MétaCan
Menu
Retour à la cohorte
Enregistrement W4297977805 · doi:10.1111/imm.13585

Alternative pathway dysregulation in tissues drives sustained complement activation and predicts outcome across the disease course in COVID‐19

2022· article· en· W4297977805 sur OpenAlex
Matthew K. Siggins, Kate Davies, R.J. Fellows, Ryan S. Thwaites, J. Kenneth Baillie, Malcolm G. Semple, Peter Openshaw, Wioleta M. Zelek, Claire L. Harris, B. Paul Morgan

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueImmunology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 and COVID-19 Research
Établissements canadiensInstitute of Infection and Immunity
Organismes subventionnairesMedical Research CouncilBiotechnology and Biological Sciences Research CouncilPublic Health EnglandUniversity of LiverpoolNewcastle UniversityNational Institute for Health Research Health Protection Research UnitNational Institute for Health and Care ResearchUniversity of OxfordUK Coronavirus Immunology ConsortiumUK Research and Innovation
Mots-clésComplement systemiC3bAlternative complement pathwayDiseaseProperdinImmunologyComplement membrane attack complexFactor HComplement factor BComplement (music)MedicineBiologyImmune systemInternal medicineGenePhenotypeGenetics

Résumé

récupéré en direct d'OpenAlex

Abstract Complement, a critical defence against pathogens, has been implicated as a driver of pathology in COVID‐19. Complement activation products are detected in plasma and tissues and complement blockade is considered for therapy. To delineate roles of complement in immunopathogenesis, we undertook the largest comprehensive study of complement in COVID‐19 to date, comprehensive profiling of 16 complement biomarkers, including key components, regulators and activation products, in 966 plasma samples from 682 hospitalized COVID‐19 patients collected across the hospitalization period as part of the UK ISARIC4C (International Acute Respiratory and Emerging Infection Consortium) study. Unsupervised clustering of complement biomarkers mapped to disease severity and supervised machine learning identified marker sets in early samples that predicted peak severity. Compared to healthy controls, complement proteins and activation products (Ba, iC3b, terminal complement complex) were significantly altered in COVID‐19 admission samples in all severity groups. Elevated alternative pathway activation markers (Ba and iC3b) and decreased alternative pathway regulator (properdin) in admission samples were associated with more severe disease and risk of death. Levels of most complement biomarkers were reduced in severe disease, consistent with consumption and tissue deposition. Latent class mixed modelling and cumulative incidence analysis identified the trajectory of increase of Ba to be a strong predictor of peak COVID‐19 disease severity and death. The data demonstrate that early‐onset, uncontrolled activation of complement, driven by sustained and progressive amplification through the alternative pathway amplification loop is a ubiquitous feature of COVID‐19, further exacerbated in severe disease. These findings provide novel insights into COVID‐19 immunopathogenesis and inform strategies for therapeutic intervention.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,362

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,402
Écart entre enseignants0,356 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle