Going to Bat(s) for Studies of Disease Tolerance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle