Une nouvelle approche qui utilise l’intelligence artificielle (IA) montre comment utiliser des micro-organismes dans le corps et des molécules dans les cellules pour prédire les résultats pour la santé humaine, selon les chercheurs du Penn State College of Medicine et de l’Université du Texas Southwestern Medical Center. Ils disent que cela pourrait améliorer la précision de la prédiction du développement de maladies humaines, telles que les maladies inflammatoires de l’intestin et le diabète.
Le microbiome humain est composé de billions de micro-organismes, tels que des champignons et des bactéries qui vivent dans le corps, généralement dans l’intestin, et ont un impact sur la santé globale. Ces organismes, ainsi que le métabolome – ; ou les molécules trouvées dans les cellules et les tissus – ; ont un impact important sur la recherche médicale.
La présente étude propose d’apprendre des caractéristiques utiles à partir d’ensembles de données qui mesurent à la fois le microbiome et le métabolome et de les utiliser pour améliorer considérablement la précision de la prédiction des risques dans les ensembles de données mesurant uniquement le microbiome. Les résultats présentent un apprentissage statistique et une approche non invasive basée sur l’IA utilisant le microbiome intestinal qui pourrait identifier les individus présentant un risque élevé de maladies.
Jusqu’à présent, en raison des contraintes de coût, seule une poignée d’études mesuraient à la fois les données sur le microbiome et le métabolome. La plupart des études ne mesuraient que les données du microbiome sans inclure les données sur les métabolomes, ce qui limitait leur utilité pour prédire les risques de maladie. Selon les chercheurs, la combinaison du microbiome et du métabolome peut prédire avec plus de précision les résultats de la maladie et conduire à une meilleure compréhension des mécanismes de la maladie.
Les approches non invasives basées sur l’apprentissage en profondeur ont un énorme potentiel pour améliorer le diagnostic et la prédiction des risques de maladies humaines. Combiné à des technologies à haut débit, telles que le séquençage de l’ADN, il offre une approche rentable qui identifie les patients à risque et fait progresser la médecine de précision. »
Dajiang Liu, co-auteur principal, professeur et vice-président pour la recherche sur les sciences de la santé publique, la biochimie et la biologie moléculaire, et directeur par intérim de l’initiative AI du Penn State College of Medicine
Les scientifiques ont proposé un nouveau cadre de modélisation intégrative appelé Microbiome-based Supervised Contrastive Learning Framework (MB-SupCon). En mettant en œuvre la nouvelle méthode, ils ont étudié les données sur le microbiome intestinal et le métabolome dans des échantillons de selles de 720 patients pour prédire les facteurs associés au diabète de type 2.
Selon les chercheurs, MB-SupCon a surpassé les méthodes d’apprentissage automatique existantes et s’est avérée très précise pour prédire l’état de résistance à l’insuline des patients (84 %), le sexe (78 %) et la race (80 %).
Lorsque les chercheurs ont utilisé MB-SupCon dans une vaste étude sur les maladies inflammatoires de l’intestin, ils ont observé des avantages similaires. Selon les chercheurs, cette méthode non invasive et rentable pourrait être largement utilisée pour prédire les résultats pour la santé dans diverses études sur les maladies.
« Le microbiome humain est un facteur de risque modifiable majeur pour les maladies humaines », a déclaré le co-auteur principal Xiaowei Zhan, membre du Southwestern Medical Center de l’Université du Texas. « Notre approche aide à identifier les bactéries qui influencent le risque de maladie. La modification de ces bactéries peut être une nouvelle approche précieuse pour traiter des troubles humains qui n’étaient pas facilement traitables auparavant. »
Chercheurs Sen Yang, Shidan Wang, Ruichen Rong, Jiwoong Kim, Bo Li, Andrew Y. Koh et Guanghua Xiao du Centre médical du sud-ouest de l’Université du Texas ; Yiqing Wang de l’Université Méthodiste du Sud ; et Qiwei Li de l’Université du Texas à Dallas ont contribué à cette recherche.
Comment l’acide acétylsalicylique et la warfarine interagissent-ils avec divers nutriments ?