La transcriptòmica espacial és una de les disciplines més prometedores per entendre l'heterogeneïtat tumoral, però el seu elevat cost i complexitat tècnica la mantenen confinada a entorns de recerca especialitzats. Per traslladar aquestes anàlisis a la rutina clínica, els investigadors han explorat la possibilitat de predir l'expressió gènica espacial a partir de les imatges histològiques de rutina, com les tincions d'hematoxilina-eosina (H&E). No obstant això, els mètodes existents solen ignorar l'arquitectura tissular subjacent i rarament quantifiquen la fiabilitat de les seves prediccions. En aquest context sorgeix HierarchicalDAEW, una arquitectura de doble graf que aborda ambdues limitacions i que representa un avenç significatiu en el camp de la patologia computacional.
HierarchicalDAEW es fonamenta en un operador convolucional de vores ponderades per domini (Domain-Aware Edge-Weighted). En lloc de tractar l'heterogeneïtat tissular com un factor implícit, el model la converteix en un senyal estructural explícit. Per a això, aplica un clustering de Leiden sobre les dades d'expressió i defineix tres tipus d'arestes en el graf de punts: intra-domini, inter-domini i de frontera. Cadascuna rep un tractament diferenciat en la convolució, cosa que permet al model aprendre projeccions específiques per a cada context biològic. Aquest enfocament és crucial en tumors on les regions estromals, immunes i neoplàsiques presenten perfils transcriptòmics molt diferents.
El segon nivell de l'arquitectura és un graf gènic que fusiona coneixement biològic previ —les interaccions proteïna-proteïna de STRING-DB— amb coexpressió específica del teixit. Mitjançant un mecanisme d'atenció gated, el model propaga les prediccions des d'un conjunt reduït de gens marcadors (landmark genes) fins a un panell transcriptòmic complet. Això no només redueix la dimensionalitat i els requisits computacionals, sinó que també integra informació funcional rellevant, millorant la generalització entre diferents mostres i tipus de teixit.
Un altre dels aspectes diferencials de HierarchicalDAEW és la seva capacitat per proporcionar estimacions d'incertesa calibrades. Empra un enfocament d'incertesa evidencial, basat en la teoria de l'evidència, que produeix intervals de confiança molt millor calibrats que l'habitual Monte Carlo dropout. A la pràctica, això permet al patòleg identificar aquelles prediccions de baixa confiança que requereixen revisió abans de prendre decisions clíniques. La combinació de precisió i fiabilitat converteix aquesta arquitectura en una eina especialment valuosa per a la seva integració en fluxos de treball diagnòstics.
Els experiments realitzats sobre sis seccions humanes de Visium de mama, còlon, pròstata i cerebel demostren que HierarchicalDAEW supera tretze mètodes de referència publicats en la correlació amb l'expressió real. Els guanys es mantenen sota controls de reproductibilitat multi-llavor i proves negatives que descarten dreceres posicionals. Les anàlisis d'ablació confirmen que tant el tipatge d'arestes sensible al domini com la profunditat jeràrquica són necessaris per assolir aquests resultats. Es tracta, per tant, d'una solució robusta i ben fonamentada.
La irrupció de models com HierarchicalDAEW obre la porta a aplicacions clíniques de la transcriptòmica espacial sense necessitat de costosos reactius ni equips especialitzats. Un hospital podria, a partir de les seves làmines d'H&E digitalitzades, obtenir un mapa d'expressió gènica del tumor i, amb ell, orientar decisions terapèutiques. No obstant això, perquè aquesta promesa es materialitzi, cal un ecosistema de programari que permeti la integració, el desplegament i el manteniment d'aquests models en entorns clínics reals. Aquí és on empreses com Q2BSTUDIO tenen un paper fonamental.
Q2BSTUDIO és una empresa de desenvolupament de programari i tecnologia especialitzada en la creació d'aplicacions a mida per a sectors tan exigents com el sanitari, el biotecnològic i l'industrial. La seva experiència en intel·ligència artificial, computació al núvol i ciberseguretat li permet abordar projectes complexos que requereixen no només un model predictiu d'última generació, sinó també una plataforma robusta, escalable i segura per a la seva explotació. Per exemple, desplegar HierarchicalDAEW en una infraestructura cloud AWS o Azure facilitaria el processament de grans volums d'imatges histològiques, mentre que un sistema de Business Intelligence (Power BI) integrat amb els resultats del model permetria als clínics visualitzar i explorar els mapes d'expressió gènica de forma interactiva.
A més, la incorporació d'agents IA —assistents virtuals intel·ligents— podria automatitzar tasques com la selecció de regions d'interès, la validació de prediccions de baixa confiança o la generació d'informes estructurats. La ciberseguretat, per la seva banda, és un requisit no negociable quan es manegen dades de pacients. Les solucions de Q2BSTUDIO en aquest àmbit garanteixen el compliment de normatives com el GDPR i HIPAA, protegint tant la informació clínica com els models propietaris.
En definitiva, HierarchicalDAEW representa una fita en la predicció d'expressió gènica espacial a partir d'histologia convencional. Però el veritable impacte clínic només s'aconseguirà quan aquests models s'integrin en plataformes de programari modulars, personalitzables i preparades per al futur. Empreses com Q2BSTUDIO estan perfectament posicionades per liderar aquesta transformació, combinant el seu coneixement en intel·ligència artificial, cloud i desenvolupament de programari a mida per portar la transcriptòmica espacial a la pràctica clínica diària. La col·laboració entre investigadors i desenvolupadors serà clau perquè els avenços en patologia computacional es tradueixin en millors diagnòstics i tractaments per als pacients.
