Going to Bat(s) for Studies of Disease Tolerance
Notice bibliographique
Résumé
A majority of viruses that have caused recent epidemics with high lethality rates in people, are zoonoses originating from wildlife. Among them are filoviruses (e.g., Marburg, Ebola), coronaviruses (e.g., SARS, MERS), henipaviruses (e.g., Hendra, Nipah) which share the common features that they are all RNA viruses, and that a dysregulated immune response is an important contributor to the tissue damage and hence pathogenicity that results from infection in humans. Intriguingly, these viruses also all originate from bat reservoirs. Bats have been shown to have a greater mean viral richness than predicted by their phylogenetic distance from humans, their geographic range, or their presence in urban areas, suggesting other traits must explain why bats harbor a greater number of zoonotic viruses than other mammals. Bats are highly unusual among mammals in other ways as well. Not only are they the only mammals capable of powered flight, they have extraordinarily long life spans, with little detectable increases in mortality or senescence until high ages. Their physiology likely impacted their history of pathogen exposure and necessitated adaptations that may have also affected immune signaling pathways. Do our life history traits make us susceptible to generating damaging immune responses to RNA viruses or does the physiology of bats make them particularly tolerant or resistant? Understanding what immune mechanisms enable bats to coexist with RNA viruses may provide critical fundamental insights into how to achieve greater resilience in humans.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,053 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».