VINTER: a generative vision-language model for annotating and interrogating spatial tissues

Los tejidos no son solo mapas planos de células; son vecindarios tridimensionales complejos donde la identidad de una sola célula depende en gran medida de quién vive al lado. En el cuerpo humano, la función de una célula es a menudo dictada por su entorno inmediato, de forma muy similar a cómo el papel de una persona en una comunidad cambia según las personas con las que interactúa a diario. Durante décadas, los científicos han luchado por leer estos vecindarios de una manera única y unificada. Podían observar el tejido bajo un microscopio para ver su forma y estructura, o podían medir las señales químicas dentro de las células para comprender su actividad, pero hacer ambas cosas simultáneamente ha sido difícil. Los métodos tradicionales suelen forzar una elección: describir el tejido por su apariencia visual o por su firma molecular, rara vez permitiendo que las dos hablen entre sí en tiempo real. Esta separación deja un vacío en la comprensión de cómo la disposición física de un tumor o de un órgano influye en el comportamiento de las células dentro de él.

Un nuevo enfoque llamado VINTER pretende cerrar esta brecha tratando al tejido como una historia única y legible. Los investigadores desarrollaron un modelo computacional que puede mirar una imagen de una muestra de tejido, leer la lista de genes activos dentro de un punto específico y considerar simultáneamente la actividad genética de los seis puntos circundantes. En lugar de obligar al ordenador a elegir entre la imagen y los genes, el modelo lee las tres fuentes —la estructura visual, los genes locales y el contexto del vecindario— como una secuencia continua de información. Esto permite que el sistema tome una decisión sobre qué tipo de tejido está observando, mientras también mantiene un registro de exactamente qué piezas de evidencia condujeron a esa conclusión. Debido a que la información genética se presenta como una lista de nombres en lugar de números abstractos, los investigadores pueden editar la entrada, eliminando o reorganizando genes específicos para ver cómo cambia la decisión del modelo. Esto convierte el proceso de identificación de tejidos de una etiqueta estática en una interrogación interactiva, donde los científicos pueden plantear preguntas de tipo "¿qué pasaría si?" sobre la composición del tejido.

El equipo probó este sistema en una variedad de desafíos biológicos, comenzando con el cerebro humano. Pidieron al modelo que identificara las diferentes capas de la corteza cerebral, una tarea en la que superó a los métodos existentes que dependen únicamente de los datos genéticos o de los datos de imagen por sí solos. El modelo alcanzó un alto nivel de precisión, identificando correctamente las capas corticales en la gran mayoría de los casos. Más importante aún, el sistema demostró una capacidad notable para transferir su conocimiento a nuevas situaciones sin necesidad de ser reentrenado. Cuando los investigadores aplicaron un modelo entrenado con datos de cáncer de mama a un grupo completamente diferente de pacientes con cáncer de mama triple negativo, este identificó con éxito tipos de tejido que no había visto antes. Esto sugiere que el modelo aprendió un lenguaje fundamental de organización tisular que se aplica a través de diferentes enfermedades y pacientes, en lugar de simplemente memorizar ejemplos específicos.

Uno de los descubrimientos más impactantes surgió del estudio de las estructuras linfoides terciarias, que son pequeños cúmulos organizados de células inmunitarias que se forman dentro de los tumores y pueden influir en cómo el cuerpo lucha contra el cáncer. Los investigadores utilizaron la capacidad del modelo para editar las entradas para averiguar exactamente qué señales envían estas estructuras a su entorno. Descubrieron que el juicio del modelo sobre si una estructura era "madura" o "inmadura" dependía de dos programas opuestos de actividad genética en el vecindario. Un programa, impulsado por células B foliculares, hacía que la estructura pareciera más madura, mientras que otro, impulsado por células plasmáticas que producen anticuerpos, la hacía parecer menos madura. Al mapear estas señales de vuelta al tejido, descubrieron un patrón espacial oculto: las señales de organización madura estaban concentradas en el centro de la estructura, mientras que las señales de producción de anticuerpos eran desplazadas hacia los bordes mismos. Esto reveló que la "madurez" de estos núcleos inmunitarios no es un estado único, sino un equilibrio dinámico entre un núcleo y una periferia, un matiz que los métodos estándar habrían pasado por alto.

El poder de este enfoque también se extendió al hallazgo de detalles ocultos en el cáncer de mama triple negativo, una enfermedad conocida por su complejidad. En muchos casos, los patólogos etiquetan una región de tejido como "estroma", o tejido conectivo, que es una categoría amplia que puede ocultar diferencias significativas. El modelo, sin embargo, observó la probabilidad de cada tipo de tejido posible para cada punto y encontró que, dentro de estas regiones estromales etiquetadas de forma amplia, existían zonas distintas de actividad inmunitaria. Algunas áreas eran ricas en células inmunitarias y mostraban signos de una respuesta inflamatoria activa, mientras que otras estaban tranquilas y silenciosas. Esta capacidad de ver las zonas "calientes" y "frías" dentro de una sola etiqueta ayudó a los investigadores a identificar un tipo específico de entorno inmunitario que es conocido por responder bien a ciertos tratamientos contra el cáncer. Además, al observar las probabilidades secundarias del modelo, pudieron señalar puntos que fueron etiquetados como benignos pero que en realidad contenían células cancerosas ocultas. Cuando revisaron estos puntos señalados, recuperaron casi la mitad del cáncer que había sido omitido por el enfoque estándar de etiqueta única, particularmente en los subtipos más agresivos de la enfermedad.

Finalmente, los investigadores demostraron que este método funciona en diferentes escalas de observación, desde grandes muestras de tejido hasta células individuales. Aplicaron el mismo modelo a datos de alta resolución de cáncer colorrectal, donde identificó con éxito estructuras inmunitarias y distinguió entre diferentes tipos de células inmunitarias sin ningún entrenamiento adicional. El modelo identificó correctamente que ciertas células inmunitarias, específicamente aquellas que producen un tipo específico de anticuerpo, se agrupaban en los bordes de estas estructuras, mientras que otras permanecían en el centro. Esta consistencia a través de diferentes tecnologías y resoluciones sugiere que el modelo ha capturado una comprensión robusta de cómo se organiza el tejido. Al convertir la anotación espacial en una lectura interrogable del tejido, VINTER ofrece una nueva forma de explorar los vecindarios del cuerpo, permitiendo a los científicos hacer preguntas sobre la evidencia detrás de cada decisión biológica y ver los patrones ocultos que definen la salud y la enfermedad.