#paper doi:10.1038/s41592-026-03070-5 Systematically decoding pathological morphologies and molecular profiles with unified multimodal embedding. Nat Methods (2026).  这篇文章介绍了一个名为 Multi-Embed​ 的多模态学习框架，旨在统一整合与分析病理形态学特征（如全切片病理图像）和多层分子特征（如基因组、转录组、蛋白组等），以深入解析疾病机制。 核心背景与问题： 当前，病理图像与多组学数据的联合分析面临挑战。现有方法要么依赖监督学习而缺乏可解释性，要么基于小规模数据而泛化能力不足。因此，Multi-Embed​ 的目标是构建一个既具备高可解释性，又能适用于大规模临床数据的统一框架。 方法概述： Multi-Embed 的核心是构建一个统一的多模态嵌入空间。它从病理图像中提取多尺度形态特征，并从样本中获取多层分子数据。通过自监督对比学习，模型使同一样本的形态与分子表示在嵌入空间中相互靠近，同时通过重构机制保留各模态自身特性。最终得到的统一嵌入表示可用于多种下游任务。