Investigadores de Cedars-Sinai desarrollaron un modelo de aprendizaje profundo capaz de mapear la actividad genética espacial en tumores de mama a partir de cortes histológicos digitales, con resultados comparables a métodos convencionales que cuestan miles de dólares y tardan semanas.
Un equipo liderado por investigadores de Cedars-Sinai presentó en Cell una herramienta de inteligencia artificial denominada Path2Space, diseñada para predecir la expresión génica espacial en tumores cancerosos a partir de imágenes digitales de biopsias. El modelo representa una alternativa más rápida y económica frente a los métodos de secuenciación espacial convencionales, cuyo costo puede ascender a miles de dólares y cuyo procesamiento puede extenderse varias semanas.
La transcriptómica espacial permite identificar qué genes se expresan en distintas zonas dentro de un tumor, información relevante porque los tumores no presentan una composición uniforme. Path2Space reproduce ese tipo de análisis a partir de cortes histológicos teñidos con hematoxilina y eosina —imágenes de rutina en patología clínica— y lo hace en cuestión de minutos. El modelo fue entrenado con datos de pacientes con cáncer de mama para los que se disponía tanto de imágenes de biopsia como de secuenciación espacial, y posteriormente validado en tres conjuntos de datos adicionales.
“Para cada muestra, predijimos la expresión espacial de casi cinco mil genes, y las predicciones coincidieron bien con la expresión medida en los tres grupos de pacientes”, señaló el Dr. Eldad Shulman, coprimer autor del estudio e investigador del Instituto Nacional del Cáncer. En esa validación, Path2Space superó a 21 métodos establecidos en la predicción de expresión génica espacial.
Aplicado al análisis de 976 tumores de mama del Atlas del Genoma del Cáncer (TCGA, por sus siglas en inglés), el modelo identificó tres subgrupos espacialmente definidos con diferencias en biología tumoral y desenlaces de supervivencia. Además, los biomarcadores espaciales derivados mostraron mayor precisión que los biomarcadores basados en secuenciación masiva convencional para predecir la respuesta de pacientes a quimioterapia y trastuzumab.
“La herramienta analiza características dentro del tumor, como si un gen se expresa en algunas zonas y no en otras”, explicó Emma Campagnolo, coprimera autora del estudio e investigadora en el laboratorio del Dr. Eytan Ruppin. “Encontramos patrones espaciales específicos de actividad génica en tumores que predicen cómo responden los pacientes al tratamiento”.
Uno de los obstáculos que Path2Space busca resolver es la escasez de datos espaciales en la investigación oncológica. Shulman indicó que, antes del desarrollo de esta herramienta, la cohorte más grande disponible para estudiar la organización espacial del microambiente tumoral contaba con aproximadamente 30 pacientes. Con el nuevo modelo, es posible analizar cortes histológicos de miles de pacientes.
Por su parte, el Dr. Ruppin, director adjunto del Instituto de Investigación Traslacional de Cedars-Sinai y autor principal del estudio, destacó que la herramienta tiene dos aportaciones centrales: ampliar el estudio de grandes conjuntos de datos para comprender la estructura espacial de los tumores, y, de validarse en ensayos clínicos, mejorar la atención a pacientes con cáncer. “Lo que realmente me motiva es que, si podemos validar con éxito la herramienta en ensayos clínicos, podría mejorar la atención del cáncer para los pacientes”, afirmó el Dr. Ruppin.
El equipo trabaja actualmente en ampliar la aplicación de Path2Space a otros tipos de cáncer, y está finalizando un estudio en cáncer de cabeza y cuello. También avanza en mejorar la resolución del modelo, que actualmente analiza grupos de entre 10 y 20 células y tiene como objetivo llegar al análisis de células individuales.
