L'IA face aux grands problèmes du monde · Sciences du vivant · Nature (computational biology) · 2026-10-21
Cadre d'apprentissage profond guidé par la métabolomique spatiale pour disséquer les mécanismes d'évasion immunitaire dans les microenvironnements d'infection fongique
Titre original: Spatial metabolomics-guided deep learning framework for dissecting immune evasion mechanisms in fungal infection microenvironments
Ce travail cible les circuits métaboliques organisés dans l'espace qui permettent aux pathogènes fongiques d'échapper à l'immunité de l'hôte lors d'infections invasives, qui provoquent une mortalité élevée chez les patients immunodéprimés. En couplant la métabolomique spatiale à haute résolution de tissus d'aspergillose pulmonaire invasive murine avec un réseau convolutif multi-échelle renforcé par un mécanisme d'attention, le cadre segmente le cœur de l'infection, la zone d'infiltration immunitaire et la zone limite de transition avec un coefficient de Dice moyen de 0.887 par rapport aux annotations d'anatomopathologistes experts. Un autoencodeur variationnel de graphes doté d'équations différentielles ordinaires neuronales infère ensuite la manière dont les réseaux d'interactions métabolite–immunité évoluent sur 24–72 heures, classant la kynurénine comme métabolite hub de centralité la plus élevée et situant un point de bascule métabolique putatif entre 36 et 48 heures.