Upregulation of interleukin-19 in saliva of patients with COVID-19
Notice bibliographique
Résumé
Abstract Cytokines are major players in orchestrating inflammation, disease pathogenesis and severity during COVID-19 disease. However, the role of IL-19 in COVID-19 pathogenesis remains elusive. Herein, through the analysis of transcriptomic datasets of SARS-CoV-2 infected lung cells, nasopharyngeal swabs, and lung autopsies of COVID-19 patients, we report that expression levels of IL-19 and its receptor, IL-20R2, were upregulated following SARS-CoV-2 infection. Of 202 adult COVID-19 patients, IL-19 protein level was significantly higher in blood and saliva of asymptomatic patients compared to healthy controls when adjusted for patients’ demographics (P < 0.001). Interestingly, high saliva IL-19 level was also associated with COVID-19 severity (P < 0.0001), need for mechanical ventilation (P = 0.002), and/or death (P = 0.010) within 29 days of admission, after adjusting for patients’ demographics, diabetes mellitus comorbidity, and COVID-19 serum markers of severity such as D-dimer, C-reactive protein, and ferritin. Moreover, patients who received interferon beta during their hospital stay had lower plasma IL-19 concentrations (24 pg mL−1) than those who received tocilizumab (39.2 pg mL−1) or corticosteroids (42.5 pg mL−1). Our findings indicate that high saliva IL-19 level was associated with COVID-19 infectivity and disease severity.
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 | 0,000 |
| 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 ».