Group IIA secreted phospholipase A2 is associated with the pathobiology leading to COVID-19 mortality
Notice bibliographique
Résumé
There is an urgent need to identify the cellular and molecular mechanisms responsible for severe COVID-19 that results in death. We initially performed both untargeted and targeted lipidomics as well as focused biochemical analyses of 127 plasma samples and found elevated metabolites associated with secreted phospholipase A2 (sPLA2) activity and mitochondrial dysfunction in patients with severe COVID-19. Deceased COVID-19 patients had higher levels of circulating, catalytically active sPLA2 group IIA (sPLA2-IIA), with a median value that was 9.6-fold higher than that for patients with mild disease and 5.0-fold higher than the median value for survivors of severe COVID-19. Elevated sPLA2-IIA levels paralleled several indices of COVID-19 disease severity (e.g., kidney dysfunction, hypoxia, multiple organ dysfunction). A decision tree generated by machine learning identified sPLA2-IIA levels as a central node in the stratification of patients who died from COVID-19. Random forest analysis and least absolute shrinkage and selection operator-based (LASSO-based) regression analysis additionally identified sPLA2-IIA and blood urea nitrogen (BUN) as the key variables among 80 clinical indices in predicting COVID-19 mortality. The combined PLA-BUN index performed significantly better than did either one alone. An independent cohort (n = 154) confirmed higher plasma sPLA2-IIA levels in deceased patients compared with levels in plasma from patients with severe or mild COVID-19, with the PLA-BUN index-based decision tree satisfactorily stratifying patients with mild, severe, or fatal COVID-19. With clinically tested inhibitors available, this study identifies sPLA2-IIA as a therapeutic target to reduce COVID-19 mortality.
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 | 0,010 | 0,360 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».