Imagine una core biopsy pequeña de un paciente que está siendo evaluado para un clinical trial. El tejido es limitado, pero las solicitudes son muchas: H&E, varios marcadores de IHC y quizá NGS u otra prueba multi-omic. Cada corte adicional consume tejido. Cada día de espera puede retrasar la inclusión del paciente en el estudio o la selección del tratamiento.
Ese es el espacio en el que ViewsML intenta trabajar. La compañía canadiense anunció una ronda seed de 4,9 millones de dólares liderada por Wittington Ventures, con participación de Mayo Clinic, Continuum Health Ventures y socios previos como Debiopharm. Para el patólogo, lo relevante no es solo el monto. Es la dirección: convertir parte del biomarker staining, tradicionalmente un procedimiento de wet lab, en una capa de software construida sobre la imagen digital de H&E.
Qué dice ViewsML que está construyendo
ViewsML describe su plataforma como una virtual biomarker library. La idea es que un AI model tome una imagen digital de H&E y prediga la distribución de biomarkers a nivel celular, generando virtual IHC o incluso una salida parecida a virtual immunofluorescence. El objetivo no es quedarse en una respuesta positiva o negativa para toda la muestra. El objetivo es mapear espacialmente: dónde se expresa el biomarcador en el tumor epithelium, el immune compartment, el stroma o la vasculature.
Esto importa en immuno-oncology, antibody-drug conjugates y bispecific therapies. En estos campos, no basta con saber si un marker está presente. La distribución espacial y la heterogeneidad dentro del tumor pueden influir en la selección de pacientes, la interpretación de trials y la comprensión de la respuesta terapéutica.
Por qué importa la participación de Mayo Clinic
Mayo Clinic entró como nuevo inversor, pero su relación con ViewsML no empezó con la financiación. Según R&D World, ViewsML ya formaba parte de un ecosistema más amplio de Mayo Clinic Digital Pathology, donde se combinan experiencia clínica, datos, infraestructura y desarrolladores externos de AI. La inversión es distinta de la colaboración clínica, pero indica que Mayo sigue de cerca el virtual staining como una categoría que merece validación seria.
Para los equipos de digital pathology, la diferencia es importante. Escanear una lámina no es lo mismo que extraer nueva información clínica de ella. El WSI gana valor cuando permite quantification, spatial mapping, triage y conexión entre morphology y biomarkers.
De H&E a virtual IHC
El biomarker profiling tradicional suele depender de IHC, seguido de pruebas moleculares como NGS. Es un flujo conocido, pero consume tiempo y tejido. ViewsML propone convertir parte de ese proceso en software: un modelo predice la localización de proteínas desde H&E y genera una tinción virtual directamente desde la imagen digital.
Si este tipo de herramienta demuestra valor clínico, su uso inicial más realista no será reemplazar IHC de golpe. Será ayudar en triage y stratification. El modelo podría priorizar casos que necesitan confirmatory testing, ordenar el uso de material limitado o reducir cortes adicionales cuando la biopsia es pequeña. Esto es especialmente relevante en lung cancer, biopsias GI y muestras metastásicas donde el tejido apenas alcanza para diagnóstico y estudio molecular.
En qué se diferencia de muchas herramientas actuales de AI en patología
Gran parte de la AI pathology actual se centra en detection o classification: presencia de cáncer, grade, subtype o biomarker status general. ViewsML apunta a una capa más granular, con predicción por célula y contexto espacial. Por eso la conversación se acerca más a spatial biology que a simple image classification.
La compañía también habla de virtual multiplexing. En lugar de teñir físicamente varios biomarkers en el tejido, el sistema puede generar varias capas virtuales y superponerlas computacionalmente. Si el método resulta fiable, los equipos de biopharma podrían estudiar el tumor microenvironment a partir de muestras existentes, sin cortar más tejido ni repetir paneles costosos de staining.
Qué necesita el patólogo antes de confiar en virtual staining
El entusiasmo no basta. Cualquier virtual staining model necesita validación estricta frente a un ground truth claro. Hay que saber qué tipos de muestras se usaron para entrenarlo, qué tumores cubre, qué scanners participaron, cómo influyen fixation y staining, y si el rendimiento se mantiene entre laboratorios.
El resultado también debe ser revisable. ¿Es un probability map? ¿Puede el patólogo revisar las células que impulsaron la predicción? ¿Hay thresholds definidos? ¿Cuándo se debe pedir IHC confirmatoria? Estas son preguntas prácticas, no detalles secundarios.
También existe una frontera regulatoria. Usar la herramienta en biopharma research o para enriquecer clinical trials no equivale a usarla directamente en routine diagnostic sign-out. La noticia de ViewsML debe leerse como un paso hacia flujos asistidos, no como sustituto inmediato de IHC ni del juicio del patólogo.
Por qué esto importa para nuestros laboratorios
Para los laboratorios que están planificando digital pathology, el mensaje es claro: escanear no es el final. El WSI se vuelve más útil cuando permite conservar tejido, reducir tiempos de espera y orientar mejor la siguiente prueba. Esto no significa que cada laboratorio necesite virtual staining mañana. Sí significa que la infraestructura digital debe prepararse para herramientas de este tipo, con calidad de imagen consistente, buen metadata y una conexión clara entre imagen, diagnóstico y resultados moleculares.
La historia de ViewsML y Mayo Clinic coloca el virtual biomarker staining en el cruce entre digital pathology y precision medicine. Si estos modelos demuestran exactitud y valor práctico, H&E puede convertirse en algo más que la lámina diagnóstica inicial: puede ser el punto de partida para predicción espacial de biomarkers, preservando tejido real para las pruebas que todavía lo necesitan.
Fuente: R&D World