Aujourd’hui, nous sommes ravis de partager une nouvelle publication de Christopher Armstrong, PhD, et de ses collègues : « Discriminating ME/CFS and Comorbid Conditions Using NMR Metabolomics in UK Biobank (Discriminer l’EM/SFC et les comorbidités à l’aide de la métabolomique RMN dans la biobanque britannique). »
Le cœur du sujet
- La Collaboration de Melbourne sur l’EM/SFC de l’OMF a récemment publié un article sur son projet utilisant la métabolomique pour identifier l’EM/SFC.
- L’équipe a analysé les données métabolomiques de plus de 80 000 participants de la biobanque britannique atteints d’EM/SFC ou de l’une des sept comorbidités et de témoins non malades.
- Les profils métabolomiques ont été utilisés pour identifier les différences et les similitudes entre l’EM/SFC et les comorbidités qui pourraient donner un aperçu des mécanismes sous-jacents de l’EM/SFC.
- L’équipe a également formé un algorithme d’apprentissage automatique pour identifier l’EM/SFC avec une précision de 83 %, ce qui pourrait aider au diagnostic à l’avenir.
Discrimination de l'EM/SFC et des comorbidités à l'aide de la métabolomique RMN dans la biobanque britannique
Le 26 novembre, le Dr Chris Armstrong, directeur de la Collaboration de Melbourne sur l’EM/SFC de l’OMF, a publié un article de son groupe à l’Université de Melbourne qui a utilisé la métabolomique et des informations de base sur la santé pour distinguer l’EM/SFC des comorbidités et des témoins non malades. L’EM/SFC est difficile à diagnostiquer, en partie à cause de la grande variété de symptômes qu’elle présente et de la prévalence des comorbidités ; ce projet vise donc à faciliter le diagnostic à l’avenir.
L’équipe a utilisé les profils métabolomiques, recueillis par spectroscopie de résonance magnétique nucléaire (RMN), de personnes de la biobanque britannique atteintes d’EM/SFC, de sept comorbidités et d’un groupe témoin non malade. Les sept comorbidités sont l’hypertension, l’asthme, le syndrome du côlon irritable, la dépression, le rhume des foins, l’hypothyroïdie et la migraine. Il est important de noter que le projet bénéficie de l’envergure de la biobanque britannique, qui compte entre 850 et 13 500 participants dans chaque groupe de maladies.
En comparant l’EM/SFC à d’autres maladies, l’équipe a trouvé des marqueurs d’inflammation et des anomalies dans le cholestérol et les triglycérides. Elle a également pu identifier des différences spécifiques au sexe dans les profils métabolomiques des participants atteints d’EM/SFC. En outre, un sous-ensemble de 168 marqueurs a montré des associations chevauchantes avec les comorbidités étudiées. Collectivement, les différences et les similitudes trouvées entre l’EM/SFC et d’autres maladies peuvent aider à comprendre les mécanismes sous-jacents de l’EM/SFC.
Sur la base de ces résultats, le Dr Armstrong et son équipe ont formé un algorithme d’apprentissage automatique pour identifier l’EM/SFC. En utilisant 19 caractéristiques de base provenant des données d’enquête fournies par les participants et 9 marqueurs RMN, l’algorithme a pu identifier l’EM/SFC avec une AUC (aire sous la courbure) de 0,83 (précision de 83 %) – normalement, une AUC supérieure à 0,8 indique une bonne discrimination. En fin de compte, il s’agit d’une nouvelle étape dans la recherche de cibles diagnostiques pour l’EM/SFC, puisque l’équipe propose un flux de travail analytique susceptible d’être utilisé à l’avenir en clinique.
Lire l’article complet dans Nature Communications.