SQUALL：融合组织病理学与空间分子数据的多模态基础模型

SQUALL是一个拥有5.55亿参数的多模态基础模型，通过整合组织病理学图像与空间转录组数据，实现从病理图像预测分子表达，为癌症研究和临床诊断提供新工具。该模型由OswaldZhang团队开发，开源代码库于2026年6月1日在GitHub发布。

在癌症研究和精准医疗领域，组织病理学与空间转录组是核心诊断技术，但长期处于独立状态。传统方法分别处理图像和基因数据，缺乏统一模型，限制了从病理图像推断分子特征及预后预测的能力。

SQUALL采用分阶段自监督训练策略：1.图像特征学习；2.跨模态对齐；3.任务微调。基于histMol语料库（33种组织、12种平台、17.6亿空间位点），核心能力包括大规模虚拟生物标志物分析（覆盖15757个基因）、识别预后相关空间微环境（如TLS成熟模式）。

在乳腺癌研究中发现肿瘤侵袭相关分子轨迹；卵巢癌中识别复发相关免疫排斥微环境；预后预测任务性能优于传统模型，铂类化疗耐药性预测表现均衡，为临床决策提供支持。

开源代码库含预处理、预训练、微调、推理等模块，基于PyTorch框架，提供教程与示例，支持从病理切片生成虚拟基因表达谱及空间微环境聚类分析。

突破多模态空间表示学习边界，推动低成本分子分型、回顾性队列研究、实时诊断辅助及药物响应预测，降低精准医疗技术门槛。

当前局限包括训练数据覆盖不足（罕见癌症偏差）、空间转录组分辨率限制；未来将整合更高分辨率数据、扩展癌症类型、结合临床信息构建综合模型。

SQUALL整合组织病理与空间分子数据，推进计算病理学技术边界，为精准医疗和癌症研究提供实用工具，未来有望在临床实践中发挥重要作用。