L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-20
L'intégration des profils de disulfidoptose et de l'apprentissage automatique identifie une nouvelle signature diagnostique pour l'endométriose
Titre original: Integrating disulfidptosis patterns and machine learning identifies a novel diagnostic signature for endometriosis
L'endométriose est un trouble gynécologique hétérogène dont les mécanismes moléculaires sont incomplètement élucidés, et la disulfidoptose, une forme de mort cellulaire programmée récemment identifiée, n'avait pas été explorée systématiquement dans cette maladie. En analysant des profils d'expression génique, les chercheurs ont identifié deux sous-types moléculaires associés à la disulfidoptose présentant des caractéristiques immunitaires distinctes, et ont comparé quatre algorithmes d'apprentissage automatique, l'Extreme Gradient Boosting (XGB) obtenant les meilleurs résultats. Il en a résulté une signature à cinq gènes comprenant BTBD2, SLC4A2, SSC5D, LPPR2 et SRGAP2C, étayée par une validation sur deux jeux de données externes indépendants et une validation partielle par RT-qPCR, offrant un outil de diagnostic potentiel et de nouveaux éclairages sur les mécanismes de l'endométriose.