SGLT2‐Inhibition reverts urinary peptide changes associated with severe COVID‐19: An in‐silico proof‐of‐principle of proteomics‐based drug repurposing
Notice bibliographique
Résumé
Severe COVID-19 is reflected by significant changes in urine peptides. Based on this observation, a clinical test predicting COVID-19 severity, CoV50, was developed and registered as in vitro diagnostic in Germany. We have hypothesized that molecular changes displayed by CoV50, likely reflective of endothelial damage, may be reversed by specific drugs. Such an impact by a drug could indicate potential benefits in the context of COVID-19. To test this hypothesis, urinary peptide data from patients without COVID-19 prior to and after drug treatment were collected from the human urinary proteome database. The drugs chosen were selected based on availability of sufficient number of participants in the dataset (n > 20) and potential value of drug therapies in the treatment of COVID-19 based on reports in the literature. In these participants without COVID-19, spironolactone did not demonstrate a significant impact on CoV50 scoring. Empagliflozin treatment resulted in a significant change in CoV50 scoring, indicative of a potential therapeutic benefit. The study serves as a proof-of-principle for a drug repurposing approach based on human urinary peptide signatures. The results support the initiation of a randomized control trial testing a potential positive effect of empagliflozin for severe COVID-19, possibly via endothelial protective mechanisms.
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 | 0,002 | 0,037 |
| 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 | 0,000 |
| 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 ».