KI kartiert ME/CFS-Biologie und verknüpft Darmmikroben, Immunsystem und Metaboliten mit Symptomen

ME/CFS betrifft weltweit über 10 Millionen Menschen und ist durch lähmende Erschöpfung, post-exertionelle Malaise, kognitive Beeinträchtigungen, Schmerzen und gastrointestinale Symptome gekennzeichnet. Die multifaktorielle Ätiologie, die Heterogenität der Symptome und der nichtlineare Krankheitsverlauf haben die Erforschung dieser Erkrankung äußerst schwierig gemacht – und machen es nahezu unmöglich, sie mit Einzelbiomarker- oder Single-Omics-Ansätzen zu adressieren. Diese Arbeit stellt BioMapAI vor, ein KI-Framework auf Systemebene, das speziell für den Umgang mit dieser Komplexität entwickelt wurde.

Das Team rekrutierte über 3–4 Jahre 249 Teilnehmer: 153 ME/CFS-Patienten (75 mit kurzer Krankheitsdauer <4 Jahre; 78 mit langer Krankheitsdauer >10 Jahre) und 96 nach Alter und Geschlecht gematchte gesunde Kontrollpersonen. An 515 Zeitpunkten wurden Daten zum Darmmikrobiom mittels Whole-Genome-Shotgun-Metagenomik (1.293 Spezies; 9.993 KEGG-Gene), Plasma-Metabolomik (958 Metaboliten mittels untargeted LC-MS/MS), Immunprofiling per Durchflusszytometrie (443 Immunzell- und Zytokinmerkmale), Standard-Blutlaborwerte (48 Merkmale) sowie 12 validierte klinische Symptomscores für Erschöpfung, Schmerz, kognitive Effizienz, Schlaf, orthostatische Intoleranz und Magen-Darm-Funktion erhoben.

BioMapAI ist ein vollständig verbundenes tiefes neuronales Netzwerk mit zwei gemeinsamen verborgenen Schichten für das allgemeine Mustererkennen und einer parallelen aufgabenspezifischen verborgenen Schicht für jeden der 12 klinischen Ausgabewerte. SHAP-Erklärbarkeit wurde integriert, um die Merkmalsrelevanz sowohl auf Symptom- als auch auf Krankheitsebene zu quantifizieren. Das Modell erzielte in der 10-fachen Kreuzvalidierung für die Klassifikation ME/CFS versus Kontrolle einen AUC von 91 % – und übertraf dabei Elastic Net, SVM, Gradient Boosting und ein Standard-DNN – und generalisierte auf zurückgehaltene sowie unabhängige externe Kohorten. Einzelne omiksspezifische Modelle (DeepMECFS-Immune, DeepMECFS-Metabolome usw.) und ein integriertes 154-Merkmal-Modell (DeepMECFS-Omics) sind öffentlich zugänglich.

Die SHAP-basierte Konnektivitätskarte enthüllte mechanistisch spezifische Veränderungen bei ME/CFS. Die mikrobielle Depletion kurzettiger Fettsäuren (insbesondere Butyrat) und verzweigtkettiger Aminosäuren war mit einer Hyperaktivierung von Mukosa-assoziierten invarianten T-Zellen (MAIT) und γδT-Zellen verknüpft, die IFN-γ und Granzym A überproduzierten – eine Entzündungssignatur, die mit einer schlechter wahrgenommenen Gesundheit und eingeschränkter sozialer Funktionsfähigkeit korrelierte. Separat war ein verminderter mikrobieller Tryptophan- und Benzoatstoffwechsel mit reduzierten Verbindungen zu Plasmalipen und Gallensäuren assoziiert und korrelierte mit Erschöpfung, emotionaler Dysregulation und Schlafstörungen. Diese Karten wurden für Alter, Geschlecht und andere klinische Störgrößen adjustiert, was eine sauberere Interpretation krankheitsspezifischer gegenüber gesundheitsassoziierten Interaktionen ermöglichte.

Diese Arbeit ist aus mehreren Gründen bemerkenswert, die über ME/CFS hinausgehen: Sie stellt ein verallgemeinerbares KI-Framework für die Integration von Multi-Omics-Daten mit heterogenen klinischen Phänotypen bei komplexen chronischen Erkrankungen bereit. Angesichts der anerkannten Überschneidungen zwischen ME/CFS und Long COVID in Ätiologie und Symptomatik könnten diese Erkenntnisse auch Mechanismen postviraler Syndrome in einem breiteren Kontext beleuchten. Einschränkungen umfassen die überwiegend weibliche Kohorte (68 %), die für Deep Learning verhältnismäßig geringe Stichprobengröße sowie den querschnittlichen Charakter der Omik-Symptom-Assoziationen, der kausale Schlussfolgerungen begrenzt.