INSPIRE integra datos diversos de transcriptómica espacial para interpretar la estructura tisular y los programas génicos
El reto de analizar conjuntamente datos de distintos tejidos
En Nature Genetics se presentó INSPIRE, un método computacional diseñado para reducir las diferencias técnicas entre datos de transcriptómica espacial (spatial transcriptomics, ST) y conservar las señales biológicas propias de cada tejido. El equipo combinó redes neuronales de grafos, aprendizaje adversarial y factorización matricial no negativa para interpretar conjuntamente la estructura espacial y los programas génicos asociados en múltiples secciones de tejido.
La ST vincula la expresión génica con la ubicación dentro del tejido. Sin embargo, las tecnologías difieren en los genes que miden y en su resolución espacial; también influyen las diferencias entre muestras, condiciones experimentales y etapas del desarrollo. Una combinación simple de los datos puede llevar a confundir diferencias técnicas con características del tejido o, por el contrario, borrar señales biológicas presentes solo en una sección concreta. Los métodos de análisis espacial existentes, como SpiceMix y NSFH, permiten encontrar patrones espaciales interpretables, pero cuentan con recursos limitados para manejar la variación compleja no deseada entre varias secciones.
Aprendizaje conjunto de vecindades espaciales y programas génicos
INSPIRE recibe como entrada los recuentos de expresión génica y las coordenadas espaciales de varias secciones. Una red neuronal de grafos (graph neural network, GNN) incorpora información de células o puntos de medición vecinos, mientras que el aprendizaje adversarial favorece la alineación de señales compartidas entre secciones. El diseño también limita el alcance del discriminador para evitar que se mezclen indiscriminadamente poblaciones celulares propias de una sección.
La factorización matricial no negativa (non-negative matrix factorization, NMF) representa las señales de expresión de varias secciones mediante factores espaciales y ponderaciones génicas. Los factores espaciales indican dónde aparece un patrón en el tejido; las ponderaciones génicas muestran qué genes lo caracterizan. El método busca interpretar los patrones de expresión de genes que aparecen juntos en relación con la estructura tisular y los procesos biológicos.
El equipo evaluó la distinción entre las capas corticales y la sustancia blanca en 12 secciones de corteza prefrontal dorsolateral humana de tres donantes. Comunicó un rendimiento superior al de los métodos comparadores en el índice de Rand ajustado (ARI) y la información mutua normalizada (NMI), que miden la concordancia con anotaciones manuales, y en la anchura media de silueta (ASW), que evalúa la separación entre regiones. La ventaja comunicada se limita a los datos y las condiciones de evaluación utilizados en el artículo.
Para integrar tecnologías distintas, el equipo analizó conjuntamente datos de Slide-seqV2 y MERFISH de cerebro de ratón. La primera tecnología midió más de 20.000 genes y la segunda, 1.122; la integración efectiva utilizó los 1.077 genes compartidos por ambos conjuntos de datos. INSPIRE aprovechó la información de MERFISH para distinguir las capas corticales en Slide-seqV2. En cáncer de mama humano, el equipo analizó 283.063 células y 313 genes restantes tras filtrar los datos de dos secciones medidas con Xenium y detectó diferencias en factores espaciales asociados con regiones tumorales y células mioepiteliales y endoteliales.
Posibilidades y límites para los mapas tisulares de investigación
Estos resultados respaldan la reutilización de conjuntos de datos públicos heterogéneos para comparar la estructura tisular y el microambiente tumoral. El equipo también aplicó INSPIRE al análisis de embriones de ratón en distintas etapas del desarrollo y a la reconstrucción tridimensional a partir de secciones adyacentes. Sin embargo, el estudio no evaluó la creación de un mapa preciso de todo el cuerpo humano ni la capacidad de realizar diagnósticos individualizados o seleccionar el fármaco óptimo para cada paciente.
La interpretación conjunta depende actualmente de los genes compartidos entre conjuntos de datos, por lo que podrían excluirse señales de genes presentes solo en algunos de ellos. Los valores interpolados de expresión génica deben distinguirse de las mediciones reales, y sigue pendiente cuantificar la incertidumbre asociada a la propia integración. Los estudios posteriores tendrán que validar los patrones espaciales y los programas génicos inferidos con datos independientes y experimentos.
El estudio y sus condiciones analíticas se describen en el artículo de Nature Genetics y en el texto completo de acceso abierto.
Nature Genetics, Published online: 27 April 2026; doi:10.1038/s41588-026-02579-x INSPIRE addresses challenges to integrating diverse spatial transcriptomics datasets by combining deep learning with non‑negative matrix factorization, revealing shared and context‑specific spatial gene programs and tissue organization across scales.
Interpretar conjuntamente datos de transcriptómica espacial generados con distintas tecnologías puede ayudar a aprovechar las fortalezas de cada experimento y acotar los objetivos de estudios posteriores. Por ejemplo, investigadores del cáncer de mama podrían comparar en varias secciones los programas génicos asociados con células mioepiteliales y endoteliales alrededor de las regiones tumorales y seleccionar para validación adicional las poblaciones celulares con distinta distribución espacial. INSPIRE aporta la ubicación dentro del tejido y ponderaciones génicas interpretables para estos análisis. Sin embargo, los patrones espaciales observados por sí solos no demuestran las causas de la progresión tumoral ni la capacidad de predecir la respuesta al tratamiento. Es necesario tener en cuenta el conjunto de genes compartidos y la incertidumbre de la integración, y confirmar la expresión interpolada con mediciones directas o experimentos independientes.