Modèle d'apprentissage automatique pour identifier les métabolites dérivés du microbiote intestinal comme biomarqueurs potentiels du trouble du spectre autistique : une étude pilote.Machine learning model to identify gut microbiome-derived metabolites as potential biomarkers of autism spectrum disorder: a pilot study.
- Un modèle d'apprentissage automatique (Random Forest) a atteint une précision de 85 % pour distinguer les personnes avec TSA des témoins sains.
- Les métabolites les plus importants incluent des acides aminés, des composés organiques volatils et des acides gras à chaîne courte.
- L'étude utilise des bases de données mondiales (GMRepo v2 et Agora2) pour estimer la production théorique de métabolites.
L'étude propose une approche innovante par machine learning pour identifier des biomarqueurs du microbiote dans le TSA, mais repose sur des données théoriques et nécessite une validation empirique. Pertinence élevée pour NeuroWatch en raison de l'impact potentiel sur le diagnostic.
Étude pilote basée sur des données théoriques et non sur des mesures directes de métabolites. Les bases de données utilisées peuvent ne pas représenter l'ensemble de la diversité microbienne. L'échantillon n'est pas décrit, et la validation empirique est nécessaire. La généralisabilité est limitée tant que les résultats ne sont pas reproduits in vivo.
Cette étude pilote utilise un modèle d'apprentissage automatique (Random Forest) pour identifier des métabolites du microbiote intestinal comme biomarqueurs potentiels du trouble du spectre autistique (TSA). À partir de bases de données mondiales (GMRepo v2 et Agora2), le modèle a atteint une précision de 85 % pour distinguer les personnes avec TSA des témoins sains. Les métabolites les plus pertinents comprennent des acides aminés, des composés organiques volatils et des acides gras à chaîne courte. 40 % des métabolites significatifs correspondent à des études in vivo antérieures, soutenant le rôle du microbiote dans la physiopathologie du TSA via la biosynthèse des neurotransmetteurs, l'intégrité épithéliale et la modulation immunologique.
Un modèle d'apprentissage automatique (Random Forest) a atteint une précision de 85 % pour distinguer les personnes avec TSA des témoins sains. Les métabolites les plus importants incluent des acides aminés, des composés organiques volatils et des acides gras à chaîne courte. L'étude utilise des bases de données mondiales (GMRepo v2 et Agora2) pour estimer la production théorique de métabolites. 40 % des métabolites les plus significatifs correspondent à des études in vivo antérieures. Les résultats suggèrent un rôle du microbiote intestinal dans la physiopathologie du TSA via la biosynthèse des neurotransmetteurs, l'intégrité épithéliale et la modulation immunologique.
L'identification de biomarqueurs basés sur le microbiote pourrait améliorer le diagnostic précoce du TSA. Une meilleure compréhension des symptômes gastro-intestinaux comorbides chez les personnes avec TSA. Potentiel pour une médecine de précision avec des signatures métaboliques personnalisées. Les résultats pourraient orienter des interventions thérapeutiques ciblant le microbiote.
Faible