La IA y los problemas difíciles del mundo · Ciencias de la vida · Nature (computational biology) · 2026-10-21
Marco de aprendizaje profundo guiado por metabolómica espacial para diseccionar mecanismos de evasión inmunitaria en microambientes de infección fúngica
Título original: Spatial metabolomics-guided deep learning framework for dissecting immune evasion mechanisms in fungal infection microenvironments
El trabajo se centra en los circuitos metabólicos organizados espacialmente que permiten a los patógenos fúngicos evadir la inmunidad del huésped en las infecciones invasoras, que causan una elevada mortalidad en pacientes inmunodeprimidos. Al combinar la metabolómica espacial de alta resolución de tejido murino con aspergilosis pulmonar invasora con una red convolucional multiscala mejorada con atención, el marco segmenta el núcleo de la infección, la zona de infiltración inmunitaria y la zona límite de transición con un coeficiente Dice medio de 0.887 frente a las anotaciones de patólogos expertos. Un autoencoder variacional de grafos con ecuaciones diferenciales ordinarias neuronales infiere después cómo evolucionan las redes de interacción metabolito–inmunidad a lo largo de 24–72 horas, situando la cinurenina como el metabolito hub con mayor centralidad y ubicando un presunto punto de inflexión metabólico entre las 36 y las 48 horas.