Identification of COVID-19-relevant transcriptional regulatory networks and associated kinases as potential therapeutic targets
Notice bibliographique
Résumé
ABSTRACT Identification of transcriptional regulatory mechanisms and signaling networks involved in the response of host to infection by SARS-CoV-2 is a powerful approach that provides a systems biology view of gene expression programs involved in COVID-19 and may enable identification of novel therapeutic targets and strategies to mitigate the impact of this disease. In this study, we combined a series of recently developed computational tools to identify transcriptional regulatory networks involved in the response of epithelial cells to infection by SARS-CoV-2, and particularly regulatory mechanisms that are specific to this virus. In addition, using network-guided analyses, we identified signaling pathways that are associated with these networks and kinases that may regulate them. The results identified classical antiviral response pathways including Interferon response factors (IRFs), interferons (IFNs), and JAK-STAT signaling as key elements upregulated by SARS-CoV-2 in comparison to mock-treated cells. In addition, comparing SARS-Cov-2 infection of airway epithelial cells to other respiratory viruses identified pathways associated with regulation of inflammation (MAPK14) and immunity (BTK, MBX) that may contribute to exacerbate organ damage linked with complications of COVID-19. The regulatory networks identified herein reflect a combination of experimentally validated hits and novel pathways supporting the computational pipeline to quickly narrow down promising avenue of investigations when facing an emerging and novel disease such as COVID-19.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 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 ».