L'IA cartographie la biologie du ME/CFS en reliant les microbes intestinaux, l'immunité et les métabolites aux symptômes

ME/CFS touche plus de 10 millions de personnes dans le monde et se caractérise par une fatigue débilitante, un malaise post-effort, des troubles cognitifs, des douleurs et des symptômes gastro-intestinaux. Son étiologie multifactorielle, l'hétérogénéité de ses symptômes et la progression non linéaire de la maladie ont rendu son étude extrêmement difficile — et quasiment impossible à aborder par des approches reposant sur un seul biomarqueur ou une seule technique omique. Cet article présente BioMapAI, un cadre d'intelligence artificielle à l'échelle des systèmes, conçu spécifiquement pour gérer cette complexité.

L'équipe a recruté 249 participants sur 3 à 4 ans : 153 patients atteints de ME/CFS (75 à stade précoce, maladie évoluant depuis moins de 4 ans ; 78 à stade avancé, évoluant depuis plus de 10 ans) et 96 témoins sains appariés par âge et par sexe. Sur 515 points temporels, ils ont recueilli des données sur le microbiote intestinal par métagénomique shotgun sur génome entier (1 293 espèces ; 9 993 gènes KEGG), des données de métabolomique plasmatique (958 métabolites par LC-MS/MS non ciblée), un profilage immunitaire par cytométrie en flux (443 caractéristiques de cellules immunitaires et de cytokines), des analyses biologiques standard (48 variables) et 12 scores cliniques validés portant sur la fatigue, la douleur, l'efficience cognitive, le sommeil, l'intolérance orthostatique et la fonction gastro-intestinale.

BioMapAI est un réseau de neurones profond entièrement connecté, comprenant deux couches cachées partagées pour l'apprentissage de patterns généraux et une couche cachée parallèle spécifique à chaque tâche pour chacune des 12 sorties cliniques. L'explicabilité SHAP a été intégrée afin de quantifier l'importance des variables à la fois au niveau des symptômes et au niveau de la maladie. Le modèle a atteint une AUC de 91 % en validation croisée à 10 plis pour la classification ME/CFS versus témoins — surpassant l'elastic net, le SVM, le gradient boosting et un DNN standard — et s'est généralisé à des cohortes de test retenues et à des cohortes externes indépendantes. Les modèles spécifiques à chaque omique (DeepMECFS-Immune, DeepMECFS-Metabolome, etc.) et un modèle intégré à 154 variables (DeepMECFS-Omics) sont disponibles publiquement.

La carte de connectivité dérivée de SHAP a révélé des altérations mécanistiquement spécifiques dans la ME/CFS. L'appauvrissement microbien en acides gras à chaîne courte (notamment le butyrate) et en acides aminés à chaîne ramifiée a été associé à une hyperactivation des cellules T invariantes associées aux muqueuses (MAIT) et des cellules γδT, qui surproduisent l'IFN-γ et la granzyme A — une signature inflammatoire corrélée à une santé perçue plus dégradée et à une réduction du fonctionnement social. Par ailleurs, une diminution du métabolisme microbien du tryptophane et du benzoate a été associée à un affaiblissement des connexions avec les lipides plasmatiques et les acides biliaires, en lien avec la fatigue, la dysrégulation émotionnelle et les perturbations du sommeil. Ces cartes ont été ajustées en fonction de l'âge, du sexe et d'autres facteurs confondants cliniques, ce qui permet une interprétation plus claire des interactions propres à la maladie par rapport à celles associées à l'état de santé.

Ces travaux méritent d'être soulignés pour plusieurs raisons allant au-delà de la ME/CFS : ils fournissent un cadre d'IA généralisable pour l'intégration de données multi-omiques avec des phénotypes cliniques hétérogènes dans le contexte de maladies chroniques complexes. Compte tenu du chevauchement reconnu entre la ME/CFS et le COVID long sur le plan étiologique et symptomatologique, ces résultats pourraient également éclairer les mécanismes sous-jacents aux syndromes post-viraux de manière plus générale. Les réserves à formuler incluent la composition majoritairement féminine de la cohorte (68 %), la taille d'échantillon relativement modeste pour l'apprentissage profond, ainsi que la nature transversale des associations omique-symptôme, qui limite les inférences causales.