¿Medir una sola modalidad permite ver otra capa? NicheTrans completa la multiómica espacial en los tejidos

En un corte de tejido, la ubicación de las células suele ser tan importante como los genes que expresan y las proteínas que producen. Sin embargo, las tecnologías de multiómica espacial que miden simultáneamente varios tipos de información molecular son costosas, requieren procesos complejos y solo permiten obtener un número limitado de muestras. Un estudio publicado en «Nature Methods» presenta NicheTrans, con el objetivo de utilizar datos de una única ómica espacial, más fáciles de obtener, para completar otra capa de información molecular que todavía no se ha medido de forma directa.

NicheTrans utiliza una arquitectura Transformer para realizar la traducción entre ómicas. No solo aprende las características moleculares de cada célula, sino que también incorpora al modelo el microambiente formado por las células circundantes, con el fin de preservar las relaciones entre células vecinas dentro del tejido. El equipo de investigación también diseñó vías para integrar información morfológica, conocimientos biológicos existentes y datos multimodales, de modo que las predicciones no se desvinculen por completo de la estructura del tejido.

Según el artículo y el registro de PubMed, el modelo identificó en varios conjuntos de datos espaciales regiones moleculares y espaciales que los análisis de una sola ómica no habían logrado reconocer, y reconstruyó programas génicos vinculados a estados celulares relacionados con el metabolismo de la dopamina y la proteína β-amiloide. El objetivo aquí no consiste simplemente en completar valores ausentes, sino en intentar responder a estas preguntas: ¿en qué vecindario celular aparece un determinado cambio molecular y cómo podría variar conjuntamente con una señal de otra ómica?

En la validación con tejido cerebral afectado por la enfermedad de Alzheimer, los investigadores utilizaron los marcadores proteicos traducidos por el modelo para cuantificar la disposición espacial de distintos subtipos de células gliales. Los datos de cáncer de mama se emplearon para evaluar si el modelo podía recuperar las relaciones entre ómicas y espaciales presentes en el tejido tumoral. La documentación oficial y el repositorio de código también incluyen datos sobre la enfermedad de Parkinson, ganglios linfáticos humanos y el desarrollo cerebral de ratones, además de procesos de preprocesamiento, entrenamiento, visualización y análisis de atribución.

El valor práctico de este tipo de método reside en permitir que los investigadores vuelvan a analizar cortes ya existentes o que, cuando los recursos económicos y las muestras sean limitados, utilicen primero un tipo de medición para inferir qué proteínas, programas génicos e interacciones celulares merecen una validación posterior. La implementación pública en PyTorch y los tutoriales también facilitan que otros equipos evalúen el modelo sin depender únicamente de los resultados de demostración incluidos en el artículo.

No obstante, lo que genera el modelo son inferencias basadas en los datos de entrenamiento y el contexto del tejido, no mediciones directas de la modalidad molecular ausente. Las diferencias entre plataformas, enfermedades, calidad de conservación de los tejidos y composición celular pueden provocar cambios en la distribución de los datos; los estados celulares poco frecuentes también podrían estimarse de forma incorrecta debido a la escasez de casos de entrenamiento. Por ello, actualmente NicheTrans resulta más adecuado como herramienta de investigación para formular hipótesis y planificar experimentos posteriores, mientras que los hallazgos clave todavía deben confirmarse mediante tinción de proteínas, mediciones espaciales independientes u otros métodos experimentales.