Altered IgG glycosylation at COVID‐19 diagnosis predicts disease severity
Notice bibliographique
Résumé
The nature of the immune responses associated with COVID-19 pathogenesis and disease severity, as well as the breadth of vaccine coverage and duration of immunity, is still unclear. Given the unpredictability for developing a severe/complicated disease, there is an urgent need in the field for predictive biomarkers of COVID-19. We have analyzed IgG Fc N-glycan traits of 82 SARS-CoV-2+ unvaccinated patients, at diagnosis, by nano-LC-ESI-MS. We determined the impact of IgG Fc glyco-variations in the induction of NK cells activation, further evaluating the association between IgG Fc N-glycans and disease severity/prognosis. We found that SARS-CoV-2+ individuals display, at diagnosis, variations in the glycans composition of circulating IgGs. Importantly, levels of galactose and sialic acid structures on IgGs are able to predict the development of a poor COVID-19 disease. Mechanistically, we demonstrated that a deficiency on galactose structures on IgG Fc in COVID-19 patients appears to induce NK cells activation associated with increased release of IFN-γ and TNF-α, which indicates the presence of pro-inflammatory immunoglobulins and higher immune activation, associated with a poor disease course. This study brings to light a novel blood biomarker based on IgG Fc glycome composition with capacity to stratify patients at diagnosis.
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) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».