Comparación y optimización de métodos de preferencia de vecindad celular para el análisis cuantitativo de tejidos

Por qué importan los vecinos celulares

Nuestros cuerpos están formados por vecindarios dinámicos de células, no por distribuciones aleatorias. Qué células se sitúan junto a cuáles puede influir en cómo crece un tumor, cómo cicatriza una herida o cómo se recupera el corazón tras un infarto. Este artículo plantea una pregunta aparentemente simple: cuando los científicos miden qué tipos celulares tienden a estar próximos entre sí en imágenes de tejido, ¿qué tan fiables son los distintos métodos que usan, y se puede mejorar eso?

Cómo los científicos leen el mapa de la ciudad celular

Las tecnologías modernas de imagen y genómica espacial pueden registrar la posición exacta y la identidad de miles de células en un corte de tejido. Una forma popular de analizar estos datos es calcular "preferencias de vecindad": para un tipo celular A dado, ¿con qué frecuencia tiene como vecino cercano al tipo celular B en comparación con lo que se esperaría por azar? Ya existen muchas herramientas de software para esta tarea, pero dependen de pasos sutilmente diferentes. Los autores descomponen estos pasos en tres elecciones centrales: cómo definir un vecindario alrededor de cada célula (por ejemplo, trazando aristas entre células próximas o usando una distancia fija), cómo contar los vecinos (tratando el par A–B igual que B–A, o distinguiendo la dirección de A hacia B frente a B hacia A), y cómo convertir esos recuentos en una puntuación final (recuentos normalizados simples, estadísticas basadas en permutaciones o medidas de aprendizaje automático). Este marco común permite una comparación justa y lado a lado de los métodos.

Probando métodos de vecindad en tejidos virtuales

Para evaluar el rendimiento de diferentes enfoques, el equipo primero usó tejidos generados por ordenador donde las verdaderas relaciones de vecindad se conocen de antemano. Crearon escenarios simples en los que un tipo celular en particular no tiene preferencia especial, prefiere ligeramente a los de su misma clase o se agrupa fuertemente con los suyos. También simularon situaciones direccionales en las que un tipo celular tiende a acercarse a otro, pero no a la inversa. Con estos tejidos virtuales, los autores introdujeron datos idénticos en varias herramientas de uso común y luego preguntaron: ¿puede cada método distinguir de forma fiable estos escenarios y recuperar correctamente qué tipo celular busca a qué vecino?

Por qué es difícil captar dirección y sutileza

La comparación reveló que casi todos los métodos pueden detectar diferencias grandes y evidentes en la organización del tejido. Sin embargo, surgieron dos debilidades clave. Primero, algunas herramientas comprimen su salida en puntuaciones toscas de tres niveles (por ejemplo, "por debajo del azar", "sin diferencia" o "por encima del azar"), lo que dificulta distinguir una preferencia débil de una fuerte. Segundo, muchos métodos promedian los recuentos de vecinos sobre todas las células de un tipo dado, independientemente de si una célula concreta se encuentra alguna vez con el otro tipo. Este "promedio total" tiende a difuminar la direccionalidad, haciendo que la relación de A hacia B parezca similar a la de B hacia A, incluso cuando solo una dirección muestra realmente preferencia. Como resultado, las herramientas existentes pueden subestimar o incluso invertir la aparente dirección de la infiltración celular, especialmente cuando un tipo celular es raro y el otro es abundante.

Una nueva forma de puntuar vecinos direccionales

Para abordar estos problemas, los autores introducen un nuevo esquema de puntuación llamado puntuación z condicional, o COZI. COZI mantiene la idea de comparar los recuentos observados de vecinos con muchas versiones aleatorizadas del tejido, pero cambia cómo se promedian los recuentos: solo considera las células del tipo A que realmente tocan al menos una célula del tipo B. Este enfoque "condicional" resulta crucial para recuperar la direccionalidad. COZI convierte luego el resultado en una puntuación z continua, que refleja cuánto se desvía el patrón observado de la expectativa aleatoria. Para facilitar la interpretación de las puntuaciones, los autores añaden una medida complementaria, la proporción celular condicional (CCR), que simplemente informa qué fracción de las células del tipo A participan en la vecindad A–B. Juntas, la puntuación z y la CCR revelan no solo cuán fuerte es una relación espacial, sino también si está impulsada por unas pocas células especializadas o por un cambio amplio en la organización del tejido.

Qué significa esto para el cáncer y las enfermedades cardíacas

El equipo aplicó entonces COZI y otros métodos a dos conjuntos de datos del mundo real. En un estudio de cáncer de mama triple negativo, trabajos previos habían agrupado los tumores en "fríos", "mixtos" y "compartimentalizados" según cómo se entremezclaban las células inmunitarias y las tumorales. COZI no solo reprodujo esos agrupamientos, sino que también descubrió patrones direccionales: por ejemplo, en algunos tumores, las células inmunitarias tendían a agruparse entre sí mientras que un subconjunto de células tumorales se introducía en esos bolsillos, mientras que en otros, eran las células inmunitarias las que infiltraban las regiones tumorales. En un modelo murino de infarto de miocardio, COZI trazó cómo neutrófilos y monocitos fueron entrando progresivamente en el músculo cardíaco dañado, primero a través del revestimiento interno del ventrículo y luego más profundamente en la zona lesionada. De forma importante, separó cambios globales en los números celulares de cambios reales en quién está junto a quién y en qué dirección.

Conclusión

Este estudio muestra que no todas las herramientas para leer vecindarios celulares son equivalentes, y que pequeñas decisiones algorítmicas pueden moldear fuertemente las conclusiones biológicas. Al clarificar cómo funcionan los métodos existentes e introducir COZI junto con la proporción celular condicional, los autores ofrecen una hoja de ruta para elegir e interpretar análisis de vecindad en datos espaciales de tejido. Para el público no especializado, la idea clave es que entender quién vive al lado de quién en la "ciudad" del tejido —y quién está invadiendo el territorio de quién— puede revelar señales tempranas de enfermedad, respuestas al tratamiento y rutas para terapias dirigidas, siempre que esos patrones se midan con las herramientas adecuadas.

Cita: Schiller, C., Ibarra-Arellano, M.A., Bestak, K. et al. Comparison and optimization of cellular neighbor preference methods for quantitative tissue analysis. Nat Commun 17, 3514 (2026). https://doi.org/10.1038/s41467-026-71699-z

Palabras clave: ómica espacial, vecindarios celulares, microambiente tumoral, infiltración de células inmunitarias, patología computacional