В исследовании представлен метод QUEST — модель на основе искусственного интеллекта, позволяющая предсказывать экспрессию пространственных белков по стандартным гистологическим срезам, окрашенным гематоксилином и эозином (H&E). Модель обучена на гетерогенном атласе из более чем 10 000 парных изображений H&E и мультиплексной иммунофлуоресценции (MIF), что позволи ей выявить морфологические паттерны, связанные с конкретными белковыми маркерами. QUEST функционирует как система семантических запросов, генерируя виртуальные окрашенные изображения, которые сохраняют биологически значимую информацию на клеточном и тканевом уровнях. Метод не только реконструирует интенсивность экспрессии белков, но и поддерживает фенотипирование клеток, анализ клеточных соседств и характеризацию пространственной организации тканей. Ключевым результатом является способность модели извлекать клинически релевантные сигналы для стратификации пациентов исключительно на основе данных H&E-гистологии. Это открывает возможность использовать существующие архивы рутинных срезов для глубокого протеомного анализа без необходимости проведения дополнительных дорогостоящих экспериментов. Результаты позиционируют виртуальное окрашивание как гибкий интерфейс между традиционной патологией и современной пространственной протеомикой, значительно расширяя аналитическую ценность исторических медицинских данных.