La revista Cell publicó un estudio titulado AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology, que propone una vía práctica para ampliar el uso de datos espaciales en cáncer de mama sin hacer spatial transcriptomics en cada muestra. La idea central es directa: un modelo profundo llamado Path2Space aprende de cortes histopatológicos emparejados con datos de ST y después predice la expresión génica espacial directamente desde la imagen.
Este tipo de trabajo importa para la patología digital porque no trata el corte solo como una imagen para clasificación. El objetivo no es predecir el grado tumoral ni asignar un subtype ya definido, sino construir una capa molecular espacial estimada sobre el tejido, de modo que la arquitectura tumoral y el TME puedan analizarse en cohortes grandes que no sería práctico estudiar por completo con técnicas de ST de alto costo.
La diferencia frente a muchos modelos previos de WSI es que la salida no es una sola label a nivel de lámina o de tile. La salida es un mapa de expresión. La pregunta pasa de «¿qué hay en la muestra?» a «¿dónde aparece la señal molecular dentro de la muestra?». Ese cambio acerca el modelo al lenguaje del patólogo, porque la interpretación de un corte siempre empieza por la localización y por la relación entre sus componentes.
Qué hicieron los investigadores
Shulman y sus colegas presentaron Path2Space para predecir la expresión espacial de miles de genes a partir de cortes de cáncer de mama. Según el resumen del estudio, el modelo se entrenó con un conjunto amplio de datos de spatial transcriptomics en cáncer de mama y se comparó con 21 métodos publicados. El modelo obtuvo mejor rendimiento en la predicción de expresión génica espacial y luego se usó para mapear el tumor microenvironment en 976 tumores de TCGA.
El paso importante no es solo la comparación numérica. Aplicar el modelo a TCGA convierte un archivo rico en seguimiento clínico y datos moleculares en un espacio donde pueden probarse hipótesis espaciales que antes no estaban disponibles a esta escala. A menudo tenemos H&E y datos de bulk omics, pero falta la organización espacial de la transcripción génica dentro y alrededor del tumor. Path2Space intenta llenar ese vacío con una predicción calculada desde la imagen.
De la imagen a un mapa medible del TME
El estudio indica que el modelo infirió con precisión la abundancia de tipos celulares dentro del TME e identificó tres grupos espaciales en cáncer de mama asociados con diferencias en supervivencia. Este punto es sensible para los patólogos: la estratificación no se basa en una morfología separada de la biología ni en RNA bulk que borra la localización. Intenta relacionar el patrón histológico con la expresión génica y con la distribución espacial de las células.
Si estos resultados se sostienen en cohortes externas y con distintos protocolos de imagen, podríamos tener un marco nuevo para extraer biomarkers de cortes archivados. No reemplazaría de forma directa a HER2 IHC, ISH ni a pruebas transcriptómicas validadas. Sería una capa adicional que puede revelar relaciones espaciales que no aparecen en las mediciones promedio de la muestra.
Respuesta terapéutica: cuándo el mapa se vuelve útil
Una de las afirmaciones más fuertes del artículo es que los mapas espaciales de bajo costo, extraídos de H&E mediante Path2Space, mejoraron la predicción de respuesta a quimioterapia y a trastuzumab frente a marcadores tradicionales basados en bulk sequencing. Esta afirmación exige lectura crítica cuando estén disponibles el texto completo y los datos detallados, pero plantea una pregunta importante para el campo: ¿la localización puede ser un biomarker?
En cáncer de mama, la ubicación de las células inmunes, las zonas de hypoxia, el contacto entre células tumorales y stroma, y la heterogeneidad de expresión dentro de la masa pueden ser más informativos que el promedio general de algunos genes. El patólogo ve estas relaciones todos los días, pero convertirlas en variables cuantitativas vinculadas con respuesta terapéutica ha sido difícil. Modelos como Path2Space intentan traducir esa lectura visual en mapas génicos espaciales que se puedan poner a prueba.
Qué no conviene concluir demasiado rápido
El estudio no significa que ST ya no sea necesario. El modelo aprende de ST y depende de la calidad del entrenamiento, el tipo de plataforma, la preparación del tejido, el escáner, la tinción y la distribución de los casos. Además, predecir expresión génica desde la imagen sigue siendo una predicción probabilística, no una medición directa. Cualquier uso clínico necesitará validación independiente, criterios de rendimiento claros y análisis de fallos del modelo en casos raros, tratados o con necrosis extensa.
También está la cuestión de la transportabilidad. Un modelo entrenado en cáncer de mama no necesariamente mantendrá la misma calidad en otros tumores sin datos de entrenamiento adecuados. Incluso dentro del cáncer de mama, los distintos subtypes, los tratamientos previos y la calidad de los cortes pueden modificar la señal. Por eso, el valor más cercano parece estar en la investigación traslacional y en la generación de hipótesis sobre archivos grandes, más que en una herramienta lista para decisiones clínicas.
Por qué esto importa para la patología digital
El valor práctico de Path2Space es que redefine lo que puede extraerse de H&E. El corte no es solo la entrada de un modelo de clasificación; también puede ser una entrada para construir una capa aproximada de spatial omics sobre miles de casos archivados. Esto abre la puerta a experimentos de biomarker discovery a una escala que sería demasiado costosa si dependiera por completo de ST.
Para los patólogos, la dirección es clara: los modelos que vienen no se limitarán a decir «cáncer» o «no cáncer». Se acercarán a describir espacialmente la biología tumoral y a conectar la arquitectura histológica con la transcripción génica, la respuesta terapéutica y los resultados clínicos. La pregunta profesional no será si el algoritmo reemplaza la lectura del corte, sino cómo revisamos sus mapas, cómo probamos sus límites y cuándo aporta información real por encima de lo que ya sabemos por morphology, IHC y molecular testing.
Conclusión
Path2Space ofrece un ejemplo maduro de una línea importante en patología digital: convertir cortes rutinarios en mapas moleculares espaciales estimados. El artículo no cierra el capítulo de spatial transcriptomics, pero propone usar ST como datos de entrenamiento y después generalizar parte de sus señales a grandes cohortes H&E. Si los resultados resisten la validación externa, este enfoque podría convertirse en una herramienta potente para descubrir biomarkers terapéuticos en cáncer de mama y quizá en otros tumores más adelante.
Fuente: Shulman ED y cols. Cell. 2026. DOI: 10.1016/j.cell.2026.04.023.