Effect of SARS-CoV-2 proteins on vascular permeability
Notice bibliographique
Résumé
Severe acute respiratory syndrome (SARS)-CoV-2 infection leads to severe disease associated with cytokine storm, vascular dysfunction, coagulation, and progressive lung damage. It affects several vital organs, seemingly through a pathological effect on endothelial cells. The SARS-CoV-2 genome encodes 29 proteins, whose contribution to the disease manifestations, and especially endothelial complications, is unknown. We cloned and expressed 26 of these proteins in human cells and characterized the endothelial response to overexpression of each, individually. Whereas most proteins induced significant changes in endothelial permeability, nsp2, nsp5_c145a (catalytic dead mutant of nsp5), and nsp7 also reduced CD31, and increased von Willebrand factor expression and IL-6, suggesting endothelial dysfunction. Using propagation-based analysis of a protein-protein interaction (PPI) network, we predicted the endothelial proteins affected by the viral proteins that potentially mediate these effects. We further applied our PPI model to identify the role of each SARS-CoV-2 protein in other tissues affected by coronavirus disease (COVID-19). While validating the PPI network model, we found that the tight junction (TJ) proteins cadherin-5, ZO-1, and β-catenin are affected by nsp2, nsp5_c145a, and nsp7 consistent with the model prediction. Overall, this work identifies the SARS-CoV-2 proteins that might be most detrimental in terms of endothelial dysfunction, thereby shedding light on vascular aspects of 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 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 | 0,096 |
| 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 | 0,000 | 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) | 0,000 | 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 ».