Enhanced Expression of Autoantigens During SARS-CoV-2 Viral Infection
Notice bibliographique
Résumé
Immune homeostasis is disturbed during severe viral infections, which can lead to loss of tolerance to self-peptides and result in short- or long-term autoimmunity. Using publicly available transcriptomic datasets, we conducted an in-silico analyses to evaluate the expression levels of 52 autoantigens, known to be associated with 24 autoimmune diseases, during SAR-CoV-2 infection. Seven autoantigens (MPO, PRTN3, PADI4, IFIH1, TRIM21, PTPRN2, and TSHR) were upregulated in whole blood samples. MPO and TSHR were overexpressed in both lung autopsies and whole blood tissue and were associated with more severe COVID-19. Neutrophil activation derived autoantigens (MPO, PRTN3, and PADI4) were prominently increased in blood of both SARS-CoV-1 and SARS-CoV-2 viral infections, while TSHR and PTPRN2 autoantigens were specifically increased in SARS-CoV-2. Using single-cell dataset from peripheral blood mononuclear cells (PBMCs), we observed an upregulation of MPO, PRTN3, and PADI4 autoantigens within the low-density neutrophil subset. To validate our in-silico analysis, we measured plasma protein levels of two autoantigens, MPO and PRTN3, in severe and asymptomatic COVID-19. The protein levels of these two autoantigens were significantly upregulated in more severe COVID-19 infections. In conclusion, the immunopathology and severity of COVID-19 could result in transient autoimmune activation. Longitudinal follow-up studies of confirmed cases of COVID-19 could determine the enduring effects of viral infection including development of autoimmune disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».