Differential Co-Expression Network Analysis Reveals Key Hub-High Traffic Genes as Potential Therapeutic Targets for COVID-19 Pandemic
Notice bibliographique
Résumé
Background The recent emergence of COVID-19, rapid worldwide spread, and incomplete knowledge of molecular mechanisms underlying SARS-CoV-2 infection have limited development of therapeutic strategies. Our objective was to systematically investigate molecular regulatory mechanisms of COVID-19, using a combination of high throughput RNA-sequencing-based transcriptomics and systems biology approaches. Methods RNA-Seq data from peripheral blood mononuclear cells (PBMCs) of healthy persons, mild and severe 17 COVID-19 patients were analyzed to generate a gene expression matrix. Weighted gene co-expression network analysis (WGCNA) was used to identify co-expression modules in healthy samples as a reference set. For differential co-expression network analysis, module preservation and module-trait relationships approaches were used to identify key modules. Then, protein-protein interaction (PPI) networks, based on co-expressed hub genes, were constructed to identify hub genes/TFs with the highest information transfer (hub-high traffic genes) within candidate modules. Results Based on differential co-expression network analysis, connectivity patterns and network density, 72% (15 of 21) of modules identified in healthy samples were altered by SARS-CoV-2 infection. Therefore, SARS-CoV-2 caused systemic perturbations in host biological gene networks. In functional enrichment analysis, among 15 non-preserved modules and two significant highly-correlated modules (identified by MTRs), 9 modules were directly related to the host immune response and COVID-19 immunopathogenesis. Intriguingly, systemic investigation of SARS-CoV-2 infection identified signaling pathways and key genes/proteins associated with COVID-19’s main hallmarks, e.g., cytokine storm, respiratory distress syndrome (ARDS), acute lung injury (ALI), lymphopenia, coagulation disorders, thrombosis, and pregnancy complications, as well as comorbidities associated with COVID-19, e.g., asthma, diabetic complications, cardiovascular diseases (CVDs), liver disorders and acute kidney injury (AKI). Topological analysis with betweenness centrality (BC) identified 290 hub-high traffic genes, central in both co-expression and PPI networks. We also identified several transcriptional regulatory factors, including NFKB1 , HIF1A , AHR , and TP53 , with important immunoregulatory roles in SARS-CoV-2 infection. Moreover, several hub-high traffic genes, including IL6 , IL1B , IL10 , TNF , SOCS1 , SOCS3 , ICAM1 , PTEN , RHOA , GDI2 , SUMO1 , CASP1 , IRAK3 , HSPA5 , ADRB2 , PRF1 , GZMB , OASL , CCL5 , HSP90AA1 , HSPD1 , IFNG , MAPK1 , RAB5A , and TNFRSF1A had the highest rates of information transfer in 9 candidate modules and central roles in COVID-19 immunopathogenesis. Conclusion This study provides comprehensive information on molecular mechanisms of SARS-CoV-2-host interactions and identifies several hub-high traffic genes as promising therapeutic targets for the COVID-19 pandemic.
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 | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».