Au-delà de l'abondance microbienne : l'intégration des métadonnées améliore la prédiction des maladies dans les études du microbiome humain

Plusieurs études ont mis en évidence le potentiel du microbiome humain comme biomarqueur pour le diagnostic des maladies via son interaction avec des systèmes tels que le tube digestif, le système immunitaire, le foie et la peau à travers des axes clés. Les avancées dans les technologies de séquençage et l'informatique haute performance ont permis l'analyse de données métagénomiques à grande échelle, facilitant l'utilisation de l'apprentissage automatique pour prédire la probabilité de maladie à partir de profils du microbiome. Cependant, des défis comme la composition, la haute dimensionnalité, la rareté et la taille limitée des échantillons ont entravé le développement de modèles exploitables. Une stratégie pour améliorer ces modèles consiste à incorporer des métadonnées clés à la fois de l'hôte et des protocoles de collecte/traitement des échantillons. Dans cet article, nous présentons une pipeline basée sur l'apprentissage automatique pour prédire les états pathologiques humains en intégrant les métadonnées de l'hôte et du protocole avec les profils d'abondance du microbiome issus de 68 études différentes, traitées via une pipeline commune. Nos résultats indiquent que les métadonnées peuvent renforcer les prédictions par apprentissage automatique, particulièrement aux rangs taxonomiques supérieurs tels que Royaume et Phylum, bien que cet effet diminue aux rangs inférieurs. Notre étude exploite une vaste collection de jeux de données microbiens comprenant 11 208 échantillons, renforçant ainsi la robustesse et la confiance statistique de nos résultats. Ce travail constitue une étape cruciale vers l'utilisation des microbiomes et des métadonnées pour prédire des maladies telles que les infections gastro-intestinales, le diabète, le cancer et les troubles neurologiques.