IA Mapeia a Biologia da EM/SFC Conectando Micróbios Intestinais, Imunidade e Metabólitos aos Sintomas

A EM/SFC afeta mais de 10 milhões de pessoas em todo o mundo e é caracterizada por fadiga debilitante, mal-estar pós-esforço, comprometimento cognitivo, dor e sintomas gastrointestinais. Sua etiologia multifatorial, heterogeneidade de sintomas e progressão não linear da doença tornaram seu estudo extremamente difícil — e quase impossível de abordar com abordagens de biomarcador único ou omics único. Este artigo apresenta o BioMapAI, um framework de IA em nível de sistemas projetado especificamente para lidar com essa complexidade.

A equipe recrutou 249 participantes ao longo de 3 a 4 anos: 153 pacientes com EM/SFC (75 com doença de curta duração <4 anos; 78 com longa duração >10 anos) e 96 controles saudáveis pareados por idade e gênero. Em 515 pontos de coleta, foram obtidos dados do microbioma intestinal por metagenômica shotgun de genoma completo (1.293 espécies; 9.993 genes KEGG), metabolômica plasmática (958 metabólitos por LC-MS/MS não direcionada), perfil imunológico por citometria de fluxo (443 características de células imunes e citocinas), exames laboratoriais sanguíneos padrão (48 características) e 12 escores clínicos validados abrangendo fadiga, dor, eficiência cognitiva, sono, intolerância ortostática e função gastrointestinal.

O BioMapAI é uma rede neural profunda totalmente conectada com duas camadas ocultas compartilhadas para aprendizado geral de padrões e uma camada oculta paralela específica para cada uma das 12 saídas clínicas. A explicabilidade SHAP foi integrada para quantificar a importância das variáveis tanto no nível dos sintomas quanto no nível da doença. O modelo alcançou 91% de AUC na validação cruzada de 10 dobras para classificação de EM/SFC versus controle — superando elastic net, SVM, gradient boosting e uma DNN padrão — e generalizou para coortes externas independentes e de validação. Modelos individuais específicos por omics (DeepMECFS-Immune, DeepMECFS-Metabolome, entre outros) e um modelo integrado com 154 variáveis (DeepMECFS-Omics) estão disponíveis publicamente.

O mapa de conectividade derivado do SHAP revelou alterações mecanisticamente específicas na EM/SFC. A depleção microbiana de ácidos graxos de cadeia curta (notadamente butirato) e de aminoácidos de cadeia ramificada foi associada à hiperativação de células T invariantes associadas à mucosa (MAIT) e células γδT, que superproduzem IFN-γ e granzima A — uma assinatura inflamatória correlacionada com pior percepção de saúde e redução do funcionamento social. Separadamente, a redução do metabolismo microbiano de triptofano e benzoato foi associada a conexões diminuídas com lipídios plasmáticos e ácidos biliares, acompanhando fadiga, desregulação emocional e distúrbios do sono. Esses mapas foram ajustados para idade, gênero e outros fatores de confusão clínicos, permitindo uma interpretação mais clara das interações específicas da doença em comparação com as associadas à saúde.

Este trabalho é notável por diversas razões que vão além da EM/SFC: ele fornece um framework de IA generalizável para integrar dados multi-omics com fenótipos clínicos heterogêneos em doenças crônicas complexas. Dada a reconhecida sobreposição entre EM/SFC e COVID longa em etiologia e sintomatologia, esses achados também podem iluminar os mecanismos subjacentes às síndromes pós-virais de forma mais ampla. As ressalvas incluem a coorte predominantemente feminina (68%), o tamanho amostral relativamente modesto para aprendizado profundo e a natureza transversal das associações omics-sintomas, o que limita a inferência causal.