Identification of driver genes for severe forms of COVID-19 in a deeply phenotyped young patient cohort
Notice bibliographique
Résumé
Abstract The etiopathogenesis of severe COVID-19 remains unknown. Indeed given major confounding factors (age and co-morbidities), true drivers of this condition have remained elusive. Here, we employ an unprecedented multi-omics analysis, combined with artificial intelligence, in a young patient cohort where major co-morbidities have been excluded at the onset. Here, we established a three-tier cohort of individuals younger than 50 years without major comorbidities. These included 47 “critical” (in the ICU under mechanical ventilation) and 25 “non-critical” (in a noncritical care ward) COVID-19 patients as well as 22 healthy individuals. The analyses included whole-genome sequencing, whole-blood RNA sequencing, plasma and blood mononuclear cells proteomics, cytokine profiling and high-throughput immunophenotyping. An ensemble of machine learning, deep learning, quantum annealing and structural causal modeling led to key findings. Critical patients were characterized by exacerbated inflammation, perturbed lymphoid/myeloid compartments, coagulation and viral cell biology. Within a unique gene signature that differentiated critical from noncritical patients, several driver genes promoted severe COVID-19 among which the upregulated metalloprotease ADAM9 was key. This gene signature was replicated in an independent cohort of 81 critical and 73 recovered COVID-19 patients, as were ADAM9 transcripts, soluble form and proteolytic activity. Ex vivo ADAM9 inhibition affected SARS-CoV-2 uptake and replication in human lung epithelial cells. In conclusion, within a young, otherwise healthy, COVID-19 cohort, we provide the landscape of biological perturbations in vivo where a unique gene signature differentiated critical from non-critical patients. The key driver, ADAM9 , interfered with SARS-CoV-2 biology. A repositioning strategy for anti-ADAM9 therapeutic is feasible. One sentence summary Etiopathogenesis of severe COVID19 in a young patient population devoid of comorbidities.
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) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».