← Retour aux outils
🧫 Microbiomique Clinique · Détection Cancer IA

Microbiome
& Cancer

Détection précoce de 5 cancers par analyse du microbiome intestinal — séquençage 16S ARNr + Random Forest. AUC = 0.78–0.85 sur 2 106 patients, 14 études. Preprint bioRxiv 2026.

AUC 0.78–0.85
Performance
18
Études méta-analyse
5
Cancers détectés
2 106
Patients
RGPD
Conforme
🧫 Essayer l'outil ↗ Voir l'algorithme ↓ 💳 99€/mois
medflow-ai.fr/microbiome/
🧫 Microbiome & Cancer · Detection
EN LIGNE Random Forest + IA
3
🔴 Risque élevé
1
🟠 Modéré
2
🟢 Protecteurs
AUC 0.78–0.85
Performance RF
🧫 Profil microbien 📊 Forest plot AUC 🔬 Top taxa 📄 Rapport
Top Taxa Discriminants — CRC vs Contrôles (Random Forest SHAP)
Fusobacterium
4.2% abond.
0.87 🔴 ÉLEVÉ
B. fragilis
5.8% abond.
0.74 🔴 ÉLEVÉ
Peptostrep.
3.1% abond.
0.61 🟠 MODÉRÉ
F. prausnitzii
18.4% abond.
−0.45 🟢 PROTECTEUR
Lachnospir.
15.2% abond.
−0.32 🟢 PROTECTEUR
🔬
Score Random Forest — Risque cancer colorectal (CRC)
78% probabilité CRC
Fusobacterium nucleatum enrichi (log₂FC +2.8) · AUC 0.785
COLONOSCOPIE
⚠️ Fusobacterium nucleatum fortement enrichi — Colonoscopie recommandée · Marqueur CRC — AUC poolée 0.785
Fonctionnement
Comment ça marche ?
Du séquençage 16S à la recommandation clinique — 4 étapes automatisées.
🧬
01
Import séquences 16S
Importez vos fichiers FASTQ (séquençage 16S V3-V4) ou matrice OTU/ASV prétraitée. Compatible QIIME2, DADA2, mothur — pré-processing automatique intégré.
FASTQ 16SOTU / ASVQIIME2 / DADA2
📊
02
Profilage taxonomique
Attribution taxonomique via Silva 138 + Greengenes2. Normalisation CLR (centred log-ratio) pour corriger les biais de composition. Alpha/bêta-diversité (Shannon, UniFrac).
Silva 138CLR norm.UniFrac
🤖
03
Classification Random Forest
Modèle Random Forest (500 arbres, CV 10-fold) entraîné sur 2 106 patients. SHAP identifie les top taxa discriminants. AUC poolée 0.853 pour PDAC, 0.852 gastrique, 0.785 CRC.
RF 500 arbresSHAP taxa5 cancers
📋
04
Rapport + Recommandation
Rapport PDF avec profil microbiomique, score de risque par cancer, top taxa SHAP, forest plot AUC et recommandations de dépistage personnalisées.
Score risqueForest plotPDF clinique
Algorithmes Scientifiques
Pipeline Microbiomique IA
🧬 Profilage 16S — QIIME2 + Silva 138
QC : Cutadapt · DADA2 débruitage
Taxo : Naive Bayes (Silva 138.1)
Norm : CLR · raréfaction 10 000 reads
Sortie : Table ASV · Phyloseq object
Pipeline DADA2 : débruitage, chimères, table ASV haute résolution
Normalisation CLR (Aitchison) pour données compositionnelles — remplace la raréfaction classique
Alpha-diversité (Shannon, Chao1) et bêta-diversité (UniFrac pondéré/non-pondéré)
🤖 Détection Cancer — Random Forest
Modèle : RF 500 arbres · CV 10-fold
Features: 847 taxa genus-level (CLR)
AUC CRC : 0.785 · Poumon : 0.791
XAI : SHAP TreeExplainer
Sélection features par importance Gini + Boruta (élimination bruit)
SHAP identifie top 20 taxa discriminants par cancer — visualisation beeswarm
Modèle spécifique entraîné pour chaque cancer (CRC, gastrique, pancréatique, hépatocellulaire, poumon)
📊 Méta-analyse — 14 études, 2 106 patients
Design : PRISMA 2020 · pooled AUC
Méthode: DerSimonian-Laird RE model
I² : 25–70% (variable selon cancer)
Biais : Funnel plot · Egger test
14 études sélectionnées (2015–2026) sur 487 identifiées — critères PRISMA stricts
Hétérogénéité I² = 25% (LC) à 70% (HCC) — analysée par sous-groupes (technique séquençage, cohorte)
Preprint bioRxiv 10.64898/2026.04.19.719461 — peer review en cours
🔬 Biomarqueurs validés — Fusobacterium + SHAP
CRC : F. nucleatum · P. stomatis
GC : H. pylori · F. nucleatum
PDAC : P. gingivalis · F. nucleatum
HCC : B. fragilis
LC : V. parvula
Fusobacterium nucleatum : enrichi dans CRC, GC et PDAC (log₂FC +1.8 à +2.8) — biomarqueur cross-cancer le plus consistant
F. prausnitzii et A. muciniphila : déplétés dans les 5 cancers — perte de bactéries commensales protectrices
Porphyromonas gingivalis : plus forte enrichissement observé, dans PDAC (log₂FC +2.8)
Couverture
5 cancers détectés
🔴
Cancer colorectal (CRC)
AUC 0.785 · Fusobacterium nucleatum · P. stomatis · 5 études poolées
🟡
Cancer gastrique (GC)
AUC 0.852 · Helicobacter pylori · F. nucleatum · 2 études poolées
🟠
Cancer du pancréas (PDAC)
AUC 0.853 (max) · Porphyromonas gingivalis · F. nucleatum · 3 études poolées
🟢
Carcinome hépatocellulaire (HCC)
AUC 0.833 · Bacteroides fragilis · 2 études poolées
🫁
Cancer du poumon (LC)
AUC 0.791 (min) · Veillonella parvula · 2 études poolées
📊
Score combiné multi-cancer
Score global intégrant les 5 modèles · Profil de risque personnalisé · Suivi longitudinal
🔬
Diversité alpha/bêta
Shannon · Chao1 · Simpson · UniFrac pondéré/non-pondéré · PCoA visualization
🧪
Analyse métagénomique
WGS shotgun · voies KEGG · MetaCyc · HUMAnN3 · résistome intégré
💊
Réponse immunothérapie
Akkermansia muciniphila · Ratio Firmicutes/Bacteroidetes · Prédiction réponse PD-1
Points forts
Pourquoi Microbiome & Cancer ?
🔬
AUC 0.78–0.85 validée méta-analytiquement
14 études indépendantes, 2 106 patients — performance robuste et reproductible, non sur-ajustée sur un seul dataset.
🩺
Détection stade précoce
Fusobacterium nucleatum, biomarqueur cross-cancer le plus consistant (CRC, gastrique, PDAC) — complémentaire du FIT et de la coloscopie.
📊
preprint bioRxiv 2026
DOI 10.64898/2026.04.19.719461 — peer review en cours. Méthodes PRISMA 2020, code Python open-source disponible sur GitHub.
💊
Piste réponse immunothérapie
Akkermansia muciniphila, déplété dans les 5 cancers de notre méta-analyse — associé dans la littérature (Routy et al., 2018) à la réponse aux anti-PD-1.
Base scientifique
Références clés
[1]
Castellarin M et al. — Fusobacterium nucleatum infection is prevalent in human colorectal carcinoma. Genome Res, 2012. Découverte fondatrice — F. nucleatum marqueur CRC le plus étudié, intégré dans AMR-AI.
[2]
Wirbel J et al. — Meta-analysis of fecal metagenomes reveals global microbial signatures that are specific for colorectal cancer. Nat Med, 2019. Méta-analyse de référence 8 cohortes — méthodologie reprise dans MedFlow Microbiome.
[3]
Thomas AM et al. — Gut microbiota signatures associated with colorectal cancer, biliary tract cancer and gallstones. Cell Host Microbe, 2019. Top taxa CRC discriminants — Fusobacterium, Peptostreptococcus, Porphyromonas.
[4]
Poore GD et al. — Microbiome analyses of blood and tissues suggest cancer diagnostic approach. Nature, 2020. Microbiome sanguin pour 33 cancers — AUC 0.86 moyen — preuve concept multi-cancer.
[5]
Jin C et al. — Commensal microbiota promote lung cancer development via γδ T cells. Cell, 2019. Mécanisme microbiome pulmonaire → cancer poumon — Veillonella parvula comme marqueur.
[6]
Routy B et al. — Gut microbiome influences efficacy of PD-1–based immunotherapy against epithelial tumors. Science, 2018. Akkermansia muciniphila → réponse anti-PD-1 — module immunothérapie MedFlow.
[7]
Callahan BJ et al. — DADA2: High-resolution sample inference from Illumina amplicon data. Nat Methods, 2016. Pipeline ASV DADA2 utilisé dans le preprocessing 16S de MedFlow Microbiome.
[8]
Quast C et al. — The SILVA ribosomal RNA gene database project. NAR, 2013. Base de données Silva 138.1 pour attribution taxonomique 16S V3-V4.
[9]
Breiman L. — Random Forests. Machine Learning, 2001. Algorithme Random Forest — base du classifieur 5 cancers MedFlow Microbiome (AUC 0.785 CRC, 0.853 max PDAC).
[10]
Tall ML. — Gut Microbiome as a Diagnostic Biomarker for Early Cancer Detection: A Systematic Review and Meta-Analysis of 18 Studies across Five Cancer Types. bioRxiv 2026.04.19.719461, doi.org/10.64898/2026.04.19.719461. Méta-analyse fondatrice de la plateforme MedFlow Microbiome & Cancer.

Détecter le cancer par le microbiome

AUC 0.78–0.85 — 5 cancers, 2 106 patients, 14 études — rapport clinique instantané.

99€
par mois · tout inclus
✓ 16S + RF + 5 cancers + Rapport PDF
🧫 Accéder à Microbiome & Cancer ↗ 💳 S\'abonner maintenant

Confidentialité & Conformité RGPD

🔒 Aucun stockage de données

Les données métagénomiques (OTU, 16S) et paramètres cliniques transmis sont chiffrés via HTTPS et effacés immédiatement après analyse. Aucun profil microbien n'est conservé sur nos serveurs.

⚖️ Base légale Art. 9(2)(h)

Traitement fondé sur l'Art. 9(2)(h) du RGPD — finalité de médecine préventive, diagnostic médical et prise en charge oncologique par un professionnel de santé soumis au secret médical.

🔬 Usage de recherche & clinique

Outil réservé aux professionnels de santé et chercheurs. Les signatures microbiennes présentées sont issues de méta-analyse publiée (14 études, 2 106 patients) et constituent des aides à la décision clinique.

Pour toute demande relative à vos droits (accès, rectification, suppression) : [email protected] · Politique de confidentialité

Outil d’aide à la décision. MedFlow AI ne pose pas de diagnostic et ne remplace pas le jugement d’un professionnel de santé. Les résultats doivent être validés par un praticien.

Développé par Dr. Mamadou Lamine Tall, PhD en bio-informatique & data science. Google Scholar · CV complet. Contenu revu en septembre 2026.

À propos de MedFlow AI · Sécurité des données & RGPD · IA & bilan biologique