La IA traza la biología del ME/CFS vinculando microbios intestinales, inmunidad y metabolitos con los síntomas

La EM/SFC afecta a más de 10 millones de personas en todo el mundo y se caracteriza por fatiga debilitante, malestar postesfuerzo, deterioro cognitivo, dolor y síntomas gastrointestinales. Su etiología multifactorial, la heterogeneidad de sus síntomas y la progresión no lineal de la enfermedad han dificultado enormemente su estudio, y han hecho prácticamente imposible abordarla mediante enfoques basados en un único biomarcador o en una única ómica. Este artículo presenta BioMapAI, un marco de inteligencia artificial a nivel de sistemas diseñado específicamente para gestionar esta complejidad.

El equipo reclutó a 249 participantes a lo largo de 3 a 4 años: 153 pacientes con EM/SFC (75 con enfermedad de corta duración <4 años; 78 con enfermedad de larga duración >10 años) y 96 controles sanos emparejados por edad y sexo. A lo largo de 515 puntos temporales, se recopilaron datos del microbioma intestinal mediante metagenómica shotgun de genoma completo (1.293 especies; 9.993 genes KEGG), metabolómica en plasma (958 metabolitos por LC-MS/MS no dirigida), perfil inmunitario por citometría de flujo (443 características de células inmunitarias y citocinas), análisis de laboratorio estándar en sangre (48 características) y 12 puntuaciones clínicas de síntomas validadas que abarcaban fatiga, dolor, eficiencia cognitiva, sueño, intolerancia ortostática y función gastrointestinal.

BioMapAI es una red neuronal profunda completamente conectada con dos capas ocultas compartidas para el aprendizaje de patrones generales y una capa oculta paralela específica para cada una de las 12 variables clínicas de salida. Se integró la explicabilidad SHAP para cuantificar la importancia de las características tanto a nivel de síntoma como de enfermedad. El modelo alcanzó un AUC del 91% en la validación cruzada de 10 pliegues para la clasificación de EM/SFC frente a controles —superando al elastic net, SVM, gradient boosting y una DNN estándar— y generalizó correctamente a cohortes de prueba independientes y cohortes externas. Los modelos específicos para cada ómica (DeepMECFS-Immune, DeepMECFS-Metabolome, etc.) y un modelo integrado de 154 características (DeepMECFS-Omics) están disponibles públicamente.

El mapa de conectividad derivado de SHAP reveló alteraciones mecanísticamente específicas en la EM/SFC. El agotamiento microbiano de ácidos grasos de cadena corta (especialmente butirato) y aminoácidos de cadena ramificada se asoció con la hiperactivación de células T invariantes asociadas a mucosa (MAIT) y células γδT, que sobreproducen IFN-γ y granzima A —una firma inflamatoria correlacionada con peor salud percibida y reducción del funcionamiento social—. Por otra parte, la reducción del metabolismo microbiano del triptófano y el benzoato se asoció con conexiones disminuidas a lípidos plasmáticos y ácidos biliares, correlacionándose con fatiga, desregulación emocional y alteraciones del sueño. Estos mapas fueron ajustados por edad, sexo y otros factores de confusión clínicos, lo que permitió una interpretación más precisa de las interacciones específicas de la enfermedad frente a las asociadas a la salud.

Este trabajo es destacable por varias razones más allá de la EM/SFC: proporciona un marco de IA generalizable para integrar datos multi-ómicos con fenotipos clínicos heterogéneos en enfermedades crónicas complejas. Dado el solapamiento reconocido entre la EM/SFC y el COVID persistente en etiología y sintomatología, estos hallazgos también podrían arrojar luz sobre los mecanismos subyacentes a los síndromes postvirales de forma más amplia. Entre las advertencias cabe destacar la cohorte predominantemente femenina (68%), el tamaño muestral relativamente modesto para el aprendizaje profundo y el carácter transversal de las asociaciones entre ómicas y síntomas, lo que limita la inferencia causal.