Un cadre d’apprentissage automatique révèle les facteurs clés des réponses en cytokines dans une cohorte humaine saine

Pourquoi nos réactions immunitaires diffèrent

Lorsque deux personnes en bonne santé attrapent le même rhume, l’une peut à peine renifler tandis que l’autre reste alitée pendant des jours. Une grande partie de cette différence tient à l’intensité avec laquelle leur système immunitaire libère des protéines de signalisation appelées cytokines. Cette étude pose une question simple mais importante : peut-on prédire comment le système immunitaire d’une personne saine réagira, en utilisant un mélange de données génétiques et de facteurs quotidiens comme la saison, les infections passées et des mesures sanguines ?

Un examen approfondi des systèmes immunitaires sains

Pour explorer cela, les chercheurs ont constitué un groupe soigneusement sélectionné de 406 adultes en bonne santé, tous testés dans des conditions standardisées. Ils ont prélevé le sang le matin à jeun, mesuré les taux d’hormones et les numérations des cellules immunitaires, et enregistré des facteurs tels que le sexe, l’âge, le poids corporel et la saison du prélèvement. Ils ont ensuite stimulé du sang total frais avec des substances qui imitent des agents pathogènes et activent deux grands volets de l’immunité : les récepteurs de type Toll (sentinelles innées qui détectent des signaux de danger larges) et les récepteurs des cellules T (cellules adaptatives qui reconnaissent des cibles spécifiques). L’équipe a mesuré 11 réponses cytokinique différentes, dressant un tableau riche de la manière dont le système immunitaire de chaque personne réagit à des défis contrôlés en laboratoire.

Trouver des schémas de répondeurs forts et faibles

La première étape a été de déterminer si les individus se répartissent naturellement en « types » immunitaires reconnaissables. En examinant la façon dont une cytokine clé, l’IL-6, répondait à plusieurs stimuli innés, l’équipe a identifié deux groupes principaux : producteurs élevés et producteurs faibles. Les personnes qui produisaient davantage d’IL-6 en réponse à un déclencheur inné en produisaient généralement davantage d’autres cytokines apparentées, ce qui suggère des profils de réponse stables. Les producteurs élevés d’IL-6 étaient plus souvent des hommes, présentaient un nombre plus élevé d’un type de globules blancs appelé monocytes et étaient plus fréquemment échantillonnés en hiver, mettant en évidence comment la biologie et l’environnement façonnent le tonus immunitaire au cours de l’année.

Gènes versus environnement : qui pilote quoi ?

Ensuite, les chercheurs ont balayé le génome entier à la recherche de variants d’ADN associés aux niveaux de cytokines et ont trouvé quatre régions influençant clairement certaines réponses, y compris un variant bien connu qui affecte les cytokines entraînées par les cellules T. Mais les gènes n’expliquent qu’une partie de l’histoire. Ils ont ensuite confronté plusieurs approches de prédiction les unes aux autres, allant de modèles linéaires simples à des techniques d’apprentissage automatique plus souples comme les forêts aléatoires et les arbres boostés par gradient. Lorsqu’ils ont tenté de prédire les réponses en cytokines à partir de données génétiques seules, seules quelques cytokines liées aux cellules T pouvaient être prévues avec une précision raisonnable. Une fois qu’ils ont ajouté des informations biologiques et environnementales — comme les numérations sanguines, la saison et une exposition antérieure au cytomégalovirus — les modèles se sont améliorés, en particulier pour les réponses aux récepteurs innés, où les signaux purement génétiques étaient faibles.

Ce que révèlent les meilleurs modèles

La méthode la plus fiable était une approche par arbres appelée forêt aléatoire. En sondant la dégradation des prédictions lorsque chaque variable d’entrée était mélangée, les auteurs ont pu identifier les caractéristiques vraiment importantes. Pour les cytokines dépendant des cellules T, les variants génétiques étaient les principaux moteurs, avec des rôles plus modestes pour l’âge et l’exposition virale chronique. Pour les cytokines déclenchées par les récepteurs innés comme l’IL-6 et le TNF, le moment saisonnier et le nombre de monocytes étaient bien plus influents que les marqueurs ADN. L’équipe a également montré combien il est facile de surestimer le pouvoir explicatif de la génétique si la sélection des caractéristiques est mal conduite, et a confirmé ses principaux résultats dans une cohorte indépendante de près de 500 non-fumeurs. Fait intéressant, les scores génétiques de risque larges pour les maladies auto-immunes n’amélioraient pas la prédiction, ce qui suggère que les gènes prédisposant à la maladie ne reflètent pas nécessairement ceux qui modulent les réponses immunitaires quotidiennes chez les personnes en bonne santé.

Ce que cela signifie pour une immunité personnalisée à l’avenir

Pour un lecteur non spécialisé, la leçon est que nos réponses immunitaires ne sont pas inscrites uniquement dans nos gènes. Certaines cytokines, en particulier celles pilotées par les cellules T, sont fortement façonnées par des variations héréditaires de l’ADN. D’autres, notamment celles produites par des senseurs innés comme les récepteurs de type Toll, dépendent bien davantage de facteurs changeants tels que la saison, les numérations cellulaires, les hormones et les expositions passées. Les outils modernes d’apprentissage automatique peuvent articuler ces éléments pour classer qui est susceptible d’être un répondeur fort ou faible, mais ces outils ont des limites et doivent être utilisés avec prudence pour éviter un optimisme trompeur. Dans l’ensemble, ce travail nous rapproche de la capacité à prévoir le comportement immunitaire individuel, tout en soulignant que nos génomes et nos environnements quotidiens écrivent conjointement l’intensité de notre réponse aux infections.

Citation: Liefferinckx, C., Bottieau, J., Quertinmont, E. et al. A machine learning framework reveals key drivers of cytokine responses in a healthy human cohort. npj Syst Biol Appl 12, 45 (2026). https://doi.org/10.1038/s41540-026-00671-w

Mots-clés: réponses en cytokines, apprentissage automatique, variabilité immunitaire, génétique et environnement, immunologie des systèmes