Abstract Myalgic encephalomyelitis/chronic fatigue syndrome (ME/CFS) is a debilitating disorder of unknown etiology, and diagnosis of the disease is largely based on clinical symptoms. We hypothesized that immunological disruption is the major driver of this disease and analyzed a large cohort of ME/CFS patient or control blood samples for differences in T cell subset frequencies and functions. We found that the ratio of CD4+ to CD8+ T cells and the proportion of CD8+ effector memory T cells were increased, whereas NK cells were reduced in ME/CFS patients younger than 50 years old compared to a healthy control group. Remarkably, major differences were observed in Th1, Th2, Th17 and mucosal-associated invariant T (MAIT) T cell subset functions across all ages of patients compared to healthy subjects. While CCR6+ Th17 cells in ME/CFS secreted less IL-17 compared to controls, their overall frequency was higher. Similarly, MAIT cells from patients secreted lower IFNγ, GranzymeA and IL-17 upon activation. Together, these findings suggest chronic stimulation of these T cell populations in ME/CFS patients. In contrast, the frequency of regulatory T cells (Tregs), which control excessive immune activation, was higher in ME/CFS patients. Finally, using a machine learning algorithm called random forest, we determined that the set of T cell parameters analyzed could identify more than 90% of the subjects in the ME/CFS cohort as patients (93% true positive rate or sensitivity). In conclusion, these multiple and major perturbations or dysfunctions in T cell subsets in ME/CFS patients suggest potential chronic infections or microbiome dysbiosis. These findings also have implications for development of ME/CFS specific immune biomarkers and reveal potential targets for novel therapeutic interventions.

Abstract Myalgic Encephalomyelitis/Chronic Fatigue Syndrome (ME/CFS) is a complex, multi-system, debilitating disability manifesting as severe fatigue and post-exertional malaise. The chronic dysfunctions in ME/CFS are increasingly recognized as significant health factors with potential parallels with ‘long COVID’. However, the etiology of ME/CFS remains elusive with limited high-resolution human studies. In addition, reliable biomarker-based diagnostics have not been well-established, but may assist in disease classification, particularly during different temporal phases of the disease. Here, we performed deep multi-‘omics (shotgun metagenomics of gut microbiota and plasma metabolomics) and clinical phenotyping of healthy controls (n=79) vs. two cohorts of ME/CFS patients – those with short-term disease (<4 years, n=75), and patients with long-term disease (>10y, n=79). Overall, ME/CFS was characterized by reduced gut microbiome diversity and richness with high heterogeneity, and depletion of sphingomyelins and short-chain fatty acids in the plasma. We found significant differences when stratifying by cohort; short-term ME/CFS was associated with more microbial dysbiosis, but long-term ME/CFS was associated with markedly more severe phenotypic and metabolic abnormalities. We identified a reduction in the gene-coding capacity (and relative abundance of butyrate producers) of microbial butyrate biosynthesis together with a reduction in the plasma concentration of butyrate, especially in the short-term group. Global co-association and detailed gene pathway correlation analyses linking the microbiome and metabolome identified additional potential biological mechanisms underlying host-microbiome interactions in ME/CFS, including bile acids and benzoate pathways. Finally, we built multiple state-of-the-art classifiers to identify microbes, microbial gene pathways, metabolites, and clinical features that individually or together, were most able to differentiate short or long-term MECFS, or MECFS vs. healthy controls. Taken together, our study presents the highest resolution, multi-cohort and multi-‘omics analysis to date, providing an important resource to facilitate mechanistic hypotheses of host-microbiome interactions in ME/CFS.

Chronic diseases like ME/CFS and long COVID exhibit high heterogeneity with multifactorial etiology and progression, complicating diagnosis and treatment. To address this, we developed BioMapAI, an explainable Deep Learning framework using the richest longitudinal multi-'omics dataset for ME/CFS to date. This dataset includes gut metagenomics, plasma metabolome, immune profiling, blood labs, and clinical symptoms. By connecting multi-'omics to asymptom matrix, BioMapAI identified both disease- and symptom-specific biomarkers, reconstructed symptoms, and achieved state-of-the-art precision in disease classification. We also created the first connectivity map of these 'omics in both healthy and disease states and revealed how microbiome-immune-metabolome crosstalk shifted from healthy to ME/CFS. Thus, we proposed several innovative mechanistic hypotheses for ME/CFS: Disrupted microbial functions - SCFA (butyrate), BCAA (amino acid), tryptophan, benzoate - lost connection with plasma lipids and bile acids, and activated inflammatory and mucosal immune cells (MAIT, γδT cells) with INFγ and GzA secretion. These abnormal dynamics are linked to key disease symptoms, including gastrointestinal issues, fatigue, and sleep problems.