В статье представлен метод PatHoST — вычислительный фреймворк, использующий слабоконтролируемое обучение для реконструкции пространственного распределения патогенов исключительно на основе транскриптомных данных ткани хозяина. Авторы создали экспериментальный бенчмарк с использованием пространственной транскриптомики, сфокусированной только на патогенах (Mycobacterium abscessus), чтобы оценить полноту их обнаружения и доказать, что традиционные методы двойного профилирования значительно теряют информацию о патогенах. Метод PatHoST использует данные о патогенах для генерации «серебряных стандартов» (приближенных меток) и обучает модель выявлять транскрипционные программы хозяина, предсказывающие присутствие инфекции. Исследование показало, что подход позволяет эффективно восстанавливать пространственные паттерны патогенов в независимых образцах тканей и выявлять локальные регуляторные реакции хозяина, которые не обнаруживаются при стандартном кластерном анализе. Валидация на данных пространственной транскриптомики легких пациентов с SARS-CoV-2 подтвердила обобщаемость метода для разных видов хозяев и классов патогенов. Это решение расширяет аналитические возможности двойной пространственной транскриптомики, позволяя извлекать скрытую информацию о патогенах даже при их слабом сигнале в смешанных образцах.