La transcriptómica espacial (spTx) ofrece perspectivas sin precedentes sobre la disposición espacial del microambiente tumoral, la iniciación/progresión del tumor y la identificación de nuevos candidatos a objetivos terapéuticos. Sin embargo, es poco probable que la spTx se utilice de manera rutinaria en un futuro cercano. En cambio, los cortes histológicos teñidos con hematoxilina y eosina (H&E) se generan rutinariamente para una gran fracción de pacientes con cáncer. Aquí, presentamos un enfoque basado en aprendizaje profundo para la integración multiescala de spTx con morfología tumoral (MISO). Entrenamos MISO para predecir spTx a partir de H&E y validamos en un conjunto de datos de 72 muestras de 10X Genomics Visium. Además, validamos nuestro enfoque en 348 muestras de cinco indicaciones del consorcio MOSAIC y mostramos que MISO supera significativamente a los métodos competidores en amplios benchmark. Demostramos que MISO permite la predicción de expresión génica con resolución casi unicelular, espacialmente resolvida.
Herpin et al. (Thu,) estudiaron esta cuestión.