L'IA mappa la biologia della ME/CFS collegando microbi intestinali, immunità e metaboliti ai sintomi

La ME/CFS colpisce oltre 10 milioni di persone in tutto il mondo ed è caratterizzata da stanchezza debilitante, malessere post-sforzo, compromissione cognitiva, dolore e sintomi gastrointestinali. La sua eziologia multifattoriale, l'eterogeneità dei sintomi e la progressione non lineare della malattia l'hanno resa estremamente difficile da studiare—e quasi impossibile da affrontare con approcci basati su un singolo biomarcatore o su una singola analisi omica. Questo articolo introduce BioMapAI, un framework AI a livello sistemico progettato specificamente per gestire questa complessità.

Il gruppo di ricerca ha arruolato 249 partecipanti nell'arco di 3–4 anni: 153 pazienti con ME/CFS (75 con malattia a breve termine <4 anni; 78 a lungo termine >10 anni) e 96 controlli sani abbinati per età e sesso. In 515 punti temporali, sono stati raccolti dati sul microbiota intestinale tramite metagenomics shotgun sull'intero genoma (1.293 specie; 9.993 geni KEGG), metabolomica plasmatica (958 metaboliti mediante LC-MS/MS non mirata), profilazione immunitaria tramite citometria a flusso (443 caratteristiche di cellule immunitarie e citochine), esami ematochimici standard (48 parametri) e 12 punteggi clinici validati che coprono stanchezza, dolore, efficienza cognitiva, sonno, intolleranza ortostatica e funzione gastrointestinale.

BioMapAI è una rete neurale profonda completamente connessa con due livelli nascosti condivisi per l'apprendimento di pattern generali e un livello nascosto parallelo specifico per ciascuno dei 12 output clinici. La spiegabilità SHAP è stata integrata per quantificare l'importanza delle caratteristiche sia a livello di sintomo che di malattia. Il modello ha raggiunto un AUC del 91% nella cross-validazione a 10 fold per la classificazione ME/CFS versus controllo—superando elastic net, SVM, gradient boosting e una DNN standard—e si è generalizzato a coorti di hold-out e a coorti esterne indipendenti. I modelli specifici per singola omica (DeepMECFS-Immune, DeepMECFS-Metabolome, ecc.) e un modello integrato a 154 caratteristiche (DeepMECFS-Omics) sono disponibili pubblicamente.

La mappa di connettività derivata da SHAP ha rivelato alterazioni meccanicisticamente specifiche nella ME/CFS. La deplezione microbica di acidi grassi a catena corta (in particolare butirrato) e di aminoacidi a catena ramificata è stata collegata all'iperattivazione delle cellule T invarianti associate alla mucosa (MAIT) e delle cellule γδT, che producono in eccesso IFN-γ e granzyme A—una firma infiammatoria correlata a un peggior stato di salute percepito e a una ridotta funzione sociale. Separatamente, la riduzione del metabolismo microbico del triptofano e del benzoato è stata associata a minori connessioni con i lipidi plasmatici e gli acidi biliari, e si correla con stanchezza, disregolazione emotiva e disturbi del sonno. Queste mappe sono state corrette per età, sesso e altri fattori confondenti clinici, consentendo un'interpretazione più chiara delle interazioni specifiche della malattia rispetto a quelle associate alla salute.

Questo lavoro è degno di nota per diverse ragioni che vanno oltre la ME/CFS: fornisce un framework AI generalizzabile per l'integrazione di dati multi-omici con fenotipi clinici eterogenei nelle malattie croniche complesse. Data la sovrapposizione riconosciuta tra ME/CFS e long COVID in termini di eziologia e sintomatologia, questi risultati potrebbero anche illuminare i meccanismi alla base delle sindromi post-virali in senso più ampio. Tra le limitazioni si segnalano la coorte prevalentemente femminile (68%), la dimensione campionaria relativamente modesta per il deep learning e la natura trasversale delle associazioni omics-sintomi, che limita l'inferenza causale.