Cardiovascular medications and regulation of COVID-19 receptors expression
Notice bibliographique
Résumé
INTRODUCTION: Emerging epidemiological studies suggested that Renin-Angiotensin-Aldosterone system (RAAS) inhibitors may increase infectivity and severity of COVID-19 by modulating the expression of ACE2. METHODS: In silico analysis was conducted to compare the blood expression levels of SARS-CoV-2 entry genes between age and gender matched cohort of hypertensive patients versus control, and to determine the effect of common cardiovascular medications on the expression of COVID-19 receptors in vitro using primary human hepatocytes. RESULTS: The transcriptomic analysis revealed a significant increase of ACE2 and TMPRSS2 in the blood of patients with hypertension. Treatment of primary human hepatocytes with captopril, but not enalapril, significantly increased ACE2 expression. A similar pattern of ACE2 expression was found following the in vitro treatments of rat primary cells with captopril and enalapril. Telmisartan, a second class RAAS inhibitors, did not affect ACE2 levels. We have also tested other cardiovascular medications that may be used alone, or in combination with RAAS inhibitors. Some of these medications increased TMPRSS2, while others, like furosemide, significantly reduced COVID-19 receptors. CONCLUSIONS: The increase in ACE2 expression levels could be due to chronic use of RAAS inhibitors or alternatively caused by other hypertension-related factors or presence of other comorbidities. Treatment of common co-morbidities often require chronic use of multiple medications, which may result in an additive increase in the expression of ACE2 and TMPRSS2. Our data suggest that more research is needed to determine the effect of different medications, as well as medication combinations, on COVID-19 receptors.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».