Imagina que pudieras mirar una biopsia de cáncer de mama teñida con hematoxilina-eosina —la tinción rutinaria que se hace en cualquier hospital del mundo— y, sin más análisis molecular, saber qué genes se están expresando en cada zona del tumor, cómo es su microambiente inmunológico y si ese paciente concreto va a responder a quimioterapia o a trastuzumab. Pues algo así es lo que promete Path2Space.
El problema de fondo
La transcriptómica espacial —la capacidad de medir la expresión génica de un tumor preservando su arquitectura tisular— ha revolucionado nuestra comprensión de la heterogeneidad tumoral. Pero tiene un problema mayúsculo: es carísima. Realizar un estudio de transcriptómica espacial cuesta cientos de euros por muestra, lo que la hace impracticable para estudios con cientos o miles de pacientes.
En paralelo, llevamos años acumulando láminas de H&E de tumores de miles de pacientes en los grandes biobancos (TCGA, METABRIC, etc.). Esa información histopatológica de rutina contiene señales que el ojo humano no es capaz de cuantificar, pero que un modelo de deep learning sí puede capturar.
¿Qué han hecho?
Shulman et al. han entrenado un modelo de deep learning —bautizado como Path2Space— que predice la expresión espacial de genes directamente a partir de imágenes de histopatología con tinción H&E. Sin necesidad de hacer un nuevo ensayo molecular.
El modelo se entrenó con datos extensos de transcriptómica espacial de cáncer de mama y, una vez entrenado, se aplicó a las láminas de H&E de 976 tumores del TCGA (The Cancer Genome Atlas) para cartografiar su microambiente tumoral completo.
Resultados clave
- Rendimiento predictivo: Path2Space superó a 21 métodos existentes en la predicción de expresión génica espacial a partir de H&E
- Escalabilidad: Logró cartografiar el microambiente tumoral de los 976 tumores del TCGA —algo que sería prohibitivo hacer con transcriptómica espacial real
- Subtipos espaciales: Identificó 3 subgrupos de cáncer de mama definidos por su microambiente tumoral espacial, con diferencias significativas en supervivencia
- Predicción de respuesta: Los paisajes espaciales de bajo coste generados por Path2Space predijeron la respuesta a quimioterapia y trastuzumab con mayor precisión que los biomarcadores convencionales basados en secuenciación masiva (bulk sequencing)
¿Qué «ve» la IA en la lámina de H&E?
Path2Space aprende a asociar patrones morfológicos —la arquitectura de los núcleos, la densidad del estroma, la distribución de linfocitos infiltrantes, la organización de los ductos— con perfiles de expresión génica. Esencialmente, el modelo está aprendiendo a leer en la morfología del tejido lo que hasta ahora solo podíamos medir con técnicas moleculares costosas.
Lo interesante es que no se trata de predecir un único gen, sino el mapa espacial de miles de genes simultáneamente, lo que permite reconstruir el ecosistema tumoral completo a partir de una imagen que ya tenemos.
Por qué esto importa
La barrera para aplicar transcriptómica espacial en la clínica no es tecnológica —la técnica funciona— sino económica. Si podemos extraer la misma información (o una equivalente) de la lámina de H&E que ya se hace de rutina, el impacto es enorme:
- Accesibilidad: Cualquier hospital con un patólogo y un escáner de láminas podría generar datos de transcriptómica espacial sin coste adicional
- Reanálisis de cohortes históricas: Los miles de tumores del TCGA y otros biobancos pueden ser re-explorados con esta técnica, abriendo la puerta a descubrimientos retrospectivos de biomarcadores
- Descubrimiento de biomarcadores a gran escala: Al poder analizar cohortes grandes (cientos de pacientes), aumentamos el poder estadístico para encontrar firmas predictivas de respuesta al tratamiento
Pero con cautela
Este estudio es un proof-of-concept impresionante, pero conviene ser prudentes:
- El modelo se ha entrenado y validado en cáncer de mama. Su generalización a otros tumores está por demostrar (aunque los autores señalan aplicabilidad potencial)
- Path2Space predice expresión génica espacial —no es transcriptómica espacial real. Habrá casos donde la predicción falle o pierda señales sutiles relevantes para la decisión clínica
- La validación clínica (predicción de respuesta a fármacos) se ha hecho con datos retrospectivos del TCGA. Faltan validaciones prospectivas que confirmen que estos biomarcadores espaciales guían realmente decisiones terapéuticas
- No sabemos aún cómo se comporta el modelo con artefactos de tinción, variabilidad entre centros o distintos procesamientos histológicos —problemas reales del mundo real
🎯 La reflexión final
Lo que más me llama la atención de este trabajo no es solo la precisión del modelo, sino el cambio de paradigma que representa: extraer información molecular profunda de la morfología rutinaria. Es una demostración elegante de que la histopatología digital, combinada con deep learning, puede cerrar la brecha entre lo que vemos al microscopio y lo que medimos con técnicas moleculares.
Si Path2Space se valida en otros tumores y en entornos prospectivos, podríamos estar ante una herramienta que democratice el acceso a la transcriptómica espacial —y con ella, a una caracterización más precisa del microambiente tumoral— en hospitales de todo el mundo.
Y lo mejor: la materia prima ya la tenemos en los archivos de Anatomía Patológica. Solo falta el modelo.
Referencia: Shulman ED, Campagnolo EM, Lodha R, et al. AI-predicted spatial transcriptomics unlocks breast cancer biomarkers from pathology. Cell. 2026. DOI: 10.1016/j.cell.2026.04.023. PMID: 42105763.