Repeats Mimic Pathogen-Associated Patterns Across a Vast Evolutionary Landscape
Notice bibliographique
Résumé
ABSTRACT An emerging hallmark across human diseases – such as cancer, autoimmune and neurodegenerative disorders – is the aberrant transcription of typically silenced repetitive elements. Once active, a subset of repeats may be capable of “viral mimicry”: the display of pathogen-associated molecular patterns (PAMPs) that can, in principle, bind pattern recognition receptors (PRRs) of the innate immune system and trigger inflammation. Yet how to quantify the landscape of viral mimicry and how it is shaped by natural selection remains a critical gap in our understanding of both genome evolution and the immunological basis of disease. We propose a theoretical framework to quantify selective forces on virus-like features as the entropic cost a sequence pays to hold a non-self PAMP and show our approach can predict classes of viral-mimicry within the human genome and across eukaryotes. We quantify the breadth and conservation of viral mimicry across multiple species for the first time and integrate selective forces into predictive evolutionary models. We show HSATII and intact LINE-1 (L1) are under selection to maintain CpG motifs, and specific Alu families likewise maintain the proximal presence of inverted copies to form double-stranded RNA (dsRNA). We validate our approach by predicting high CpG L1 ligands of L1 proteins and the innate receptor ZCCHC3 , and dsRNA present both intracellularly and as MDA5 ligands. We conclude viral mimicry is a general evolutionary mechanism whereby genomes co-opt pathogen-associated features generated by prone repetitive sequences, likely offering an advantage as a quality control system against transcriptional dysregulation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».