引力在把昂贵分子检测的成本压到一张切片。

开场：一张H&E切片能推出多少基因信息

• 是什么：Holon-S1，预测空间基因活性与生物学通路活性的泛癌种（pan-cancer）病理AI模型
• 输入：常规苏木精-伊红染色（H&E）切片，病理科的标准制片，不需额外制片或加做检测
• 输出：哪些基因在肿瘤的哪个位置活跃、活性多高，用于生物标志物发现与个体化治疗研究
• 覆盖：16种器官类型、超过15种切片扫描仪、福尔马林固定石蜡包埋（FFPE）与新鲜冷冻组织
• 对比：受控对比中优于今年发布的另外两款同类模型，评测维度为空间基因活性预测与鲁棒性
• 状态：仅限研究使用（RUO），诊断用途仍需后续的回顾性与前瞻性研究

空间转录组学能把基因表达定位到组织的具体位置上，信息量远超常规病理，但成本与周期让绝大多数医院队列用不起。Holon-S1打的正是这个缺口：如果能从已经躺在档案柜里几十年的常规切片里反推出近似的空间表达图景，那么分子层面的洞察就不再是少数中心的特权。

Holon-S1的能力边界：16种器官与15种扫描仪

公司给出的两个案例，恰好分别对应「能不能复现已知结论」与「能不能发现新东西」。

第一个是骨肉瘤回顾性病例，使用公开共享的切片。Holon-S1恢复了几项原本靠数月密集分子检测才得到的洞察：它识别出包含FAP的成纤维细胞相关程序，而FAP正是该患者产生应答的疗法所针对的基因；对比治疗前后的切片，模型量化出免疫浸润增加、肿瘤增殖下降。值得注意的是，模型并未在骨肉瘤上训练过，作者认为这提示了对未见癌种的泛化潜力，以及对存档切片直接复用、无需新取组织的可能。

第二个是三阴性乳腺癌。由预测的EREG活性的空间组织方式定义的一种新生物标志物，在发现队列与独立的留出队列中，都与术前化疗的应答相关。EREG在其他癌种中已被认为与化疗敏感性有关，而这次分析首次提示其在乳腺癌中的潜在相关性，细节写在Holon-S1的技术报告里。

在评测口径上，Sophont给出的三组数字是16种器官类型、超过15种扫描仪、FFPE与新鲜冷冻两类组织，并在受控对比中优于今年发布的另外两款同类模型。首席执行官兼联合创始人Tanishq Mathew Abraham的表述是：病理学历来只告诉我们肿瘤长什么样，Holon-S1要回答的是肿瘤在做什么、哪里可能成为弱点。

从形态到基因：这条路径的技术前提

从数据视角看，这类模型的地基是成对数据：同一块组织既要有一张H&E图像，又要有对应的空间转录组或相近的分子测量值。配对的规模与配对方式，直接决定了模型能推哪些基因、推到多细的空间粒度，也决定了它在哪些癌种上只是外推。

第二个前提是抗干扰。切片扫描仪型号、染色protocol、组织处理方式都会造成图像分布漂移，这也是为什么覆盖15种以上扫描仪与FFPE、新鲜冷冻双轨是一项必要的工程化表态，而不是宣传修饰。真正该问的是细节：每种器官与扫描仪组合的样本量是否均衡，还是只做了汇总层面的评测。

第三层是举证强度。骨肉瘤属于单例病例，它展示的是可能性而非基准性能；三阴性乳腺癌有发现队列与留出队列，是更有分量的证据，但样本量、人群构成与治疗方案的均衡性尚未公开。Foresite Labs首席战略官、Foresite Capital风险合伙人Jorge Reis-Filho的表态留了余地：

把高预测准确性与生物学可解释性结合起来的模型，可能支撑转化研究的新路径，并重塑疾病分类与患者分层。他同时表示，期待看到Holon-S1与其他领先基础模型在生物学与临床相关基准上的严格、独立评估。

对药企而言，最现实的用法在两端：一是从已有存档队列里做回顾性生物标志物探索，不必重新取组织；二是把预测的空间活性当作分层变量放进转化研究。Sophont也在邀请生物制药公司、生命科学企业与科研机构就此展开合作。

冷静观察：922万美元融资撑得起多硬的验证

先把家底摆出来。Sophont成立于2025年2月，由Tanishq Mathew Abraham与Paul Scotti创立，累计融资922万美元，投资方包括Kindred Ventures、Upfront Ventures、Jeff Dean、Logan Kilpatrick、Clem Delangue等。公司自我定位是构建开放的医疗超级智能，此前已有OpenMidnight、CortexMAE、Medmarks等开源发布。

从数据链路看，922万美元做多模态医学基础模型，资源约束相当明显，因此走开放模型加外部协作的路径几乎是必然选择——这与它在新闻稿里主动邀请合作的姿态一致。好处是证据生成速度更快，代价是核心证据通常以技术报告而非同行评议论文的形式出现，可核实的下限要自己设。

从合规看，RUO是当前边界，这一点必须写清楚：用于探索性生物标志物发现、进入临床前的数据生成环节没有障碍，但任何与用药决策绑定的伴随诊断用途，都需要另行完成分析有效性验证与注册路径，不能沿用现在这套证据。这是药企接入时最容易踩的一条线。

从竞争格局看，「优于今年发布的另外两款同类模型」这一说法没有点名对手，属于暂不可复核的比较；而路径本身并非独家，多款病理基础模型都在做形态到分子的推断。给研发负责人一个务实的建议：判断这类模型的落脚点不在榜单分数，而在三件事——配对训练数据的来源、每种扫描仪与染色组合的样本量分布，以及是否提供可复现的推理代码与版本锁定。能答上来这三问的产品，才配得上真金白银的队列投入；答不上来的，先用自己的存档切片跑一次盲态头对头，成本比想象中低。

原文链接：Sophont（PR Newswire）

千方医数集编辑部 出品